La promesa de una inteligencia artificial capaz de igualar —e incluso superar— la mente humana ha cobrado fuerza en los últimos años. Desde vencer a los mejores jugadores de ajedrez hasta aprobar exámenes profesionales, las capacidades de los modelos actuales parecen confirmar las predicciones más audaces sobre su potencial. Sin embargo, un reciente artículo académico publicado en Strategy Science por los investigadores Teppo Felin y Matthias Holweg cuestiona esta narrativa. Su tesis es tajante: “La teoría lo es todo” y la IA, al basarse únicamente en correlaciones estadísticas, no puede replicar ni sustituir el razonamiento causal humano.
Para Felin y Holweg, el núcleo de la cognición humana no radica en el procesamiento de datos, sino en la capacidad de generar teorías que explican y transforman el mundo. A diferencia de la IA, que opera con base en grandes volúmenes de datos pasados, los seres humanos construyen conocimiento mediante inferencias causales, hipótesis y experimentación. Esta diferencia, argumentan, es fundamental para comprender por qué los sistemas algorítmicos no son equiparables a la mente humana.
A lo largo del artículo, los autores desmontan el paralelismo histórico entre computadoras y cerebros, una analogía que ha influido fuertemente en los modelos de inteligencia artificial desde mediados del siglo XX. Según esta visión, ambas entidades serían sistemas de entrada y salida que procesan información para producir resultados. Esta noción, sustentada por enfoques como el cerebro bayesiano o el procesamiento predictivo, ha dado pie a una comprensión “computacional” de la mente. Felin y Holweg la califican de profundamente errada.
El texto dedica un extenso análisis al funcionamiento de los modelos de lenguaje, como los grandes modelos transformadores (LLM). Aunque estas herramientas son capaces de generar textos complejos y coherentes, su proceso se limita a predecir la siguiente palabra más probable en función de patrones estadísticos aprendidos. En palabras de los autores, “los LLM son máquinas de imitación creativa, no de innovación genuina”.
El corazón del argumento está en lo que llaman la “asimetría entre datos y creencias”. Mientras que la IA solo puede operar dentro de los límites impuestos por sus datos de entrenamiento, los humanos pueden mantener creencias que contradicen la evidencia disponible… y acertar. El ejemplo elegido para ilustrar esta idea es el del vuelo humano más pesado que el aire. Durante siglos, los datos y la ciencia establecida indicaban que tal hazaña era imposible. Incluso figuras como Lord Kelvin y Joseph LeConte lo afirmaban con convicción. No obstante, fueron justamente quienes desafiaron esas certezas —como los hermanos Wright— quienes lograron cambiar la historia.
Esta capacidad de “imaginar teorías correctas antes de que existan datos que las respalden” es, para los autores, la base del pensamiento humano. La IA, por su parte, carece de una arquitectura que permita formular hipótesis o intervenir activamente en el mundo para generar nueva evidencia. En consecuencia, su función es necesariamente retrospectiva e imitativa.
Felin y Holweg advierten que los intentos por usar IA en contextos de alta incertidumbre —como la estrategia organizacional o la producción científica— están mal fundamentados. Proyectos que postulan a los LLM como “científicos automatizados” o estrategas empresariales subestiman el papel del juicio humano, que no solo interpreta datos, sino que los transforma a través de la experimentación y el pensamiento causal.
Este cuestionamiento no implica despreciar los avances tecnológicos, sino ubicarlos en su justo lugar. Los autores reconocen que la IA tiene aplicaciones potentes en tareas específicas basadas en datos conocidos, como diagnósticos médicos o traducción de lenguas. Sin embargo, insisten en que el razonamiento humano opera bajo principios cualitativamente distintos.
En tiempos donde proliferan discursos que exaltan la inminente supremacía de la inteligencia artificial, este artículo introduce un necesario matiz. Recordar que los humanos no solo procesan información, sino que generan nuevas realidades mediante creencias que desafían el statu quo, puede resultar clave para no caer en reduccionismos tecnocráticos.
En definitiva, si el futuro del trabajo y la gestión dependerán cada vez más de la interacción con sistemas inteligentes, comprender los límites de la IA no es solo una cuestión filosófica. Es, también, una decisión estratégica.
