Setenta años de ideas, ciclos y transformaciones
La inteligencia artificial es un área de la informática que ha tenido un impacto significativo en el desarrollo tecnológico de nuestra sociedad. Aunque hoy suele presentarse como una innovación reciente, su historia se extiende por más de siete décadas y está marcada por ciclos recurrentes de entusiasmo y desencanto. Abordar esta trayectoria histórica no es un ejercicio académico, sino una herramienta fundamental para comprender cómo se construyen las expectativas en torno a la tecnología y por qué su adopción, especialmente en industrias culturales como el periodismo, depende menos de los avances técnicos que de las decisiones organizacionales, los contextos económicos y las prácticas profesionales que la rodean.
Desde sus orígenes a mediados de la década de 1950, la IA ha logrado avances significativos, desde programas capaces de jugar ajedrez hasta sistemas que diagnostican enfermedades, conducen vehículos, producen imágenes, texto y video, y asisten en tareas cognitivas complejas. Abordar la inteligencia artificial desde una perspectiva histórica permite comprender que los desarrollos actuales no constituyen un quiebre aislado, sino la aceleración de ideas, técnicas y debates que se vienen gestando desde hace décadas. En el campo del periodismo, este recorrido resulta clave para contextualizar por qué muchas de las promesas asociadas a la automatización, la eficiencia o la personalización ya tuvieron antecedentes, con impactos desiguales según la forma en que fueron integradas en las redacciones.
A lo largo de su historia, la IA ha experimentado altibajos conocidos como los "veranos" e "inviernos" de esta tecnología, donde el optimismo y la inversión se han alternado con extensos lapsos de escepticismo y recortes en su financiación. Paralelamente al desarrollo tecnológico, la cultura popular ha desempeñado un rol clave en la construcción del imaginario social sobre la inteligencia artificial. Obras como 2001: A Space Odyssey, Blade Runner, The Matrix, Westworld o Black Mirror, junto con el libro I, Robot de Isaac Asimov, no sólo anticiparon dilemas técnicos, sino que ayudaron a formular preguntas sobre poder, control, responsabilidad y autonomía. Durante décadas, estas narrativas presentaron a la IA como una entidad excepcional o amenazante. En los últimos años, estas preguntas dejaron de pertenecer exclusivamente a la ficción y comenzaron a instalarse en debates públicos, regulatorios y profesionales.
En este punto resulta esencial diferenciar entre los dos principales tipos de IA. La IA débil, también conocida como IA estrecha, refiere a sistemas diseñados para realizar tareas específicas sin poseer conciencia ni entendimiento propio. La totalidad de los sistemas actuales pertenecen a esta categoría, incluso aquellos modelos de razonamiento lanzados entre 2024 y 2025 que exhiben capacidades avanzadas de planificación y resolución de problemas. Éstos continúan siendo sistemas especializados que operan dentro de dominios acotados, sin conciencia ni comprensión genuina del mundo. Por su parte, la IA fuerte o general describe un escenario teórico en el que una máquina podría comprender, aprender y razonar de manera comparable a un ser humano. Aunque continúa siendo un horizonte especulativo, el debate sobre sus implicancias éticas, políticas y sociales volvió a cobrar centralidad a partir de los avances recientes.
La irrupción de ChatGPT a fines de 2022 marcó el inicio del último gran verano, llegando a un punto de inflexión decisivo que se extiende hasta el año 2026. Este hito no representó solo un avance técnico puntual, sino un cambio estructural en la forma en que la IA se volvió accesible, cotidiana y operativa para millones de personas sin formación técnica. Este nuevo ciclo se explica, en gran medida, por la consolidación del lenguaje natural como interfaz universal entre humanos y máquinas, reduciendo de forma drástica los costos cognitivos asociados a su uso.
Entre 2023 y 2026 ese verano inicial mutó hacia la integración selectiva, la construcción de sistemas productivos y la definición de políticas institucionales. Lo que en 2023 era novedad, en 2026 se convirtió en infraestructura. La IA dejó de ser únicamente un conjunto de herramientas aisladas para convertirse en un ecosistema de tecnologías interconectadas: modelos multimodales que procesan texto, imagen, audio y video de manera integrada, agentes que ejecutan tareas en cadena con supervisión variable, y arquitecturas que combinan generación, recuperación de información y razonamiento.
Sin embargo, el escenario contemporáneo propone un desplazamiento significativo: la inteligencia artificial dejó de ser una figura extraordinaria para convertirse en una presencia integrada en procesos cotidianos, muchas veces de forma omnipresente. En este sentido, la IA puede entenderse como una nueva capa estructural de la práctica profesional, comparable al rol que en su momento cumplieron el SEO, las plataformas sociales o la analítica de audiencias. Este pasaje explica por qué la conversación contemporánea sobre la IA ya no se limita a la innovación tecnológica, sino que involucra regulación, derechos de autor, soberanía tecnológica, modelos de negocio y confianza social, especialmente en el campo del periodismo y los medios.
