¿Por qué la inteligencia artificial hará al branding más importante?
Hace una década escribí en este mismo blog que el futuro de la humanidad podía resumirse en dos palabras: inteligencia artificial.
Por entonces hablábamos de algoritmos predictivos, machine learning, Big Data, vehículos autónomos y de una tecnología que empezaba a abandonar los laboratorios para entrar en nuestra vida cotidiana. Muchas cosas que en aquel momento parecían futuro son hoy parte de nuestras noticias, nuestro trabajo, nuestra ciencia, nuestra medicina, nuestro día a dia. Otras todavía están llegando. Y algunas han avanzado mucho más rápido de lo que imaginábamos.
Hoy, cuando esa tecnología ya forma parte de hospitales, escuelas, laboratorios, empresas y decisiones cotidianas, buena parte de la conversación pública se ha concentrado en sus riesgos. Y es lógico que así sea. Las advertencias sobre pérdida de empleos, seguridad, autonomía, desinformación o sistemas cada vez más difíciles de controlar merecen atención, especialmente cuando proceden de quienes están construyendo los modelos más avanzados.
Este texto, sin embargo, no nace para añadir otra cifra, otra predicción o una nueva capa de ruido a la conversación sobre un posible apocalipsis tecnológico. De eso ya estamos hablando mucho. Quizá incluso demasiado.
Lo bueno de la inteligencia artificial
Me interesa mirar hacia un territorio que recibe bastante menos prensa y mucha menos difusión, aunque también forma parte de nuestra realidad: lo que los seres humanos ya estamos consiguiendo hacer mejor gracias a la inteligencia artificial.
En 2018, cuando la inteligencia artificial todavía estaba lejos de ocupar el lugar que tiene hoy en la conversación pública, Fei-Fei Li, una de las figuras fundamentales de la IA moderna, defendía una idea que con el tiempo me parece todavía más relevante: detrás de la inteligencia artificial no hay nada verdaderamente “artificial”. La construimos los seres humanos, la diseñamos para interactuar con seres humanos y sus consecuencias terminan afectando a seres humanos.
Su propuesta era avanzar hacia una inteligencia artificial centrada en las personas, pensada para ampliar nuestras capacidades y cuyo desarrollo estuviera guiado también por su impacto sobre el bienestar humano.
Casi una década después, quizá sea un buen momento para mirar esa parte de la historia. Porque entre todo el ruido sobre aquello que la inteligencia artificial podría destruir, existe otra realidad mucho menos difundida: personas utilizándola para detectar enfermedades antes, descubrir medicamentos, enseñar mejor, reducir accidentes, ahorrar recursos o devolver autonomía a quienes la habían perdido.
Porque la IA no aparece sola en un hospital, no decide investigar una proteína por iniciativa propia ni se levanta una mañana queriendo ayudar a una persona ciega a recuperar autonomía. Detrás de cada una de esas aplicaciones hay científicos, médicos, profesores, ingenieros, emprendedores, instituciones y equipos humanos que han decidido orientar una nueva capacidad tecnológica hacia un problema concreto.
Ésta es, por tanto, una historia sobre inteligencia artificial, pero sobre todo es una historia sobre inteligencia humana aplicada.
Mientras debatimos sobre aquello que la IA podría hacer dentro de cinco o diez años, ya existen resultados medidos y verificables en salud, ciencia, educación, movilidad, agricultura, clima y accesibilidad.
Y detrás de cada porcentaje hay algo bastante más importante que una métrica. Una persona que recibe antes un diagnóstico, un médico que recupera tiempo, un estudiante que aprende mejor, un agricultor que utiliza menos químicos o alguien que gana independencia en su vida cotidiana.
En branding aprendemos pronto que una promesa adquiere verdadero valor cuando puede convertirse en prueba. Lo bueno es que empieza a haber muchas, he seleccionado algunas para que dimensiones lo bueno de lo que pasa.
Con la inteligencia artificial estamos empezando a atravesar precisamente ese momento.
Inteligencia artificial y salud
Pocas áreas permiten comprender mejor este cambio que la salud.
El ensayo MASAI, desarrollado en Suecia con 105.934 mujeres, es probablemente uno de los casos más sólidos disponibles hasta ahora sobre inteligencia artificial aplicada al cribado de cáncer de mama.
