Cortemos el ruido. Sí, la IA puede escribir tus correos electrónicos y generar código mediocre. Sí, ha puesto a los ilustradores y programadores junior en una posición difícil. Pero si eso es todo lo que ves, estás buscando en los lugares equivocados. El trabajo verdaderamente transformador de la IA no está sucediendo en el cuadro de texto de ChatGPT. Está sucediendo en laboratorios, hospitales y centros de investigación donde los científicos están usando el aprendizaje automático para resolver problemas que han dejado perpleja a la humanidad durante décadas. Comienza con AlphaFold2, el sistema de predicción de estructuras de proteínas de DeepMind. En 2020, resolvió un desafío fundamental de 50 años en biología al predecir cómo se pliegan las proteínas a partir de sus secuencias de aminoácidos con asombrosa precisión. El Banco de Datos de Proteínas contenía alrededor de 190,000 estructuras de proteínas determinadas experimentalmente acumuladas durante décadas. Desde entonces, AlphaFold ha predicho estructuras para más de 200 millones de proteínas, mapeando esencialmente todo el universo proteico. Esto no es un progreso incremental. Es un cambio de fase. El descubrimiento de fármacos que solía tomar años de trabajo de cristalografía ahora ocurre en horas. Investigadores de la Universidad de California en San Francisco usaron AlphaFold para identificar un nuevo candidato a fármaco contra el cáncer en meses en lugar de años. El Laboratorio Europeo de Biología Molecular informa que AlphaFold ha sido citado en más de 10,000 artículos científicos hasta 2024, con aplicaciones que abarcan vacunas contra la malaria, enzimas que comen plásticos y la resistencia de los cultivos. La predicción meteorológica representa otro verdadero avance. Los modelos de IA como GraphCast de Google DeepMind ahora superan a los pronósticos tradicionales basados en física para predicciones de mediano plazo. El Centro Europeo para las Previsiones Meteorológicas a Medio Plazo (ECMWF) confirmó en 2023 que GraphCast supera su modelo de referencia en el 90% de las variables atmosféricas mientras funciona 1,000 veces más rápido. Cuando el Huracán Otis se intensificó rápidamente antes de golpear Acapulco en octubre de 2023, los modelos de IA detectaron el peligro 48 horas antes que los pronósticos convencionales. Eso no solo es impresionante, es salvavidas. La Organización Meteorológica Mundial estima que las mejoras en las alertas tempranas podrían prevenir 23,000 muertes anuales por eventos climáticos extremos. Los modelos de IA funcionan en una sola máquina en menos de un minuto, democratizando los pronósticos avanzados para países que no pueden permitirse supercomputadoras. La ciencia de materiales está experimentando una revolución similar. El Proyecto de Materiales y otras iniciativas utilizan el aprendizaje automático para predecir las propiedades de millones de compuestos hipotéticos. Investigadores del Laboratorio Nacional Lawrence Berkeley descubrieron 18 nuevos materiales prometedores para baterías en 2023 utilizando selección por IA, un proceso que habría llevado décadas con métodos tradicionales. Microsoft y el Laboratorio Nacional del Noroeste del Pacífico utilizaron IA para identificar un nuevo material electrolito que podría reducir el uso de litio en baterías hasta en un 70%, pasando de 32 millones de candidatos a síntesis de laboratorio en nueve meses. El descubrimiento tradicional de materiales promedia de 10 a 20 años desde el concepto hasta la comercialización. La IA está comprimiendo ese tiempo a menos de dos años para algunas aplicaciones. Los diagnósticos médicos muestran quizás el impacto más inmediato en el mundo real. Los sistemas de IA ahora igualan o superan a los radiólogos expertos en la detección de cáncer de mama, nódulos pulmonares y retinopatía diabética. Un estudio de 2024 en The Lancet encontró que un sistema de IA redujo los cánceres de mama no detectados en un 20% en comparación con la evaluación por un lector solo en el programa de detección del NHS del Reino Unido. La IA de Google Health detectó cáncer de pulmón en tomografías computarizadas con un 5% menos de falsos positivos y un 11% menos de falsos negativos que los radiólogos. En oftalmología, el cribado por IA para retinopatía diabética ha sido aprobado por la FDA desde 2018 y desplegado en India y Tailandia, donde ha examinado a más de 250,000 pacientes en áreas desatendidas sin acceso a especialistas. Esto no está reemplazando a los médicos. Está gestionando grandes cargas de pacientes y detectando casos que se escapan de sistemas humanos sobrecargados. Las victorias menos glamorosas pero igualmente importantes provienen de los problemas de optimización. La IA de DeepMind redujo los