Fundamentoshistoria ia
Historia y evolución de la IA: hitos y fechas
Recorre la historia y evolución de la IA desde sus primeros hitos hasta la IA generativa, con fechas contrastadas y una cronología clara y útil.
- Autor: humAIns
- 9 min de lectura
índice · 6 apartados
La historia y evolución de la inteligencia artificial no empieza con ChatGPT ni tiene una única «primera IA». Como disciplina, suele fecharse en 1956, cuando se celebró el proyecto de investigación de Dartmouth; su propuesta, firmada por cuatro investigadores, está fechada el 31 de agosto de 1955. Antes hubo ideas sobre máquinas, lógica y cálculo; después se alternaron sistemas de reglas, aprendizaje estadístico, redes neuronales y modelos generativos. Seguir esos cambios ayuda a entender por qué la IA actual puede ser útil y, a la vez, equivocarse.
Qué significa hablar del origen de la IA
Conviene separar tres preguntas que a menudo se mezclan: cuándo surgieron ideas precursoras, cuándo se propuso el nombre «inteligencia artificial» y cuándo apareció un programa considerado inteligente. La respuesta cambia según el criterio. Un autómata que ejecuta una acción no es lo mismo que un sistema que manipula símbolos o aprende de ejemplos, y ninguno por sí solo fija el nacimiento de toda una disciplina.
Por eso, esta cronología distingue documentos, reuniones y desarrollos técnicos. «Primero» significa aquí un hito influyente o temprano documentado, no una competición con ganador indiscutible. La historia de la inteligencia artificial de ELLIS Alicante ofrece contexto académico; los documentos originales de Turing y Dartmouth permiten comprobar algunos hitos directamente.
Cronología de la inteligencia artificial
| Hito | Fecha documentada | Fuente | Por qué importa |
|---|---|---|---|
| Alan Turing plantea la pregunta «¿pueden pensar las máquinas?» | 1950 | Artículo en Mind | Propone evaluar el comportamiento conversacional de una máquina, desplazando la discusión hacia una prueba observable. |
| Propuesta del proyecto de Dartmouth | 31 de agosto de 1955 | Documento original | McCarthy, Minsky, Rochester y Shannon proponen estudiar la inteligencia artificial durante el verano siguiente. El nombre aparece explícitamente en la propuesta. |
| Reunión de Dartmouth | Verano de 1956 | Propuesta y contexto | El encuentro se convirtió en referencia fundacional del campo; no ocurrió en la fecha de redacción de la propuesta. |
| Sistemas expertos | Década de 1970 | Historia académica | Codifican conocimiento especializado y reglas para apoyar tareas delimitadas, como diagnóstico o configuración. |
| Aprendizaje automático estadístico | Décadas de 1980-1990 | Historia académica | El énfasis se desplaza de escribir cada regla a ajustar modelos a partir de ejemplos y evaluar su rendimiento. |
| Retropropagación para redes multicapa | 1986 | Rumelhart, Hinton y Williams, Nature | El método hizo viable entrenar redes neuronales con capas ocultas y contribuyó al desarrollo posterior del deep learning. |
| Transformer | 2017 | Artículo original, NeurIPS | La arquitectura basada en atención se convirtió en base de muchos modelos de lenguaje y sistemas generativos actuales. |
| ChatGPT disponible al público como vista previa de investigación | 30 de noviembre de 2022 | Anuncio de OpenAI | La interfaz conversacional acercó los modelos generativos a millones de personas; no marca el inicio de la IA generativa como investigación. |
La propuesta de Dartmouth describe un estudio de dos meses en el verano de 1956 y está firmada por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon. El documento lleva fecha de 1955. De ahí la diferencia entre «cuándo se propuso el proyecto» y «cuándo tuvo lugar la reunión». El artículo de Turing, publicado en 1950, es un antecedente intelectual importante, no el acta de nacimiento de un campo que aún no tenía ese nombre.
Del razonamiento escrito a mano al aprendizaje
En la primera etapa de la IA simbólica, los investigadores representaban hechos y reglas de forma explícita. Un programa podía explorar combinaciones de símbolos para demostrar un teorema o resolver un problema formal. El Logic Theorist, desarrollado por Allen Newell, Herbert Simon y J. C. Shaw en 1955-56, es un ejemplo temprano: encontró demostraciones de teoremas de lógica. Fue un paso destacado, no una respuesta definitiva a «cuál fue la primera IA».
Los sistemas expertos retomaron la representación explícita del conocimiento en dominios concretos. En vez de aprender una destreza general, combinaban una base de conocimiento con reglas para recomendar o clasificar. En un escenario profesional, un sistema de diagnóstico podía aplicar reglas «si-entonces» codificadas por especialistas. Su ventaja era trabajar de manera trazable dentro del dominio; su límite, que el conocimiento y las excepciones debían mantenerse y el sistema no se adaptaba automáticamente a ejemplos nuevos.
El aprendizaje automático cambió el centro de gravedad: en lugar de programar todas las reglas, se proporcionan datos y un método de aprendizaje para ajustar un modelo. Por ejemplo, un clasificador de solicitudes puede aprender patrones de mensajes etiquetados por un equipo y sugerir una categoría para otros mensajes. La calidad depende de los datos, del objetivo y de las pruebas: el modelo no convierte automáticamente una correlación en una explicación causal. La guía de cómo funciona la inteligencia artificial desarrolla las etapas de entrenamiento y evaluación.