La investigación encontró un 29% más de cánceres detectados mediante el sistema de cribado asistido por IA, sin un aumento significativo de falsos positivos, y una reducción del 44,2% en la carga de lectura de los radiólogos. Además, gran parte del incremento correspondió a tumores invasivos pequeños y sin afectación ganglionar, precisamente aquellos en los que llegar antes puede tener mayor relevancia clínica.
Los resultados finales permiten introducir además un matiz importante, porque en medicina las palabras importan tanto como los porcentajes.
La tasa de cánceres diagnosticados entre dos rondas de cribado fue de 1,55 por cada 1.000 mujeres con IA frente a 1,76 sin ella. Eso equivale aproximadamente a un 12% menos, aunque la diferencia no fue estadísticamente significativa: el estudio estaba diseñado principalmente para demostrar que el uso de IA no era inferior al procedimiento convencional en esa variable, y ese objetivo sí se alcanzó.
Por eso el hallazgo realmente robusto no es afirmar que la IA ya reduce un 12% esos cánceres, sino algo más preciso y suficientemente importante: permitió aumentar de manera significativa la detección y reducir casi a la mitad el trabajo de lectura sin incrementar los falsos positivos.
En un sistema sanitario sometido a una presión creciente, liberar tiempo de especialistas manteniendo o mejorando resultados también es una forma de innovación.
Otro ejemplo aparece en el tratamiento del ictus, donde unos minutos pueden separar dos futuros completamente distintos para una persona.
Un estudio publicado en The Lancet Digital Health siguió a 452.952 pacientes ingresados en los 107 hospitales del NHS inglés que atendían ictus entre 2019 y 2023. En los 26 hospitales evaluados que incorporaron software de análisis de imagen mediante IA, la tasa de trombectomía pasó del 2,3% antes de la implantación al 4,6% después.
Aquí también conviene ser rigurosos. El estudio fue prospectivo y observacional, no un ensayo aleatorizado, y otros hospitales también aumentaron sus tasas de trombectomía durante ese periodo. Los investigadores encontraron una asociación adicional significativa en los centros que utilizaron IA, pero eso no permite atribuir todo el cambio exclusivamente al algoritmo. Algunos de los autores, además, tenían vínculos laborales o financieros con Brainomix, la compañía responsable del software.
Las limitaciones no eliminan el resultado; nos ayudan a interpretarlo correctamente. Y eso también forma parte de construir una conversación adulta sobre tecnología.
En España tenemos igualmente ejemplos relevantes. La sanidad pública de Aragón realizó 143.812 estudios mediante una herramienta de IA para detectar fracturas y lesiones óseas entre enero y mayo de 2026, y el sistema está implantado en sus hospitales públicos. El piloto aportó una reducción cercana al 36% en el tiempo de interpretación y una mejora aproximada del 12% en precisión diagnóstica.
La inteligencia artificial médica empieza así a dejar de ser una demostración para convertirse, poco a poco, en práctica.
Inteligencia artificial y ciencia
Si tuviese que elegir una imagen que simbolizara el impacto positivo de la inteligencia artificial en ciencia, probablemente elegiría algo invisible a nuestros ojos, una proteína. Que dicho sea de paso, tan de moda están.
AlphaFold, desarrollado por Google DeepMind, ha predicho más de 200 millones de estructuras de proteínas, prácticamente todas las conocidas por la ciencia. Demis Hassabis y John Jumper compartieron el Nobel de Química por un trabajo que ha ayudado a convertir décadas potenciales de exploración estructural en información accesible para investigadores de todo el mundo.
Más de 3 millones de investigadores en más de 190 países han utilizado ya la plataforma, y una parte considerable de las investigaciones relacionadas está dedicada a comprender enfermedades.
Lo interesante no reside solamente en que una máquina pueda predecir estructuras complejas. Está en aquello que permite hacer a los científicos una vez que disponen de esa información.
La resistencia a los antibióticos ofrece otra señal.
Un equipo del MIT utilizó IA generativa para explorar más de 36 millones de posibles compuestos y encontró candidatos estructuralmente distintos de los antibióticos actuales. Dos de ellos, NG1 y DN1, mostraron actividad contra gonorrea multirresistente, mientras DN1 también consiguió actuar contra MRSA, una de las bacterias resistentes que más preocupación genera en hospitales.