costos de refrigeración del centro de datos de Google en un 40% en 2016, y sistemas similares ahora gestionan redes eléctricas, flujos de tráfico y cadenas de suministro. El Puerto de Róterdam utiliza IA para optimizar la colocación de contenedores y reducir los tiempos de giro de los barcos en un 20%. UPS ahorra 10 millones de galones de combustible al año utilizando la optimización de rutas por IA. Estos no son titulares sexy, pero representan miles de millones en ganancias de eficiencia y reducción de carbono medibles. La Agencia Internacional de Energía estima que los sistemas energéticos optimizados por IA podrían reducir las emisiones globales de CO2 en un 4% para 2030, equivalente a sacar de la carretera a 2,4 mil millones de coches. Ahora, la realidad. La mayoría de estos avances comparten rasgos comunes: abordan problemas bien definidos con grandes conjuntos de datos, métricas de éxito claras y validación experta. No requieren que la IA entienda el contexto, la cultura o el sentido común. El plegamiento de proteínas es física determinista. El clima es caótico pero gobernado por ecuaciones conocidas. La imagen médica tiene la verdad básica de biopsias. Estos son dominios donde el reconocimiento de patrones a escala sobrehumana crea un valor genuino. La exageración se estrella cuando esperamos que la IA resuelva problemas humanos complejos como la moderación de contenido, las decisiones de contratación o la estrategia creativa, donde el éxito es subjetivo y los conjuntos de datos están contaminados con sesgo. Pero aquí es donde se pone interesante. Una vez que has conquistado los conjuntos de datos limpios y estructurados, la próxima frontera son los problemas desordenados y multimodales que requieren conectar fuentes de datos dispares. La ciencia oceánica está inundada de potencial sin explotar. Tenemos décadas de imágenes satelitales, mapeo por sonar, sensores de temperatura, observaciones de biología marina y datos de tráfico marítimo que nadie ha integrado adecuadamente. La IA podría predecir eventos de blanqueo de coral, optimizar las cuotas de pesca para prevenir colapsos, rastrear la pesca ilegal en tiempo real y modelar los efectos en cascada de la acidificación del océano. La Institución Oceanográfica de Woods Hole y la Institución Scripps de Oceanografía están sentadas en petabytes de datos que podrían revolucionar la conservación marina si alguien construyera los modelos correctos. Los conjuntos de datos arqueológicos e históricos representan otra mina de oro. El radar de penetración terrestre, las encuestas LiDAR, las imágenes satelitales y los registros históricos digitalizados podrían ayudar a la IA a identificar sitios arqueológicos no descubiertos, predecir dónde probablemente estén enterrados artefactos y reconstruir redes comerciales antiguas. Investigadores de la Universidad de Cambridge usaron aprendizaje automático en datos satelitales para descubrir 500 asentamientos mayas previamente desconocidos en 2023. Si escalamos ese enfoque globalmente, estamos hablando de reescribir la historia humana. El Louvre, el Museo Británico y el Smithsonian tienen millones de artefactos digitalizados con metadatos inconsistentes que la IA podría organizar, revelando patrones de intercambio cultural y difusión tecnológica que los humanos nunca notarían. Los archivos de medios están perdiendo valor porque nadie puede buscarlos adecuadamente. La BBC tiene 14 millones de horas de contenido de transmisión que data de la década de 1920. Associated Press tiene 25 millones de fotografías históricas. The New York Times tiene 170 años de artículos, más de 15 millones de piezas. CBS News tiene 100,000 horas de metraje bruto de cada evento importante desde 1968. En este momento, este material está esencialmente bloqueado porque los metadatos son basura, inconsistentes a lo largo de décadas o simplemente faltantes. ¿Quieres encontrar cada vez que un político se contradijo en cámara? Imposible con la búsqueda actual. ¿Quieres rastrear cómo la cobertura de noticias sobre inmigración evolucionó desde 1950? Buena suerte revisando manualmente 70 años de archivos. La IA podría resolver esto de inmediato. Los modelos de comprensión de video ahora pueden transcribir discursos, identificar rostros, reconocer locaciones, detectar emociones y etiquetar objetos con precisión razonable. Aplicado a archivos de transmisión, podrías buscar por contenido visual, no solo por palabras clave. Reuters e Getty Images están comenzando a usar etiquetado por IA para contenido nuevo, pero nadie ha adaptado las cosas históricas a gran escala. El valor es asombroso: los periodistas podrían encontrar instantáneamente material relevante, los verificadores de hechos podrían verificar