Mucha gente piensa que la burbuja de la IA es algo de hoy.

En realidad, ya ha habido una fiebre del capital muy típica en la historia de la IA.
Esa fue la burbuja de los «sistemas expertos» de los años ochenta.
El contexto de esa ola de IA fue que, después del primer invierno de la IA, la industria finalmente encontró una ruta que parecía comercializable.
Los primeros investigadores de IA intentaron crear inteligencia general directamente, pero áreas como la traducción automática, el razonamiento general y la robótica no cumplieron con las expectativas durante mucho tiempo, y los fondos y la confianza se enfriaron rápidamente.
Entonces, en los años ochenta, la industria de la IA cambió de enfoque:
Ya que la inteligencia general es demasiado difícil, primero hagamos inteligencia vertical.
Tomar la experiencia de médicos, ingenieros, químicos, expertos financieros y expertos en mantenimiento de equipos, descomponerla en reglas y escribirla en la computadora.
Si ocurren A y B al mismo tiempo, entonces se juzga como C.
Si aparece una combinación de síntomas, entonces se recomienda un diagnóstico determinado.
Si hay un conflicto de configuración en un pedido, entonces el sistema lo corrige automáticamente.
Eso es un sistema experto.
No es un modelo grande entrenado con enormes cantidades de datos como los de hoy, sino una base de conocimiento compilada manualmente, más un motor de inferencia.
En ese momento, no era solo un concepto puro.
El sistema XCON/R1 de DEC fue uno de los casos comerciales más emblemáticos. Ayudó a DEC a configurar automáticamente pedidos complejos de minicomputadoras, reduciendo errores de configuración y mejorando la eficiencia de entrega, y más tarde se consideró un caso de éxito emblemático de la comercialización de sistemas expertos.
Cuando surgió este caso, la imaginación del mercado se encendió por completo.
Las empresas comenzaron a creer:
Si un sistema experto puede reemplazar el juicio de algunos ingenieros, ¿también puede reemplazar el juicio de los médicos?
Si puede configurar computadoras, ¿también puede configurar fábricas, gestionar cadenas de suministro, tomar decisiones financieras y hacer razonamientos legales?
Entonces el capital comenzó a fluir.
Grandes empresas establecieron departamentos de IA, como IBM, DEC, GE, GM, entre otras, invirtiendo en sistemas expertos.
También empezaron a surgir startups que se dedicaban a la ingeniería del conocimiento, software de sistemas expertos, motores de inferencia y soluciones sectoriales.
Lo más interesante es que la burbuja de la IA pronto se extendió al hardware.
Como en esa época mucho software de IA usaba el lenguaje Lisp, y Lisp requería altos recursos computacionales y un entorno de desarrollo exigente, aparecieron varias empresas especializadas en máquinas Lisp optimizadas para IA.
Symbolics, Lisp Machines Inc., Texas Instruments y otras empresas participaron en esta ola de hardware especializado para IA.
Esto se parece mucho a un reflejo histórico de hoy:
Entonces, los sistemas expertos impulsaron las máquinas Lisp.
Hoy, los modelos grandes impulsan las GPU, HBM, módulos ópticos, conmutadores, centros de datos, electricidad y refrigeración líquida.
En cada ola de IA, los que ganan dinero primero no suelen ser las aplicaciones, sino los que venden palas.
Pero el problema se reveló precisamente después de la implementación a gran escala.
El cuello de botella más crítico de los sistemas expertos era la adquisición de conocimiento.
El verdadero conocimiento experto no es un manual de instrucciones.
Muchos juicios provienen de la experiencia, la intuición, las condiciones límite y años de prueba y error.
Los propios expertos a menudo no pueden expresar claramente todo el conocimiento tácito.
Incluso si lo expresan, es difícil escribirlo completo como reglas.
Por lo tanto, las empresas descubrieron que construir un sistema experto era mucho más lento y mucho más caro de lo imaginado.
El segundo problema era el costo de mantenimiento.
Los procesos empresariales no son estáticos.
Los productos cambian, los clientes cambian, las regulaciones cambian, las cadenas de suministro cambian, el entorno del mercado cambia.
Cada vez que el mundo real cambia, la base de reglas debe actualizarse.
Con muchas reglas, también aparecen conflictos, omisiones y superposiciones dentro del sistema.
Al final, muchas empresas no compraron una máquina que genera dinero automáticamente, sino un laberinto de reglas que nunca se termina de reparar.
El tercer problema era la fragilidad.
Los sistemas expertos podían funcionar bien dentro del alcance de las reglas.
Pero una vez que se enfrentaban a situaciones límite, información ambigua o incompleta, el sistema fallaba fácilmente.
No tenían sentido común real.
No aprendían activamente.
También les costaba entender los cambios de contexto como los humanos.
Una demostración podía ser impresionante, pero los sistemas empresariales tenían que enfrentarse a un mundo real que cambia cada día.