Todavía falta investigación, ensayos y tiempo antes de hablar de nuevos medicamentos. Pero la ciencia también progresa cuando conseguimos abrir caminos que antes no sabíamos siquiera que existían.
Inteligencia artificial y educación
Uno de los experimentos que más me interesan ocurrió lejos de Silicon Valley.
En Edo, Nigeria, el Banco Mundial realizó un ensayo aleatorizado en nueve escuelas públicas en el que estudiantes trabajaron en parejas con GPT-4 durante seis semanas. Lo hicieron acompañados por docentes y mediante instrucciones diseñadas para favorecer el razonamiento en lugar de convertir la herramienta en una máquina que entregara respuestas.
El impacto en inglés fue de 0,23 desviaciones estándar, que los investigadores comparan con aproximadamente entre 1,5 y 2 años de escolarización convencional. Los mayores beneficios aparecieron además entre las alumnas.
Me parece un resultado importante porque contiene una lección mucho mayor que el dato. La historia no es “pongamos ChatGPT en todas las aulas”. La verdadera enseñanza está en cómo se utilizó.
Había profesores, una metodología, objetivos pedagógicos y una tecnología diseñada para acompañar el aprendizaje. La inteligencia artificial actuaba como amplificador de una estructura humana que ya existía.
Ese matiz es esencial ahora que, según el AI Index de Stanford, alrededor de cuatro de cada cinco universitarios utilizan ya inteligencia artificial generativa.
Prohibirla parece cada vez menos realista. Incorporarla sin criterio tampoco parece especialmente inteligente.
El reto educativo estará en enseñar a utilizar una tecnología extraordinariamente poderosa sin permitir que su facilidad elimine precisamente aquello que necesitamos para aprender: la curiosidad, la dificultad, la duda, la conversación y el esfuerzo de construir una idea propia.
Inteligencia artificial y movilidad
Los vehículos autónomos reúnen muchas de nuestras contradicciones frente a la inteligencia artificial. Nos fascina su capacidad y, al mismo tiempo, nos incomoda entregar a un sistema decisiones que afectan directamente a nuestra seguridad.
Por eso los datos de Waymo merecen atención y también contexto.
Hasta marzo de 2026, los vehículos de la compañía habían recorrido 220,6 millones de millas completamente sin conductor humano.
En las ciudades y recorridos en los que opera, Waymo calcula que sus vehículos registraron un 94% menos de accidentes con lesiones graves o mortales, un 82% menos de accidentes con algún herido y un 93% menos de atropellos con heridos que los benchmarks de conducción humana utilizados por la compañía.
En términos absolutos, sus cálculos equivalen a 47 accidentes graves o mortales menos, 707 accidentes con heridos menos y 76 atropellos con heridos menos.
La cautela necesaria es evidente porque los datos más recientes los publica la propia Waymo y comparar conducción autónoma con conducción humana presenta dificultades metodológicas, desde diferencias en la notificación de accidentes hasta las condiciones y zonas concretas donde circula cada sistema.
Sin embargo, no estamos ante una metodología completamente cerrada dentro de la compañía. Waymo publica conjuntos de datos para su reproducción y existen trabajos revisados por pares que utilizan datos reportados a la NHTSA (National Highway Traffic Safety Administration; en español, Administración Nacional de Seguridad del Tráfico en las Carreteras).Y encuentran reducciones estadísticamente significativas en diferentes categorías de accidentes frente a benchmarks humanos comparables.
Inteligencia artificial y agricultura
La agricultura representa más del 70% de las extracciones mundiales de agua dulce, según la FAO, y más del 60% de la degradación del suelo provocada por la actividad humana ocurre en tierras agrícolas.
Alimentar a una población creciente mientras el agua, el suelo fértil y la estabilidad climática están sometidos a una presión cada vez mayor convierte este sector en uno de los lugares donde la eficiencia deja de ser únicamente una cuestión económica y se transforma en una cuestión de sostenibilidad y seguridad alimentaria.
Y aquí la inteligencia artificial empieza a demostrar que precisión puede significar también ahorro.