afirmaciones contra metraje histórico, los investigadores podrían estudiar la evolución del sesgo de los medios de manera cuantitativa. Netflix y Disney ya están utilizando IA para etiquetar sus bibliotecas para mejores recomendaciones. Las organizaciones de noticias podrían hacer lo mismo mientras preservan el contexto periodístico. El conjunto de datos de litigios por derechos de autor es igualmente fascinante. Cada presentación en la corte, cada reclamo de derechos de autor, cada aviso de eliminación presentado ante la Oficina de Derechos de Autor de EE. UU. desde 1790 es, en teoría, un registro público. Eso son 230 años de quién reclamó qué, cuándo y por qué. La IA podría mapear toda la genealogía de obras creativas, rastrear cómo evolucionaron los estándares de uso justo, predecir qué nuevos reclamos tendrán éxito o fracasarán basándose en precedentes. Internet Archive está digitalizando millones de obras que ingresaron al dominio público, pero sin análisis por IA, no podemos determinar eficientemente qué está realmente en el dominio público versus qué reclaman falsamente los titulares de derechos. La Base de Datos de Renovación de Derechos de Autor de Stanford apenas arañó la superficie para libros anteriores a 1964, pero necesitamos esto para música, películas, fotografías y software. Los datos de moderación de redes sociales representan un conjunto de datos más oscuro pero esencial. Facebook elimina 20 millones de piezas de contenido mensualmente por violar los estándares de la comunidad. YouTube elimina 6 millones de videos por trimestre. Twitter (ahora X) suspendió 1.2 millones de cuentas por contenido terrorista solo en 2023. Cada decisión teóricamente tiene contexto: qué regla fue violada, quién la reportó, qué pasó en la apelación. Esos datos podrían entrenar sistemas de moderación genuinamente matizados en lugar de los instrumentos contundentes de hoy que prohiben a los sobrevivientes de cáncer de mama por fotos médicas mientras no detectan contenido realmente dañino. Pero las plataformas tratan esto como propiedad, impidiendo la investigación independiente de lo que realmente funciona. Forzar la transparencia a través de la regulación podría permitir sistemas de IA que comprendan el contexto en lugar de solo marcar palabras clave y tonos de piel. La planificación urbana necesita desesperadamente este tratamiento. Las ciudades generan grandes conjuntos de datos de cámaras de tráfico, sensores de calidad del aire, informes de delitos, registros de propiedades, uso de servicios públicos y cambios demográficos, pero nadie ha construido sistemas que integren todos estos datos para optimizar la zonificación, predecir la gentrificación o asignar servicios sociales. El proyecto Superbloques de Barcelona utilizó una optimización limitada por IA y redujo los accidentes de tráfico en un 27% al tiempo que aumentó el espacio verde. Imagina aplicar eso a nivel de ciudad en cientos de variables. El proyecto Virtual Singapore de Singapur está intentando esto, pero la mayoría de las ciudades carecen de la capacidad técnica. El conjunto de datos existe. La voluntad política es lo que falta. La modelización de ecosistemas podría prevenir la próxima pandemia. Tenemos bases de datos genómicas, patrones de migración animal, datos climáticos, tasas de deforestación y antecedentes de brotes de enfermedades. Los modelos de IA que integren estos podrían predecir eventos de desbordamiento zoonótico antes de que sucedan. La Alianza EcoHealth y el Proyecto Global del Viroma están secuenciando virus en la vida silvestre, pero los modelos predictivos que podrían conectar la evolución viral con los cambios ambientales y la invasión humana apenas existen. La pandemia de COVID-19 costó $16 billones globalmente. Gastar $10 mil millones en predicción de pandemias potenciadas por IA sería el negocio del siglo. La revolución agrícola apenas comienza. Los agricultores generan enormes conjuntos de datos de sensores de suelo, imágenes satelitales, patrones climáticos, genética de cultivos y poblaciones de plagas, pero las aplicaciones actuales de IA son primitivas. Podríamos optimizar la rotación de cultivos con precisión a nivel de campo, predecir brotes de plagas semanas antes, cultivar variedades resistentes al clima en la mitad del tiempo y reducir el uso de fertilizantes en un 40% mientras aumentamos los rendimientos. La Organización de las Naciones Unidas para la Alimentación y la Agricultura estima que necesitamos aumentar la producción de alimentos en un 70% para 2050 para alimentar a 10 mil millones de personas. La IA trabajando con conjuntos de datos agrícolas podría realmente hacer eso posible sin destruir lo que queda de nuestro suelo fértil y acuíferos.