Deep learning y modelos generativos
Las redes neuronales profundas son modelos con múltiples capas que aprenden representaciones a partir de datos. El trabajo sobre retropropagación de Rumelhart, Hinton y Williams, publicado en 1986, mostró cómo ajustar redes con capas ocultas; no hizo que la IA avanzara en línea recta ni resolvió de inmediato las limitaciones de cómputo y datos. El crecimiento de capacidad de cálculo, disponibilidad de datos y mejoras de arquitectura contribuyó a su renovado éxito práctico décadas después.
En 2017, el artículo «Attention Is All You Need» presentó la arquitectura Transformer. Este hito técnico fue importante para modelos de lenguaje posteriores, pero no equivale por sí solo a la aparición de ChatGPT. OpenAI anunció ChatGPT como vista previa de investigación el 30 de noviembre de 2022. La conversación en lenguaje natural convirtió una capacidad avanzada en una herramienta accesible para redactar, resumir, traducir o generar código.
La IA generativa produce contenido nuevo a partir de patrones aprendidos: no es una enciclopedia que garantice recuperar hechos correctos. Un texto fluido puede contener errores, omisiones o invenciones. Para profundizar en la diferencia entre generación y otras tareas, consulta qué es la IA generativa y el glosario de IA 2026.
Inviernos de la IA: por qué el progreso no es lineal
Las expectativas han superado en varias ocasiones lo que la tecnología podía ofrecer. Cuando los sistemas no cumplieron promesas ambiciosas, el interés y la financiación disminuyeron; estos periodos se conocen como «inviernos de la IA». No hubo una sola fecha universal de comienzo y final: varían según el área y la fuente. Lo importante es el patrón: una demostración prometedora no garantiza una solución robusta, económica y útil en condiciones reales.
Un sistema experto podía funcionar bien con reglas acotadas y fallar ante una excepción no prevista. Una red neuronal podía necesitar más datos o potencia de cálculo de la disponible. Un modelo generativo puede redactar con soltura pero inventar una referencia. En cada etapa, el resultado depende de qué problema se plantea, con qué datos, recursos y criterio de evaluación. Las temporadas de entusiasmo no eliminan esos límites.
Qué explica esta historia sobre la IA actual
La evolución de la IA no es una marcha inevitable hacia máquinas que piensan como personas. Son métodos distintos para tareas distintas, desarrollados bajo restricciones concretas. Las reglas explícitas pueden ser adecuadas para procesos estables y auditables; los modelos aprendidos, para detectar patrones en ejemplos; la generación, para producir borradores que una persona puede revisar. No hay una técnica universalmente superior.
Para un profesional, esta perspectiva se traduce en preguntas prácticas:
- ¿Qué tarea delego? Define una salida concreta —clasificar, resumir, proponer un borrador— en vez de pedir «que la IA se encargue» de un proceso entero.
- ¿Con qué evidencia se evalúa? Comprueba el resultado con casos representativos y mide los errores relevantes, no solo la fluidez o una demostración atractiva.
- ¿Qué conocimiento y datos intervienen? Revisa la procedencia, calidad y permisos de la información; los resultados dependen de su contexto.
- ¿Quién responde por la decisión? Una recomendación o un contenido generado no transfiere la responsabilidad profesional al sistema.
Si quieres entender el mecanismo actual, empieza por cómo funciona la inteligencia artificial; para orientarte entre términos y conceptos, vuelve al glosario de IA. La formación en IA aplicada a marketing puede ser un siguiente paso para explorar usos profesionales: consulta su ficha para confirmar que encaja con tus objetivos, sin asumir que sea un curso de historia de la disciplina.
Preguntas frecuentes
¿Cuándo se creó la primera inteligencia artificial?
No existe una fecha única porque depende de qué se llame IA. Logic Theorist, desarrollado en 1955-56, es uno de los programas tempranos más citados; Dartmouth se refiere al origen institucional del campo y su reunión tuvo lugar en 1956. Son hitos relacionados, pero no intercambiables.
¿Quién propuso el término inteligencia artificial?
John McCarthy propuso el proyecto de Dartmouth y empleó el término en el documento de 1955. Lo firmaron también Marvin Minsky, Nathaniel Rochester y Claude Shannon. La propuesta convocaba una reunión de investigación para el verano de 1956.
¿Cuál fue la primera inteligencia artificial?
No hay consenso sobre una única «primera». Se puede hablar de autómatas, programas de razonamiento simbólico, redes que aprenden o sistemas expertos, pero son categorías diferentes. Logic Theorist suele citarse como un programa pionero; llamarlo sin matices la primera IA ocultaría esa diferencia.
¿Qué cambió con la IA generativa?
Hizo posible pedir contenido en lenguaje cotidiano y recibir texto, imágenes, audio o código, lo que amplió el acceso a modelos entrenados con grandes conjuntos de datos. La novedad de uso masivo no elimina los límites: el resultado puede ser plausible y falso, así que hay que verificarlo.
Un siguiente paso profesional
La historia deja una idea útil: la IA no reemplaza el criterio sobre qué tarea merece automatizarse ni cómo comprobar el resultado. Si trabajas en marketing y quieres explorar aplicaciones prácticas, consulta el curso de IA para marketing y su programa actualizado antes de decidir.
Sigue leyendo en humAIns