La inteligencia artificial (IA) ha pasado en pocos años de promesa académica a herramienta de uso diario en oficinas, hospitales, fábricas y administraciones públicas. Aun así, el discurso comercial suele tropezar con la realidad técnica: los modelos actuales tienen límites concretos, algunos estructurales, otros ligados al coste, los datos o la regulación. Conviene repasarlos sin hype, porque definen qué se puede pedir hoy a un sistema basado en IA y qué sigue siendo terreno humano.
1. La IA no entiende ética, solo aprende patrones
Un modelo de lenguaje grande (LLM, large language model) no tiene una visión moral del mundo. Optimiza una función matemática a partir de millones de ejemplos. Cuando una respuesta parece sensata, lo es porque el patrón estadístico empuja hacia ahí, no porque el sistema haya razonado sobre el bien y el mal. Por eso los sesgos de los datos de entrenamiento aparecen en la salida casi sin filtro. Cuando el corpus refleja prejuicios de género, raza o clase, el modelo los reproduce.
Las grandes plataformas intentan mitigarlo con técnicas como RLHF (refuerzo con retroalimentación humana) y filtros de salida, pero ninguna garantiza decisiones éticamente correctas en casos límite. La AESIA, agencia española de supervisión de IA, lleva publicadas varias guías prácticas que reconocen el problema y obligan a evaluar el sesgo antes de desplegar sistemas en sectores sensibles.
2. Alucinaciones: el modelo se inventa datos con seguridad
El segundo límite es probablemente el más conocido. Los LLM generan texto plausible, no necesariamente verdadero. Pueden citar libros que no existen, inventar sentencias judiciales o atribuir frases a personas que nunca las dijeron, y lo hacen con un tono firme que confunde al usuario menos avezado.
Un informe de OpenAI publicado en 2025 reconoce que las alucinaciones son una consecuencia estructural de cómo se entrena un modelo, no un fallo puntual. Si penalizas el «no lo sé», el sistema aprende a inventar. La salida realista pasa por arquitecturas RAG (Retrieval-Augmented Generation, generación aumentada por recuperación), validación con fuentes externas y, sobre todo, tener claro que delegar trabajo legal, médico o financiero en un modelo sin verificación es una mala idea.
3. Falta de comprensión real del contexto
Aunque GPT-5, Claude o Gemini hayan ampliado la ventana de contexto a cientos de miles de tokens, eso no equivale a comprender. La IA generaliza dentro del territorio que vio durante el entrenamiento, pero falla cuando se enfrenta a situaciones realmente nuevas o que requieren sentido común físico. Un modelo puede escribir un ensayo sobre física newtoniana y, a la vez, recomendar una operación inviable porque no «entiende» por qué dos objetos no caben en el mismo sitio.
Gartner ha insistido durante todo 2026 en que sin explainable AI (XAI) no habrá despliegue fiable en empresa. Si el sistema no puede justificar por qué ha tomado una decisión, ningún equipo de riesgos serio firma ponerlo a producción.
4. Aprende lo que se le da, no lo que necesita
La idea popular de que «la IA aprende sola» es engañosa. Un modelo solo aprende durante el entrenamiento, con datos curados por humanos y siguiendo objetivos definidos por humanos. Después, en producción, lo normal es que el modelo esté congelado, sin reentrenamientos periódicos, sin acceso a nuevas fuentes y sin memoria persistente más allá de la sesión.
Eso lleva a un problema operativo, y es que los datos del modelo envejecen rápido. Lo que hoy es un sistema puntero, en doce meses puede haber quedado desactualizado en hechos, normativa y precios. Para mantenerlo al día hay que diseñar pipelines de fine-tuning, RAG sobre bases de datos vivas y procesos de evaluación continua. Eso no se monta solo, ni sale gratis.
5. La factura de la IA: cómputo, energía y dinero
Detrás de cada respuesta de un asistente generativo hay GPUs caras, electricidad y refrigeración. Entrenar un modelo de frontera ronda los cientos de millones de dólares y la inferencia masiva tampoco es barata. Países como Taiwán han empezado a endurecer el control sobre los centros de datos precisamente por la presión eléctrica que provoca la IA.
El coste también afecta a las cuentas. Algunos analistas ya hablan de la «trampa de los 8 billones», una factura agregada de inversión en infraestructura IA que tarde o temprano tendrá que justificarse con ingresos reales. Para una pyme media, esto significa que entrenar un modelo propio rara vez compensa, así que la vía sensata pasa por API de proveedores grandes, modelos open source más pequeños o despliegues locales con hardware doméstico.
Las leyes de Asimov: literatura, no ingeniería
Cuando se habla de límites éticos de la IA suelen aparecer las famosas leyes de la robótica de Isaac Asimov. Hay que dejarlo claro: son una herramienta narrativa, no un estándar técnico. El propio Asimov enunció tres leyes en sus relatos y, más tarde, una Ley Cero que prevalece sobre las demás:
- Ley Cero: un robot no puede dañar a la humanidad ni, por inacción, permitir que sufra daño.
- Primera Ley: un robot no puede dañar a un ser humano ni, por inacción, dejar que sufra daño, salvo que entre en conflicto con la Ley Cero.
- Segunda Ley: un robot debe obedecer las órdenes de un humano, salvo cuando contradigan la Primera o la Ley Cero.
- Tercera Ley: un robot debe proteger su propia existencia mientras no choque con las leyes anteriores.
Lo importante es entender que ningún sistema actual implementa estas reglas. Lo que sí existe es un marco normativo emergente. El Reglamento Europeo de Inteligencia Artificial (AI Act) clasifica los sistemas por nivel de riesgo, exige evaluaciones de conformidad y prohíbe directamente usos como la categorización biométrica por raza, religión u orientación. España ha sido pionera al crear AESIA y publicar guías de cumplimiento. Lejos de la ciencia ficción, el límite real se decide en Bruselas, en Madrid y en los comités de cumplimiento de cada empresa.
Preguntas frecuentes
¿Por qué la IA falla en preguntas que parecen sencillas?
Porque resuelve por similitud estadística, no por razonamiento causal. Si la pregunta cae lejos de su distribución de entrenamiento, o requiere conocimiento de mundo físico que nunca tuvo, el modelo improvisa con la apariencia de seguridad de quien sí sabe.
¿Las alucinaciones se pueden eliminar del todo?
Hoy por hoy, no. Sí se pueden reducir mucho con RAG, validación cruzada con bases de datos verificadas, prompting cuidadoso y evaluación humana en flujos críticos. Eliminar el problema de raíz exigiría cambios profundos en cómo se entrenan los modelos.
¿Qué tareas no conviene delegar a una IA?
Decisiones legales, médicas, financieras o de recursos humanos sin revisión humana. También cualquier flujo donde un error de hecho cause daño reputacional, económico o sanitario. La IA puede acompañar al profesional, pero no sustituirle en la firma.
¿Hay regulación europea sobre IA en España?
Sí. El Reglamento Europeo de IA está vigente y AESIA, la agencia española de supervisión, ha publicado guías para evaluación de riesgo, transparencia y supervisión humana. Las empresas que despliegan IA en sectores críticos deben preparar evaluaciones de conformidad antes de salir a producción.
¿Es cara la IA para una pyme?
Entrenar modelos propios sí. Usarla por API o desplegar modelos open source en hardware estándar es asequible: hay opciones desde unos pocos euros al mes hasta servidores con GPUs profesionales para uso intensivo. La clave está en elegir el caso de uso bien acotado, no en montar la infraestructura más grande posible.