Las Verdaderas Victorias de la IA: Más Allá del Ciclo de Exageración
Todos están cansados de escuchar que la IA cambiará todo. Pero si vas más allá del ruido de los chatbots, encontrarás verdaderos avances: el plegamiento de proteínas resuelto, pronósticos meteorológicos que realmente salvan vidas y la ciencia de materiales avanzando a toda velocidad. La pregunta no es si la IA entrega. Es si le estamos pidiendo que resuelva los problemas correctos.
Mi opinion
El campo de la IA sufre de un problema de marketing catastrófico. Hemos vendido demasiado el chatbot y hemos subestimado el trabajo realmente transformador que está sucediendo en los dominios científicos. Cuando las personas piensan en IA, se imaginan correos electrónicos de lenguaje genérico corporativo y imágenes de archivo sin alma, no el hecho de que esencialmente hemos resuelto uno de los problemas más difíciles de la biología o que ahora podemos predecir las trayectorias de los ciclones mejor que los modelos de supercomputadoras que valen miles de millones de dólares. Eso es culpa nuestra, de la industria tecnológica, por perseguir los ojos de los consumidores en lugar de celebrar a los investigadores que realmente están haciendo el trabajo que importa. Aquí está mi predicción: el ciclo de exageración de la IA se estrellará para las aplicaciones de consumo dentro de 18 meses. Las empresas que están quemando miles de millones en chatbots y generadores de imágenes enfrentarán un ajuste de cuentas cuando los usuarios se den cuenta de que estas herramientas son costosas, propensas a errores y apenas mejores que lo que teníamos hace cinco años para la mayoría de las tareas diarias. Pero la caída no tocará la IA científica e industrial, que continuará revolucionando silenciosamente el descubrimiento de fármacos, la ciencia de materiales, la modelización climática y los diagnósticos. La verdadera revolución de la IA no llegará a tu bandeja de entrada. Ya está sucediendo en lugares que la mayoría de la gente nunca mira, resolviendo problemas que la mayoría de la gente ni siquiera sabía que existían. Eso no es un error, es una característica. La mejor tecnología desaparece en la infraestructura, haciendo lo imposible rutinario sin fanfarria.
Que pasa despues
La divergencia se acelera. Dentro de 12 meses, veremos cómo la primera gran empresa de IA para consumidores cierra o se transforma radicalmente. Apuesto a que una de las startups de texto a video que quema capital de riesgo no tiene camino hacia la rentabilidad. Mientras tanto, las compañías farmacéuticas anunciarán los primeros fármacos diseñados de principio a fin con asistencia de IA entrando en ensayos de Fase III. Moderna y Absci ya están avanzando candidatos. Esto crea una extraña división: los medios convencionales declaran un invierno de IA mientras que Nature publica avances tras avances. El comodín que nadie está viendo: los sistemas híbridos de cuántica-IA. El chip cuántico Willow de Google, anunciado en diciembre de 2024, ahora puede resolver ciertos problemas en minutos que llevarían a las computadoras clásicas 10 septillones de años. El momento en que alguien descubra cómo combinar el aumento exponencial de velocidad de la computadora cuántica con el reconocimiento de patrones de la IA, el descubrimiento de materiales y el diseño de fármacos se comprimen de meses a días. Eso no está a cinco años. Los laboratorios en IBM, Microsoft y firmas cuánticas chinas están compitiendo hacia este objetivo exacto en este momento. El primer equipo que descubra la simulación molecular mejorada por cuántica hará que los avances actuales de la IA parezcan calculadoras de bolsillo. La próxima ola de financiación fluye hacia proyectos de integración multimodal. Espera anuncios importantes sobre sistemas de monitoreo oceánico, plataformas de descubrimiento arqueológico y modelización de ecosistemas dentro de 18 meses. La National Science Foundation y el Consejo Europeo de Investigación ya están solicitando propuestas para sistemas de IA que combinen imágenes satelitales, redes de sensores y datos históricos. China está construyendo discretamente el sistema de monitorización oceánica por IA más grande del mundo a través de su Iniciativa de la Ruta y la Seda, instalando sensores en el Mar del Sur de China y el Océano Índico. Quien controle estos conjuntos de datos integrados controlará los recursos estratégicos del siglo XXI, desde pesquerías hasta minerales raros y predicción de pandemias. Los gobiernos redirigirán discretamente la financiación de IA de la investigación de chatbots hacia aplicaciones científicas estratégicas. La Ley CHIPS y Ciencia de EE.UU. ya asignó $280 mil millones parcialmente para la investigación de semiconductores acelerada por IA. El 14º Plan Quinquenal de China prioriza explícitamente la IA para la ciencia de materiales y el descubrimiento de fármacos sobre aplicaciones para consumidores. El colapso del hype mejorará de hecho el campo al eliminar estafas y reenfocar el capital en problemas donde la IA funciona demostrablemente. Dentro de dos años, miraremos atrás a la era ChatGPT como el momento en que la IA dejó de intentar reemplazar a los humanos y comenzó a aumentar nuestra capacidad de resolver problemas realmente difíciles. Los investigadores que pasen de generar copias de marketing a integrar conjuntos de datos oceanográficos serán quienes realmente cambien el mundo.
