La IA tiene casi setenta años y ha repetido varias veces el mismo ciclo: una idea brilla en demos, las promesas superan a los resultados y el financiamiento se congela. Conocer ese ciclo ayuda a distinguir lo que cambió de verdad de lo que solo cambió de nombre.
Veamos la historia con ojos de ingeniería, con una sola pregunta por ola: ¿qué cambió en lo que construimos?
Línea de tiempo
| Año | Hito | Qué cambió para quien construye |
|---|---|---|
| 1956 | Taller de Dartmouth | Nace el campo; la inteligencia se trata como manipulación de símbolos |
| 1958 | Perceptrón (Rosenblatt) | Primera máquina que ajusta pesos a partir de ejemplos |
| 1969–1974 | Perceptrons, informe Lighthill | Primer invierno: se recortan fondos y expectativas |
| 1980s | Sistemas expertos | El conocimiento se codifica a mano como reglas si… entonces |
| 1986 | Backpropagation (Rumelhart, Hinton, Williams) | Se pueden entrenar redes de varias capas |
| 1987–1990s | Segundo invierno | Las reglas escritas a mano son caras de mantener |
| 1995–2000s | SVMs, ML estadístico | El trabajo pasa a los datos y al diseño de features |
| 2009–2012 | ImageNet, AlexNet en GPUs | Deep learning: las features se aprenden solas |
| 2013–2014 | word2vec, seq2seq, atención | El texto se vuelve vectores y secuencias |
| 2017 | Transformer | Una arquitectura paralelizable para todo el lenguaje |
| 2018–2020 | GPT, BERT, scaling laws, GPT-3 | Preentrenar una vez, adaptar muchas; el prompt como interfaz |
| 2022 | InstructGPT, ChatGPT | Modelos que siguen instrucciones, para el público general |
| 2023 | LLaMA, Llama 2, function calling | Pesos abiertos; el modelo pide acciones a tu código |
| 2024–2025 | MCP, agentes de código, "vibe coding" | Gobernar modelos que actúan |
De las reglas a los datos
En el verano de 1956 se realizó en Dartmouth un taller cuya propuesta, firmada en 1955 por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon, planteaba que cualquier aspecto de la inteligencia podía describirse con tanta precisión que una máquina podría simularlo. De ahí salió la : programas que razonan con reglas y símbolos escritos por personas.
En paralelo, Frank Rosenblatt publicó en 1958 el perceptrón, un modelo que ajusta sus pesos a partir de ejemplos. En 1969, Minsky y Papert mostraron en Perceptrons los límites de las redes de una sola capa (no pueden resolver XOR), y el entusiasmo por las redes neuronales se enfrió. En 1973, el informe Lighthill concluyó para el gobierno británico que la IA no había cumplido lo prometido, y los recortes que siguieron marcaron el primer invierno de la IA.
Los años 80 trajeron los sistemas expertos: miles de reglas escritas junto a especialistas, como XCON, que DEC usaba para configurar sus computadoras. No aprendían: cada excepción era otra regla que mantener. Cuando el mercado de hardware especializado (las Lisp machines) colapsó hacia 1987, llegó el segundo invierno.
En 1986, Rumelhart, Hinton y Williams popularizaron la backpropagation, que permite entrenar redes con capas ocultas. En los 90 dominó el ML estadístico: las support-vector machines de Cortes y Vapnik (1995), los árboles y los modelos probabilísticos. El trabajo del ingeniero pasó de escribir reglas a reunir datos y diseñar features a mano.
ImageNet (2009) ofreció millones de imágenes etiquetadas; en 2012, AlexNet, una red convolucional entrenada en dos GPU, ganó la competencia de ImageNet con amplia ventaja. Desde entonces la red aprende las features. Los fundamentos de ese aprendizaje están en Machine learning en una lección.
Del lenguaje al transformer
Con word2vec (Mikolov y otros, 2013), las palabras se convirtieron en vectores donde la cercanía refleja similitud de significado; es el antecedente directo de los que usamos en Embeddings y RAG. En 2014, seq2seq (Sutskever, Vinyals y Le) tradujo secuencias con redes recurrentes, y Bahdanau, Cho y Bengio agregaron la atención: en cada paso, el modelo decide en qué parte de la entrada fijarse.
En 2017, "Attention Is All You Need" (Vaswani y otros, Google) eliminó la recurrencia y dejó solo atención. El procesa los en paralelo, lo que aprovecha las GPU y permite entrenar con muchos más datos.
A partir de ahí el patrón fue preentrenar una vez y adaptar muchas. OpenAI presentó GPT en junio de 2018 y Google publicó BERT en octubre del mismo año. En 2020, las scaling laws de Kaplan y otros mostraron que la loss baja de forma predecible (como ley de potencia) al aumentar parámetros, datos y cómputo; Chinchilla (2022) corrigió la receta: para un presupuesto fijo, conviene entrenar con más tokens de los que se usaban.