Pensemos en algo tan cotidiano para un agricultor como eliminar las malas hierbas. Durante décadas, una de las respuestas más habituales ha sido pulverizar grandes extensiones del cultivo, independientemente de dónde estuviera exactamente la maleza. Hoy, sistemas de visión artificial son capaces de distinguir una planta de otra mientras la maquinaria avanza por el campo y aplicar herbicida únicamente allí donde hace falta.
John Deere, con su tecnología See & Spray, afirma que durante 2025 sus equipos trabajaron sobre más de cinco millones de acres y que sus clientes redujeron de media casi un 50% el uso de herbicidas no residuales, evitando aproximadamente 31 millones de galones de mezcla herbicida gracias a aplicaciones selectivas. Son cifras publicadas por la propia compañía y, por tanto, conviene presentarlas como tales.
Pero el principio no depende únicamente de datos corporativos.
Un estudio publicado en 2025 evaluó durante 25 hectáreas de ensayos de campo en cultivos de caña de azúcar un sistema robótico que combinaba visión por computador y deep learning para identificar dónde debía pulverizar. El resultado fue una reducción media del 35% en el uso de herbicida, llegando hasta el 65% en parcelas con menor presencia de maleza, mientras mantenía aproximadamente el 97% de la eficacia del sistema convencional. Además, las muestras de agua procedentes de escorrentía mostraron reducciones del 39% en la concentración media de herbicidas y del 54% en su carga total.
Ese último dato me parece especialmente importante.
Porque cuando hablamos de agricultura de precisión no estamos hablando solamente de ahorrar dinero en producto. Estamos hablando también de reducir la cantidad de químicos que terminan llegando al suelo y al agua.
Algo similar empieza a ocurrir con un recurso todavía más esencial: el agua.
La agricultura es, con enorme diferencia, el mayor usuario de agua dulce del planeta, pero todavía irrigamos muchas explotaciones siguiendo calendarios relativamente rígidos o estimaciones que no siempre reflejan lo que cada planta necesita en cada momento. Sensores de humedad, datos meteorológicos, imágenes por satélite y modelos de inteligencia artificial permiten comenzar a responder una pregunta mucho más precisa: cuánta agua necesita realmente este cultivo, aquí y ahora.
Una revisión sistemática y metaanálisis publicada en 2025, que reunió investigaciones realizadas entre 2018 y 2025, encontró que los sistemas de irrigación apoyados por IA podían alcanzar en los estudios analizados ahorros de agua de entre el 30% y el 50%, junto con mejoras de rendimiento del 20% al 30%. Las cifras varían considerablemente según cultivo, clima, infraestructura y metodología, de modo que no deberían entenderse como una garantía universal. Lo relevante es la dirección que muestra la evidencia: utilizar información en tiempo real permite regar con una precisión que los sistemas tradicionales difícilmente pueden conseguir.
En un ensayo más concreto realizado durante dos ciclos agrícolas en una explotación semiárida de 12 hectáreas, un sistema de machine learning que utilizaba información del suelo, meteorología y características de los cultivos consiguió reducir el agua utilizada aproximadamente un 30% en maíz y un 27% en trigo respecto de un calendario de riego fijo. También disminuyó el consumo energético y la escorrentía.
Es fácil hablar de estos porcentajes desde una oficina. Para un agricultor que trabaja en una región sometida a sequías, un 30% menos de agua puede significar algo bastante más concreto: mantener una cosecha viable cuando el recurso empieza a escasear.
Y quizá sea aquí donde deberíamos cambiar nuestra imagen mental de la inteligencia artificial.
Y tiene una dimensión profundamente humana, porque detrás de la agricultura no hay solamente alimentos. Hay millones de familias cuyo sustento depende de una cosecha, comunidades enteras expuestas a la escasez de agua y una población mundial que necesita producir suficiente comida sin agotar los recursos de los que depende para hacerlo.
Inteligencia artificial y clima
Las inundaciones afectan a centenares de millones de personas y el tiempo de anticipación modifica radicalmente la capacidad de respuesta.
Flood Hub, de Google, utiliza modelos de inteligencia artificial para ofrecer previsiones de crecidas fluviales con hasta siete días de antelación en cuencas repartidas por más de 150 países. Siete días escritos en una ficha técnica parecen poco.