Lo que nos dice la historia
Este patrón se repite cada 30 años como un reloj. La década de 1960 trajo el primer ciclo de exageración de IA, prometiendo inteligencia a nivel humano en una generación. DARPA retiró la financiación en 1974 después de que los sistemas no pudieran manejar el sentido común básico. El auge de los sistemas expertos en los años 80 se estrelló en 1987 cuando las empresas se dieron cuenta de que la IA basada en reglas no podía escalar. El renacimiento de las redes neuronales de finales de los 90 murió en los 2000 cuando las máquinas de soporte vectorial resultaron ser más fiables. Cada invierno siguió el mismo arco: promesa excesiva en inteligencia general, entrega insuficiente en aplicaciones limitadas, colapso de financiación, los investigadores se retiran a los laboratorios. La diferencia esta vez es que la IA estrecha realmente funciona para dominios específicos. Los ciclos anteriores se estrellaron porque la tecnología fundamentalmente no podía resolver los problemas que prometía abordar. Los perceptrones no podían manejar problemas no lineales. Los sistemas expertos no podían adquirir conocimiento a escala. Pero AlphaFold realmente predice estructuras de proteínas. GraphCast realmente pronostica el clima mejor que los modelos físicos. Las aplicaciones científicas tienen validación empírica, resultados publicados y resultados reproducibles. El colapso golpeará las promesas no cumplidas de la IA para consumidores mientras deja intacto el trabajo científico validado. Eso es nuevo.
Impacto en los mercados
Los fabricantes de chips de IA enfrentan un ajuste de cuentas, pero no el que todos esperan. NVIDIA cotiza a $126 por acción a partir de junio de 2024, un aumento del 180% interanual, con una relación P/E futura de 45. Esa valoración asume un crecimiento perpetuo exponencial en la demanda de computación de IA. Cuando el hype de la IA para consumidores se desplome, el CAPEX de los hiperescaladores se estabilizará, afectando duramente los ingresos del centro de datos de NVIDIA. A corto plazo bajista en NVDA, pero cualquiera que apueste contra ellos a largo plazo está loco. La IA científica y la optimización industrial apenas están comenzando, y esos clientes realmente tienen presupuestos y cálculos de ROI. La verdadera jugada son las empresas de biotecnología con serias asociaciones de IA. Recursion Pharmaceuticals (RXRX, actualmente $6.85) tiene colaboraciones con Roche y Bayer utilizando IA para el descubrimiento de fármacos. Absci Corporation (ABSI, $2.40) utiliza aprendizaje automático para el diseño de anticuerpos y tiene asociaciones con Merck. Estas acciones están deprimidas en el actual invierno biotecnológico, pero posicionadas para un crecimiento explosivo cuando los fármacos diseñados por IA lleguen a ensayos avanzados. Alcista en ambas con horizontes de 18-24 meses. Las jugadas de ciencia de materiales son más difíciles de aislar, pero observe a las empresas expuestas a la innovación en baterías. QuantumScape (QS, $5.65) está desarrollando baterías de estado sólido usando diseño computacional. Alcista si anuncian asociaciones de materiales aceleradas por IA. En el lado de la infraestructura, los REITs de centros de datos como Digital Realty Trust (DLR, $149) se benefician del desarrollo de computación científica independientemente del destino de la IA para consumidores. La demanda de computación por el plegamiento de proteínas, la modelización climática y la simulación de materiales no irá a ninguna parte. Largo en DLR como una jugada defensiva de infraestructura de IA que sobrevive al colapso del hype.