Esa es la enorme brecha entre el laboratorio y el entorno de producción.
El cuarto problema era el colapso económico del hardware.
Las máquinas Lisp eran inicialmente la infraestructura de la IA.
Pero a finales de los años ochenta, las estaciones de trabajo de propósito general y las computadoras personales se volvieron mucho más potentes, más baratas y con un ecosistema más grande.
Cuando las computadoras de propósito general más baratas también podían ejecutar el software relevante, las costosas máquinas Lisp especializadas perdieron su justificación comercial.
Así, el mercado de las máquinas Lisp colapsó rápidamente.
Primero se revalorizó la cadena de hardware, y luego las empresas de software y consultoría de IA comenzaron a sentir presión.
Muchas empresas de sistemas expertos quebraron, fueron adquiridas o se reorientaron, y la IA volvió a ser una palabra que el mercado de capitales no quería escuchar.
Ese fue el segundo invierno de la IA.
Pero aquí hay un detalle muy importante:
Los sistemas expertos no fueron completamente inútiles.
No desaparecieron, sino que fueron absorbidos por software empresarial, motores de reglas, sistemas de gestión de riesgos, sistemas de gestión del conocimiento, guiones de atención al cliente y sistemas de automatización de procesos.
La tecnología sobrevivió.
La burbuja murió.
Eso es lo que los inversores de IA de hoy deberían masticar repetidamente.
Por supuesto, los modelos grandes de hoy no son sistemas expertos.
Los LLM no son bases de reglas hechas a mano; provienen de datos masivos, redes neuronales, transformers, potencia computacional y aprendizaje por refuerzo.
Su generalidad, capacidad lingüística, capacidad de código y capacidad multimodal superan con creces a los sistemas expertos de aquella época.
Por lo tanto, equiparar simplemente los modelos grandes de hoy con los sistemas expertos no es riguroso.
Pero lo que realmente es similar en la historia no es la ruta técnica, sino la estructura psicológica del mercado de capitales.
Cada ola de IA pasa por tres pasos similares:
Primero, aparece un avance real en la tecnología.
Segundo, el capital cree que puede transformar todas las industrias.
Tercero, las empresas descubren que convertir la tecnología en un sistema estable, controlable, auditable y rentable es mucho más difícil de lo imaginado.
Los modelos grandes de hoy también están entrando en el tercer paso.
En el lado del consumidor, hay uso, pero el panorama del tráfico aún no se ha reescrito por completo.
En el lado empresarial, hay proyectos piloto, pero muchos siguen en fase de prueba, sin entrar en sistemas de producción a gran escala.
Los agentes son atractivos, pero en tareas de larga duración, los errores individuales se acumulan continuamente.
Incluso si la precisión de un solo paso parece alta, mientras el proceso sea lo suficientemente largo, la tasa de éxito general disminuirá significativamente.
Áreas como la industria, las finanzas, la medicina, el derecho y la cadena de suministro no necesitan una respuesta bonita, sino fiabilidad de extremo a extremo, manejo de excepciones, control de permisos, asignación de responsabilidades, registros de auditoría y respaldo humano.
Estas cosas no se resuelven con lanzamientos de modelos.
Por lo tanto, el mayor riesgo de la IA hoy no es que la tecnología no tenga valor.
Todo lo contrario, la IA tiene mucho valor.
La verdadera pregunta es:
¿El flujo de caja que genera es suficiente para sostener el gasto de capital y la valoración actuales?
Si las empresas descubren que el ROI de la IA sigue siendo difuso, el presupuesto podría reducirse muy rápidamente.
Si los proveedores de nube descubren que los ingresos por inferencia no cubren la depreciación, la electricidad y los costos del centro de datos, las guías de gasto de capital podrían revisarse a la baja.
Si la capa de aplicación no produce un bucle de pago lo suficientemente fuerte, la cadena de hardware comenzará a negociar una revisión a la baja de las expectativas de demanda.
La historia no se repite simplemente.
Pero el mercado de capitales a menudo utiliza formas similares para llevar un avance tecnológico real a expectativas de ganancias demasiado altas.
La lección de los años ochenta no es que «la IA sea un fraude».
La verdadera lección es:
Una revolución tecnológica puede ser real.
El ritmo de comercialización puede ser lento.
La inversión en infraestructura puede ser anticipada.
Las valoraciones de las acciones pueden estar equivocadas.
Estas cuatro cosas pueden ser ciertas al mismo tiempo.
Los sistemas expertos no desaparecieron al final, pero la burbuja de los sistemas expertos estalló.
Es probable que los modelos grandes de hoy tampoco desaparezcan.
La verdadera pregunta es:
En esta ola de infraestructura de IA, ¿qué empresas se convertirán en la infraestructura del futuro y cuáles son solo las máquinas Lisp de este ciclo?