Para una comunidad amenazada por una inundación pueden significar tiempo para evacuar, proteger medicamentos, trasladar animales, avisar a personas vulnerables o reforzar infraestructuras.
La meteorología está viviendo su propia transformación.
El ECMWF, Centro Europeo de Previsiones Meteorológicas a Plazo Medio, puso en producción su Artificial Intelligence Forecasting System (AIFS) en febrero de 2025. El organismo informa de mejoras de hasta un 20% en determinadas métricas, entre ellas las trayectorias de ciclones tropicales, junto con un consumo energético aproximadamente 1.000 veces menor por pronóstico que su sistema físico tradicional.
Eso tampoco significa que la IA haya sustituido a la física.
Un estudio de 2026 que comparó ambos sistemas en predicciones de velocidad del viento encontró que las previsiones brutas del modelo físico IFS seguían siendo claramente superiores en esa variable, aunque las diferencias se reducían después del posprocesamiento. Es además un preprint, por lo que todavía conviene interpretar sus conclusiones con prudencia.
La palabra adecuada aquí es complementar. La inteligencia artificial no necesita reemplazar una herramienta para mejorar el sistema del que forma parte.
Inteligencia artificial y ciberseguridad
La ciberseguridad resume quizá mejor que ningún otro ámbito la naturaleza ambivalente de la IA.
Una máquina capaz de encontrar vulnerabilidades a enorme velocidad puede convertirse en una herramienta ofensiva extraordinaria. La misma capacidad puede permitir que quienes defienden nuestros sistemas encuentren y reparen problemas antes de que alguien los explote.
Anthropic afirma que unos 50 socios de su Project Glasswing utilizaron su modelo Claude Mythos Preview para identificar más de 10.000 vulnerabilidades de gravedad alta o crítica. La propia compañía reconoce que el cuello de botella empieza a desplazarse: encontrar vulnerabilidades se vuelve más rápido que verificarlas, comunicarlas y parchearlas.
Al tratarse de una cifra publicada por Anthropic, conviene buscar una referencia externa.
Y existe.
Mozilla confirmó que una versión temprana del mismo modelo identificó 271 vulnerabilidades que fueron corregidas en Firefox 150. La organización describe el volumen de hallazgos como algo difícil de gestionar incluso para un equipo experimentado en seguridad.
No eliminaría este ejemplo del artículo. Al contrario: lo mantendría precisamente porque permite contar las dos caras de la misma capacidad y porque el resultado de Mozilla ofrece una comprobación independiente del relato de Anthropic.
Inteligencia artificial y accesibilidad
Probablemente mi ejemplo favorito sea uno de los menos espectaculares.
Be My Eyes nació con una idea sencilla: conectar mediante vídeo a personas ciegas o con baja visión con voluntarios que pudieran ayudarles en situaciones cotidianas.
En marzo de 2026 la propia organización anunció que había superado 1 millón de usuarios ciegos o con baja visión y 10 millones de voluntarios en más de 150 países. Desde entonces, sus contadores públicos han seguido creciendo. La plataforma ha incorporado además herramientas de inteligencia artificial que permiten resolver determinadas necesidades inmediatamente, conservando al mismo tiempo la posibilidad de recurrir a una persona.
Son cifras de la propia compañía, por lo que deben entenderse como métricas de plataforma y no como una evaluación independiente de impacto.
Pero imaginemos por un momento la situación concreta.
Leer la fecha de caducidad de un producto. Diferenciar dos envases. Saber qué color tiene una camisa. Entender qué aparece en una pantalla que no es accesible. Orientarse en un espacio desconocido.
Desde fuera parecen tareas pequeñas. Desde dentro pueden significar independencia.
Y ahí es donde muchas veces dejamos de entender la tecnología porque la miramos únicamente desde su potencia y olvidamos observarla desde su utilidad.
La tecnología cambia. La necesidad humana permanece
Hace años escribí una historia aparentemente mucho más pequeña.
Frente a mi despacho había una cafetería y Lucy, que trabajaba allí, sabía perfectamente qué solía pedir, qué me gustaba y cómo atenderme. Por aquellos días escribíamos sin parar sobre Big Data, personalización y CRM, mientras algunas enormes compañías con una cantidad infinitamente mayor de información sobre mí parecían incapaces de entender algo tan sencillo como lo que necesitaba.