Comprender este recorrido histórico permite avanzar en los capítulos de esta guía con una mirada menos fascinada por la novedad y más atenta a los criterios, marcos y responsabilidades que exige una integración sostenible de la inteligencia artificial en las redacciones.
Línea de tiempo de la IA
La historia de la IA es densa y vertiginosa. Para recorrerla en detalle, con cada hito, referencia y contexto, se desarrolló una línea de tiempo interactiva. Desde el Test de Turing en 1950 hasta la consolidación de la IA soberana en 2026, setenta años de ideas, personas y decisiones que explican el presente.
Explorar la línea de tiempoDefinición de términos asociados a la inteligencia artificial
El campo de la inteligencia artificial tiene su propio vocabulario, denso y en permanente expansión. Construir ese lenguaje compartido entre periodistas, responsables editoriales, equipos de producto y responsables de tecnología es lo que permite pasar de la fascinación o el escepticismo a decisiones concretas y fundamentadas.
Los términos de este glosario no están organizados alfabéticamente. Siguen el orden de las capas tecnológicas que componen la inteligencia artificial, de la más general a la más específica. Cada capa depende de la anterior para existir y funcionar.
Términos fundamentales para navegar el ecosistema de la IA
La inteligencia artificial permite a las máquinas imitar funciones cognitivas humanas, como el aprendizaje y la solución de problemas. Pensemos en un sistema capaz de interpretar y responder preguntas en lenguaje natural, similar a cómo lo haría un ser humano durante una conversación.
Es la capacidad de un sistema informático de aprender y mejorar su rendimiento sin ser programado explícitamente para ello. En términos más simples, imaginemos un sistema que puede aprender a jugar al ajedrez por sí mismo, analizando millones de partidas y mejorando su estrategia con cada jugada.
El Deep Learning es un tipo de aprendizaje automático basado en redes neuronales artificiales con múltiples capas. Estas redes pueden aprender patrones complejos en grandes volúmenes de datos, de manera similar a cómo los seres humanos identificamos y procesamos la información, ya que están inspiradas en el funcionamiento del cerebro humano.
Rama de la IA que se enfoca en la interacción entre computadoras y seres humanos a través del lenguaje natural, permitiendo a las máquinas entender, interpretar y generar lenguaje humano.
La visión por computadora permite a las máquinas "ver" e interpretar contenido visual de la misma manera que lo hacen los seres humanos. Es la capacidad de un sistema informático para interpretar y comprender imágenes y videos.
Es el término que se utiliza para referirse a grandes conjuntos de datos que son difíciles de procesar con herramientas tradicionales. Estas enormes cantidades de información pueden ser analizadas computacionalmente para revelar patrones, tendencias y asociaciones, especialmente relacionados con comportamientos e interacciones humanas.
Los algoritmos son conjuntos de instrucciones que le dicen a un sistema informático cómo realizar una tarea. Estos sistemas analizan el comportamiento y preferencias de sus usuarios para sugerir contenido relevante y personalizado de forma similar a como lo hacen las plataformas de entretenimiento.
Son las unidades básicas en las que los modelos de lenguaje dividen el texto para procesarlo. Un token puede ser una palabra completa, parte de una palabra o un signo de puntuación. Los modelos tienen límites de tokens que determinan cuánta información pueden procesar o generar en una sola interacción.
Es la cantidad máxima de información (medida en tokens) que un modelo de IA puede procesar simultáneamente. Determina cuánto texto puede "recordar" o considerar al generar respuestas.
Son representaciones matemáticas de información (texto, imágenes, audio) en forma de vectores numéricos. Permiten que las máquinas "comprendan" similitudes semánticas entre conceptos, incluso cuando se expresan con palabras diferentes.
Es el proceso de entrenar un modelo de IA previamente entrenado con datos específicos de un dominio, organización o estilo particular. Permite adaptar modelos generales a necesidades específicas sin tener que entrenar un modelo completo desde cero.
Es una técnica que combina la capacidad generativa de la IA con la búsqueda de información en bases de datos específicas. En lugar de depender únicamente del conocimiento entrenado en el modelo, el sistema primero recupera información relevante de documentos o bases de datos, y luego genera respuestas basadas en esa información actualizada y verificable.
Las APIs son herramientas que permiten que diferentes sistemas de software se comuniquen entre sí de manera eficiente. Funcionan como un conjunto de reglas y protocolos que una aplicación puede seguir para acceder a servicios y datos de otra aplicación.