En 2020, GPT-3 mostró el : con unos pocos ejemplos dentro del , el modelo resuelve tareas nuevas sin actualizar sus pesos. Para el ingeniero fue un cambio de interfaz: muchas tareas pasaron de entrenar un modelo a escribir un prompt. El detalle de esa interfaz está en El LLM como componente de software.
Del modelo al producto
InstructGPT (marzo de 2022) usó (aprendizaje por refuerzo con retroalimentación humana) para que el modelo siguiera instrucciones. ChatGPT, lanzado por OpenAI el 30 de noviembre de 2022 como modelo hermano de InstructGPT, llevó esa capacidad al público general.
En 2023, Meta publicó LLaMA en febrero, con licencia para investigación, y Llama 2 en julio, ya con uso comercial permitido bajo su licencia. Los modelos de se volvieron una opción real, y la librería Transformers y el Hub de Hugging Face, en el lugar donde se comparten. Lo vemos en Modelos, pesos abiertos y Hugging Face.
La última ola trata de conectar modelos con el mundo:
- Conocimiento externo. RAG (Lewis y otros, 2020) recupera documentos en tiempo de consulta en lugar de guardar todo en los pesos.
- Acciones. ReAct (2022) intercala razonamiento y acciones, y Toolformer (2023) enseñó a un modelo a usar APIs. En junio de 2023, OpenAI lanzó function calling: el modelo devuelve un JSON con argumentos y tu programa ejecuta. Ese es el núcleo de Tool calling y harness.
- Código. GitHub Copilot (2021) autocompletaba; en febrero de 2025, Anthropic presentó Claude Code, un que lee el repositorio, edita archivos y ejecuta comandos. Ese mismo mes, Andrej Karpathy bautizó como la práctica de aceptar lo que genera el modelo sin leer el código.
- Estándares. En noviembre de 2024, Anthropic publicó el Model Context Protocol (), un estándar abierto para conectar asistentes con los sistemas donde viven los datos. Tiene su propia lección: MCP.
Para CTOs
Lo que la historia sugiere para las apuestas de hoy:
- Apuesta a lo que mejora solo. Los modelos base mejoran con cada generación; la lógica escrita a mano para suplir sus límites suele quedar obsoleta.
- No confundas demo con sistema. Exige evals, costos medidos y un plan de salida.
- Evita el lock-in en la capa que más cambia. Los modelos cambian cada pocos meses. Tus datos, tus evals y tu capa de control duran más: invierte ahí.
- La gobernanza es el trabajo nuevo. Cuando el modelo actúa, las decisiones clave pasan a ser permisos, aprobaciones y auditoría.
Los tres casos de estudio del curso son de código abierto y pertenecen a esta ola. Adapta, un prototipo, combina y para personalizar modelos en infraestructura propia (Embeddings y RAG, Fine-tuning, LoRA y QLoRA). docket, en beta, es un runtime que gobierna agentes con políticas y aprobaciones (Gobernanza y human-in-the-loop). Tack es un gestor de proyectos que, en su rama de desarrollo, coordina la ejecución de agentes (Ejecución durable de agentes).
Fuentes
- Era simbólica e inviernos: propuesta de Dartmouth, Rosenblatt 1958, informe Lighthill, segundo invierno
- Aprendizaje a partir de datos: backpropagation, SVMs, ImageNet, AlexNet
- Lenguaje: word2vec, seq2seq, atención, transformer, GPT, BERT, scaling laws, Chinchilla, GPT-3
- Producto: InstructGPT, ChatGPT, LLaMA, Llama 2, Transformers
- Herramientas y agentes: RAG, ReAct, Toolformer, function calling, Copilot, Claude Code, MCP, Karpathy sobre vibe coding
Para llevar
- La IA ha pasado por dos inviernos; ambos llegaron cuando las promesas superaron lo que la técnica podía sostener.
- Cada ola cambió el trabajo de ingeniería: reglas, features, redes entrenadas, prompts y, hoy, control de modelos que actúan.
- El transformer (2017) y las explican por qué preentrenar una vez y adaptar muchas veces se volvió el patrón dominante.
- RLHF convirtió modelos de texto en asistentes; los pesos abiertos y function calling los convirtieron en componentes que puedes hospedar y conectar.
- No construyas contra los límites del modelo actual; invierte en lo que dura: datos, evals y gobernanza.
Comprueba lo aprendido
¿Qué tienen en común los dos inviernos de la IA?
En ambos, las expectativas crecieron más rápido que los resultados: primero con los perceptrones y la IA simbólica temprana, después con los sistemas expertos, caros de mantener y sin capacidad de aprender. Cuando la brecha se hizo evidente, se cortó el financiamiento.
¿Qué cambió para los ingenieros con AlexNet en 2012?
Demostró que una red profunda entrenada en GPU con muchos datos etiquetados superaba a los métodos con features diseñadas a mano. El trabajo pasó de diseñar features a reunir datos y entrenar redes.
¿Por qué el in-context learning de GPT-3 fue un cambio de interfaz?
Porque muchas tareas que antes exigían entrenar un modelo pasaron a resolverse con instrucciones y unos pocos ejemplos dentro del prompt, sin tocar los pesos. El prompt se volvió la forma principal de programar el modelo.