Recuerdo haber escrito que el “algoritmo” de Lucy funcionaba mucho mejor.
Han pasado años y la tecnología que tenemos delante es incomparablemente más poderosa. Pero la enseñanza sigue siendo sorprendentemente parecida.
La sofisticación tecnológica solo adquiere verdadero valor cuando consigue mejorar una experiencia humana.
Podemos construir el modelo más avanzado, la infraestructura más grande o el algoritmo más preciso. Si al final de ese proceso una persona no vive mejor, aprende mejor, trabaja mejor, está más segura, recupera tiempo o gana autonomía, quizá estemos midiendo la variable equivocada.
El verdadero debate no es frenar o acelerar. Es dirigir
La discusión sobre inteligencia artificial está atravesando un momento de enorme intensidad.
Dario Amodei considera que necesitamos ganar tiempo para que seguridad, interpretabilidad y gobernanza puedan seguir el ritmo de las capacidades. OpenAI reconoce también que los modelos más avanzados exigen nuevos niveles de supervisión, seguridad y regulación. Al mismo tiempo, existe una presión económica y geopolítica gigantesca para continuar avanzando.
Reducir esta conversación a entusiasmo o miedo sería demasiado sencillo.
La inteligencia artificial presenta riesgos reales y, simultáneamente, está empezando a producir beneficios reales.
Hoy tenemos evidencia de sistemas que ayudan a detectar cáncer antes, facilitar tratamientos contra el ictus, acelerar descubrimientos científicos, apoyar procesos educativos, reducir ciertos tipos de accidentes, utilizar menos herbicidas, anticipar fenómenos meteorológicos, encontrar vulnerabilidades y aumentar la autonomía de personas con discapacidad visual.
No todos los estudios tienen la misma calidad. No todos los datos proceden de fuentes independientes. No todas las mejoras demuestran causalidad. Precisamente por eso necesitamos una conversación que sea capaz de entusiasmarse con el progreso sin renunciar al rigor.
Hace casi una década, Fei-Fei Li proponía que la inteligencia artificial tuviera como objetivo ampliar nuestras capacidades en lugar de convertir la sustitución del ser humano en su razón de ser. Después de recorrer estos ejemplos, esa idea adquiere una dimensión mucho más concreta.
Porque quizá llevemos demasiado tiempo midiendo el progreso de la IA por aquello que una máquina consigue hacer sola, cuando existe otra medida bastante más interesante: qué somos capaces de hacer mejor los seres humanos cuando tenemos esta tecnología a nuestro lado.
Detectar antes un cáncer, encontrar una molécula que nadie había explorado, ayudar a un estudiante a comprender, utilizar menos agua para obtener una cosecha, anticipar una inundación, evitar un accidente o devolver autonomía a una persona que no puede ver son avances tecnológicos, pero antes que nada son decisiones humanas sobre dónde queremos aplicar nuestra capacidad.
Ninguno de esos logros pertenece únicamente a una máquina. Detrás hay científicos, médicos, profesores, agricultores, ingenieros, instituciones y personas que decidieron poner la tecnología al servicio de un problema que merecía ser resuelto.
Y cuanto más autónoma se vuelva la inteligencia artificial, mayor será nuestra responsabilidad sobre la dirección que tome. Las máquinas podrán disponer de capacidades cada vez mayores, pero seguimos siendo nosotros quienes decidimos qué problemas queremos resolver, qué límites necesitamos establecer y al servicio de quién ponemos esa inteligencia.
Hace casi diez años escribía sobre la inteligencia artificial como una de las tecnologías que definirían nuestro futuro. Hoy ya no necesito mirar tan lejos. Una parte de ese futuro está sucediendo mientras leemos estas líneas.
Quizá por eso la medida más interesante del progreso no termine siendo cuántos parámetros tiene el próximo modelo, cuántos benchmarks supera o cuánto dinero mueve esta industria.
Será observar cuánta humanidad somos capaces de amplificar con toda esta inteligencia.
Te escribo cuando tengo algo que contarte.
Recibe un email cada vez que publico algo nuevo.
Tu correo solo será utilizado para mandar lo último que publique. Política de privacidad
Related posts
