Alternativas

Amnesia programada

Si no corregimos el rumbo, heredaremos máquinas omniscientes y mudas en un planeta exhausto.

Existe una inercia biológica que nos empuja a confundir volumen con inteligencia. En la carrera por la inteligencia artificial, la industria convirtió la scaling law en un dogma: si algo funciona, hazlo más grande y el éxito llegará por acumulación. La historia advierte de que el escalado forzado siempre termina chocando con un límite físico, económico o moral. Hoy repetimos ese error a escala planetaria, con modelos gigantes de IA condenados a la amnesia estructural perpetua y con un apetito energético inmoral. Mientras un cerebro humano opera con 20 vatios, estos sistemas requieren infraestructuras colosales.


No es la primera vez que nos extraviamos en el gigantismo. La guerra del megahertz llevó a Intel y AMD a fabricar chips cada vez más rápidos hasta chocar con un muro térmico que volvió inútiles miles de millones en inversión. Solo entonces llegó el giro hacia la elegancia: no más rápido, sino mejor. El Concorde vivió la misma ilusión. Volaba a Mach 2, pero su consumo absurdo y sus costos lo convirtieron en un fracaso financiero. La historia es clara: el “más es mejor” siempre acaba arrodillado ante el “mejor es más”.


¿Por qué insistimos? Porque escalar es intelectualmente cómodo. Reduce incertidumbre y tranquiliza al inversionista: si más parámetros producen mejores resultados, la apuesta parece segura. Y las consecuencias ya están a la vista. Los avances se han ralentizado. Por cada 10 veces más dinero y energía, apenas obtenemos mejoras marginales.


Pero otra cosa es haber permitido que la industria se organice alrededor de los chips de Santa Clara, creando una monocultura tecnológica donde el software ya no imagina: solo obedece. Cuando una sola arquitectura define lo posible, no solo perdemos eficiencia: cedemos soberanía tecnológica. Un futuro diseñado por pocos termina sirviendo a pocos. No es solo un riesgo de mercado; es una renuncia moral disfrazada de progreso.
Seguimos atrapados en modelos que no recuerdan nada. Se les han dado ventanas de contexto enormes bajo la ilusión de que leer mucho equivale a recordar. Pero la memoria no es acumulación, es destilación. Hemos creado máquinas que lo saben todo por un instante, pero nada por convicción. Son genios sin pasado.


Cada interacción con IA es una elección: perpetuar el gigantismo o exigir eficiencia y sostenibilidad.


El costo ambiental y económico es insostenible. Cada chat, cada imagen generada, alimenta la demanda de más centros de datos que consumen electricidad como países enteros. Nuestra comodidad financia un modelo que agota recursos y concentra poder en silencio. La comodidad tiene un precio; fingir que no lo vemos es parte del problema. Todavía estamos a tiempo de corregir el rumbo, pero la ventana se estrecha cada año. Aprender de nuestros errores no es una opción retórica: es la única forma de no repetirlos a una escala que ya no admite ensayo y error.


Propuestas recientes, como DeepSeek, muestran que la eficiencia arquitectónica puede romper el hechizo del gigantismo, pero aún arrastran la misma amnesia estructural perpetua. Seguimos optimizando fuerza bruta en lugar de imitar la economía del pensamiento biológico. La verdadera inteligencia no es procesar más, sino comprender mejor. No podemos seguir actuando como si el costo fuera invisible. La tecnología no es un destino: es una decisión.


Cada interacción con IA es una elección: perpetuar el gigantismo o exigir eficiencia y sostenibilidad. El futuro no está escrito. Pero si no corregimos el rumbo, heredaremos máquinas omniscientes y mudas en un planeta exhausto. No es fatalismo. Es historia repetida. El progreso real no es crecer hasta reventar, sino aprender a ser complejos sin perder la ligereza.

ESCRITO POR:

Carlos R. Paredes

Consultor en desarrollo institucional y empresarial. Máster en Economía Aplicada y Administración de Negocios. Ingeniero Mecánico Industrial. Exdirector ejecutivo del Campus Sur UVG. Exdecano de la Facultad de Ingeniería UVG. Catedrático universitario.