Un modelo de lenguaje puede defender con soltura una política pública controvertida y, segundos después, construir el argumento contrario. En una persona, ese cambio podría revelar flexibilidad intelectual, oficio retórico u oportunismo. En la máquina, la explicación inmediata es más sencilla: ha recibido otra instrucción, de modo que ambos textos pueden estar bien construidos sin que ninguno, por sí solo, nos diga qué ha comprendido el sistema ni qué relación guarda con lo que afirma. Encadenar razones no es lo mismo que entender qué significan, por qué vienen al caso y hasta dónde permiten llegar, ni responder por las consecuencias de una afirmación. En la vida humana, esas capacidades suelen aparecer juntas y por eso las reunimos bajo una sola palabra: inteligencia. Los modelos actuales nos obligan a distinguirlas con mayor cuidado. La tradición aristotélica y escolástica disponía de un vocabulario para hacerlo: ratio e intellectus. Tomás de Aquino no concebía esta distinción como dos poderes separados, sino como dos operaciones de una misma facultad intelectual. La ratio avanza paso a paso, comparando, infiriendo y justificando; el intellectus capta una verdad sin recorrer una cadena de inferencias, ya sea como punto de partida o como término de ese recorrido. En términos actuales, podemos seguir una cadena de inferencias sin advertir por qué sus premisas son pertinentes, qué significa su conclusión o cuándo deja de aplicarse. Aplicar esta distinción a la inteligencia artificial exige prudencia, porque ratio e intellectus nombraban operaciones de la mente humana, no componentes de una máquina. La comparación es analógica, pero permite describir algo importante: un modelo puede ordenar información, completar argumentos, identificar relaciones y producir secuencias que tienen la forma de una inferencia. No sostengo que estos sistemas sean rudimentarios, sino que su extraordinario rendimiento discursivo no basta para atribuirles inteligencia en sentido pleno. Han automatizado una parte considerable de lo que hacemos al razonar; no por ello han reproducido todo lo que queremos decir cuando hablamos de comprender. El deseo de formalizar el razonamiento tiene una larga historia. Hobbes escribió en el siglo XVII que razonar era calcular y, en 1950, Alan Turing propuso dejar a un lado la pregunta ambigua “¿pueden pensar las máquinas?" y preguntar si un interrogador, basándose en una conversación escrita, podía distinguir a una máquina de una persona. El juego de imitación ofrecía un programa experimental fecundo, pero no demostraba que una buena actuación conversacional resolviera qué significa pensar. También la generación estadística de lenguaje tiene antecedentes reveladores. En 1913, Andréi Márkov analizó a mano las primeras 20.000 letras de Eugenio Oneguin, de Pushkin, no para generar versos, sino para medir la dependencia entre vocales y consonantes sucesivas. Claude Shannon construyó en 1948 aproximaciones al inglés eligiendo letras o palabras según las frecuencias con que seguían a las anteriores. A medida que incorporaba más contexto, las secuencias adquirían cada vez más el aspecto del idioma, aunque no expresaban una intención comunicativa. Los modelos actuales son incomparablemente más complejos que aquellas aproximaciones: dividen el texto en pequeñas unidades y calculan, a partir de un contexto muy amplio, cuál debería venir después. Para acertar, aprenden relaciones gramaticales, conceptuales y discursivas de enorme complejidad; de ahí que puedan continuar un argumento, escribir código o imitar un estilo, y no solo completar una frase. Sin embargo, el núcleo de su preentrenamiento consiste en anticipar una continuación plausible, no en comprobar que sea verdadera. El mismo sistema puede ofrecer una explicación correcta y una falsedad verosímil; la fluidez no ofrece un criterio para distinguir una de otra. Existe un desacuerdo real sobre lo que se sigue de todo esto. Algunos lingüistas sostienen que aprender las formas del lenguaje sin vincularlas a una situación comunicativa y a un mundo compartido no basta para adquirir significado. Otros investigadores responden que las relaciones conceptuales internas aprendidas por un modelo podrían constituir ya una dimensión del significado. La controversia no se resuelve observando que el sistema habla con soltura. Mi conclusión es más limitada: los modelos actuales no han demostrado que comprendan. Su conducta muestra que han aprendido regularidades extraordinariamente ricas, pero una respuesta correcta no prueba por sí sola que el sistema capte por qué lo es. Por eso no creo que debamos llamarlos inteligentes en el sentido pleno del término: son instrumentos formidables de ratio, pero no han mostrado poseer intellectus. La diferencia se vuelve visible cuando una respuesta sale de la pantalla. En medicina, un sistema puede resumir una historia clínica o proponer diagnósticos posibles; corresponde al médico averiguar qué información falta, hablar con el paciente y responder por el tratamiento. En derecho, puede producir en segundos un borrador convincente, pero el abogado debe comprobar las fuentes, firmarlo y asumir sus consecuencias. En ciencia, puede sugerir una hipótesis; el investigador decide qué experimento distingue entre explicaciones rivales y qué conclusión autorizan realmente los datos. La máquina puede participar en la cadena de razonamiento, pero la comprensión y la responsabilidad no se transfieren con el texto. Hay además un riesgo cultural: si atribuimos inteligencia a las máquinas exclusivamente por sus resultados, podemos terminar redefiniendo la inteligencia humana según aquello que ellas hacen mejor. Empresas, administraciones y medios tienen incentivos para premiar velocidad, volumen y corrección formal. En ese marco, el tiempo dedicado a deliberar, contrastar una fuente, reconocer la incertidumbre o revisar una convicción puede parecer improductivo. No es necesario idealizar la lentitud para advertir el problema, pues una sociedad que mide la inteligencia solo por el rendimiento termina empobreciendo el juicio que necesita para decidir qué hacer con ese rendimiento. En la propuesta de 1955 para el proyecto de verano que se celebraría en Dartmouth al año siguiente apareció la expresión “inteligencia artificial”. Sus autores conjeturaban que todo aspecto del aprendizaje o de la inteligencia podría describirse con suficiente precisión para que una máquina lo simulara. Ese verbo merece atención: simular con éxito algunos rasgos de la inteligencia no demuestra necesariamente que se haya reproducido la inteligencia en toda su amplitud. Setenta años después, aquel programa ha superado ampliamente las expectativas de sus promotores. Hemos construido sistemas que amplían nuestras capacidades y automatizan una parte decisiva del trabajo discursivo. Reconocer su grandeza no exige confundir el rendimiento con la comprensión. La inteligencia no se agota en producir una respuesta correcta; incluye saber por qué lo es, cuándo deja de serlo y qué debemos hacer con ella.