La inteligencia artificial generativa se especializa en producir contenido nuevo a partir de datos digitalizados ya existentes. Imaginemos un sistema que puede componer música, escribir poemas o diseñar imágenes basándose en estilos aprendidos de grandes conjuntos de datos.
Son sistemas de IA capaces de procesar y generar múltiples tipos de contenido simultáneamente: texto, imágenes, audio y video. Pueden entender relaciones entre diferentes modalidades y producir outputs que combinan varios formatos.
Es una aplicación de software diseñada para simular conversaciones con usuarios humanos a través de internet. Utiliza la inteligencia artificial y el procesamiento del lenguaje natural para entender las consultas del usuario y proporcionar respuestas automáticas. Los chatbots modernos evolucionan hacia agentes conversacionales más sofisticados capaces de realizar tareas complejas y mantener contexto a lo largo de múltiples interacciones.
Los agentes son sistemas de inteligencia artificial capaces de actuar de manera autónoma para completar tareas complejas que requieren múltiples pasos. A diferencia de los modelos tradicionales que responden a un prompt único, los agentes pueden planificar, ejecutar acciones secuenciales, usar herramientas y ajustar su comportamiento según los resultados obtenidos.
Es la coordinación automatizada de múltiples sistemas, herramientas o agentes de IA para completar flujos de trabajo complejos. Implica diseñar cómo diferentes componentes tecnológicos trabajan juntos de manera secuencial o paralela.
El vibe coding describe una forma de trabajar con IA generativa en la que el usuario describe sus objetivos, intenciones o el "espíritu" de lo que quiere lograr en lenguaje natural, sin especificar instrucciones técnicas precisas. El término, acuñado por el investigador Andrej Karpathy a principios de 2025, captura una modalidad de interacción más intuitiva y exploratoria.
Son restricciones y filtros programados en sistemas de IA para prevenir outputs inapropiados, inexactos o que violen políticas editoriales. Funcionan como límites que guían el comportamiento del sistema dentro de parámetros aceptables.
Con este término se identifica a la información generada por un modelo de IA que parece coherente y convincente pero que es factualmente incorrecta o inventada. Es uno de los principales riesgos en el uso de IA generativa para periodismo.
Es la capacidad de rastrear y documentar el origen de contenido generado por IA, incluyendo qué modelo se usó, qué datos alimentaron el proceso, qué prompts se emplearon y qué intervenciones humanas ocurrieron. Es fundamental para garantizar la transparencia y la responsabilidad editorial.
El blockchain es una tecnología de registro distribuido que asegura la integridad y transparencia de los datos almacenados en una red de computadoras. Funciona como un libro contable digital en el que cada bloque de información está enlazado y cifrado con el bloque anterior, formando una cadena inalterable.
¿Qué es un prompt?
En el contexto de la inteligencia artificial generativa, un prompt es la instrucción o conjunto de instrucciones que se le da a un sistema para inducir una respuesta específica o generar contenido nuevo. El prompt actúa como un disparador, orientando al modelo sobre qué tipo de información debe producir o qué tarea realizar.
Cómo funciona un prompt paso a paso
Ejemplo práctico avanzado
En 2026, el uso profesional de la IA generativa en redacciones ya trasciende los prompts únicos. Las tareas periodísticas más complejas requieren cadenas de instrucciones donde cada paso alimenta el siguiente. El siguiente ejemplo ilustra cómo una redacción puede diseñar un sistema de prompts para producir una cobertura especial sobre agua y acceso al recurso hídrico en América Latina.
Este flujo en tres pasos ilustra el salto cualitativo entre usar IA como generador de texto y usarla como parte de un sistema editorial con criterios explícitos, restricciones definidas y supervisión humana en cada etapa. El periodista organiza el proceso, lo supervisa y toma las decisiones finales. La IA amplía su capacidad de procesamiento y acelera etapas intermedias; el juicio editorial sigue siendo responsabilidad humana.
Reflexión final
Dominar la terminología de la IA es una condición para participar con criterio propio en las decisiones que hoy atraviesan todas las redacciones: qué automatizar y qué preservar, cómo supervisar sistemas generativos, dónde establecer límites editoriales y cómo comunicar a las audiencias el rol de estas tecnologías en la producción de contenido.
El ecosistema de la IA seguirá produciendo nuevos términos, sistemas y capacidades. Lo que permanece constante es la necesidad de evaluarlos desde una perspectiva periodística: qué problema editorial resuelven, qué riesgos introducen y qué principios deben gobernar su uso. Con ese marco, el glosario de este capítulo funciona como punto de partida para continuar aprendiendo en un campo que no dejará de moverse.