La gran corrección del hype de la IA en 2025: cuatro claves para entender el reajuste de expectativas

El artículo de MIT Technology Review sostiene que 2025 ha sido el año en que la burbuja narrativa en torno a la IA generativa —no necesariamente la tecnología en sí— ha empezado a desinflarse. Desde que OpenAI lanzó ChatGPT a finales de 2022, el sector vivió una escalada constante de anuncios cada vez más grandilocuentes (voz, imagen, vídeo, razonamiento), y los directivos de las grandes compañías de IA llegaron a prometer que la tecnología sustituiría al trabajo de oficina, traería una era de abundancia y aceleraría el descubrimiento científico y médico. Ese miedo a quedarse atrás (FOMO) empujó a empresas de todo el mundo, especialmente en el Norte Global, a lanzarse a adoptar IA sin que, según varios estudios citados en el texto, los resultados acompañasen esas expectativas.

El episodio que cristalizó el cambio de ánimo fue el lanzamiento de GPT-5 en agosto, precedido de meses de hype por parte de Sam Altman, quien llegó a describirlo como un modelo con nivel de "doctorado en cualquier materia" e insinuó con una imagen de la Estrella de la Muerte de Star Wars que se avecinaba algo de poder descomunal. Cuando el modelo finalmente se presentó, la sensación generalizada fue de continuidad más que de salto cualitativo. El investigador y youtuber Yannic Kilcher declaró que "la era de los avances que rompen límites ha terminado" y que la AGI no está llegando, comparando el momento actual de los grandes modelos de lenguaje (LLM) con la etapa de maduración de los smartphones, donde las novedades anuales ya no sorprenden al gran público aunque la tecnología de fondo siga siendo relevante.

El texto plantea cuatro maneras de interpretar este reajuste sin caer en el extremo opuesto de descartar la tecnología. La primera es que los LLM no son la puerta de acceso a la inteligencia artificial general (AGI). Incluso Ilya Sutskever, cofundador de Safe Superintelligence y antiguo científico jefe de OpenAI, reconoce ahora las limitaciones de la tecnología que ayudó a crear: en una entrevista con Dwarkesh Patel en noviembre, explicó que estos modelos generalizan mucho peor que las personas, porque aprenden a resolver tareas específicas sin captar los principios subyacentes. El artículo atribuye buena parte de la sobreventa de expectativas a que el uso fluido del lenguaje por parte de los modelos nos predispone a percibir una mente humana donde solo hay un patrón estadístico muy sofisticado.

La segunda clave es que la IA no es una solución mágica e inmediata para todos los problemas empresariales. Un estudio del MIT publicado en julio, que se convirtió en argumento central de los escépticos, encontró que el 95% de las empresas que habían probado IA no habían obtenido ningún valor de ella. Sin embargo, el propio artículo matiza ese dato: esa cifra se refiere solo a compañías que implementaron sistemas de IA a medida y no habían logrado escalarlos más allá de la fase piloto en seis meses, y no incluye el uso informal de chatbots por parte de empleados al margen de proyectos oficiales —una especie de "economía sumergida" de IA que, según el mismo estudio del MIT, existía en torno al 90% de las empresas encuestadas, aunque su valor no se midió—. Un estudio de Upwork de noviembre mostró además que los agentes basados en modelos de OpenAI, Google DeepMind y Anthropic fallaban en muchas tareas laborales sencillas cuando actuaban solos, pero mejoraban notablemente cuando colaboraban con personas que sabían lo que hacían. Esto choca con la predicción de Altman de que en 2025 los agentes de IA "se incorporarían a la plantilla" y cambiarían materialmente la producción de las empresas. El investigador Andrej Karpathy, acuñador del término "vibe coding", resume la situación señalando que los chatbots superan a la persona media en muchas tareas (asesoría legal básica, depuración de código, matemáticas de instituto) pero no a un experto humano, lo que explicaría por qué han calado entre consumidores individuales sin aún trastocar la economía laboral.

La tercera clave aborda el debate sobre si existe una burbuja de IA y, en caso afirmativo, de qué tipo. El artículo contrasta dos precedentes: la burbuja de las hipotecas subprime de 2008, que al estallar no dejó nada de valor tras de sí salvo deuda, y la burbuja puntocom de 2000, que sí dejó una infraestructura de internet y compañías que luego se convirtieron en gigantes como Google o Amazon. Con la IA actual no está claro cuál de los dos escenarios aplica, en parte porque todavía no existe un modelo de negocio consolidado para los LLM ni una "aplicación estrella" (killer app) evidente, y preocupa la magnitud de la inversión en infraestructura de centros de datos ante una demanda futura incierta, agravada por acuerdos financieros circulares (como los pagos entre Nvidia y OpenAI) que generan suspicacia. Frente a ese pesimismo, el inversor Glenn Hutchins, cofundador de Silver Lake Partners, argumentó en el pódcast Technology Business Programming Network que casi todos los grandes centros de datos ya tienen una contraparte solvente contratada para absorber su producción —citando a Microsoft, con su calificación crediticia, como ejemplo de comprador garantizado—. El artículo también recuerda que tras el estallido puntocom sobrevivieron las empresas con suficiente capital para aguantar, y pone como ejemplo a Synthesia, una startup de avatares generados por IA que el inversor Nathan Benaich (cofundador de Air Street Capital) inicialmente no veía viable, y que hoy cuenta con unos 55.000 clientes corporativos, factura cerca de 150 millones de dólares al año y fue valorada en 4.000 millones de dólares en octubre.

La cuarta clave recuerda que ChatGPT no fue un punto de partida absoluto ni será el final del camino: es la culminación de una década de avances en aprendizaje profundo, cuyas raíces se remontan a los años ochenta y cuyo campo como tal lleva gestándose desde los años cincuenta. Lejos de estancarse, la investigación académica en IA está en un momento de efervescencia: las principales conferencias del sector han tenido que rechazar este año más artículos de calidad de los que podían gestionar, aunque paralelamente los repositorios de preprints como arXiv se han visto inundados de contenido de baja calidad generado por IA. Sutskever describe el momento actual como un regreso "a la era de la investigación", no como un callejón sin salida. Benaich defiende que el exceso de entusiasmo también tiene un lado positivo, porque atrae dinero y talento: hace apenas dos o tres años quienes construían estos modelos eran, en sus palabras, "investigadores aficionados que tropezaron con algo que funcionaba", mientras que ahora trabaja en ello todo profesional relevante del sector tecnológico.

El texto concluye que esta corrección del hype era necesaria y esperable, que el péndulo no debería oscilar hacia el extremo contrario de desestimar la tecnología, y que entre los "wow" genuinos de los últimos años —saltos en generación de vídeo, modelos de razonamiento, victorias en competiciones de programación y matemáticas, o herramientas como Nano Banana Pro de Google DeepMind, capaz de convertir un capítulo de libro en una infografía de forma gratuita— conviven limitaciones reales, costes económicos y medioambientales considerables, y una enorme incertidumbre sobre si el gasto actual se verá recompensado. La IA, resume el artículo, no va a desaparecer, pero tampoco se entiende todavía del todo ni siquiera lo que ya se ha construido, y mucho menos lo que vendrá después.