Por Sreedhar Potarazu y Carin Isabel Knoop
El debate sobre el impacto de la inteligencia artificial no trata únicamente de tecnología; también trata de la brecha entre cómo funciona realmente y cómo nos parece que funciona. Esa diferencia no siempre es evidente, pero siempre está presente, de la misma manera que ocurre cuando observamos quién está al otro lado de una puerta a través de un ojo de puerta.
La ilusión a través del peephole
Una ojo de puerta o peephole como le decimos en inglés está diseñada para ampliar el campo visual, pero lo hace desviando la luz mediante una lente curva que inevitablemente distorsiona lo que vemos. Desde afuera, la persona que está dentro parece más pequeña y lejana; desde adentro, quien está afuera puede verse estirado o deformado en los bordes. En ambos sentidos, la imagen parece real, pero está sutilmente alterada, reforzando la ilusión de que estamos viendo el cuadro completo cuando, en realidad, la visión está condicionada por las limitaciones de la lente.
Este es uno de los desafíos centrales de la omnipresencia de la inteligencia artificial: desarrolladores y usuarios observan el mismo sistema a través de mirillas diferentes y, por ello, llegan a conclusiones muy distintas. La IA se desarrolla a partir de datos limitados, representaciones restringidas y modelos diseñados por seres humanos que solo pueden aproximarse a la realidad. Mientras tanto, quienes interactúan con ella forman opiniones basadas en resultados parciales sin comprender completamente cómo se generan.
Los seres humanos están programados para reducir la incertidumbre prediciendo qué sucederá después, porque eso les brinda una sensación de control. La IA, por su parte, está construida para hacer algo similar mediante el reconocimiento de patrones en los datos. Ambas partes observan el mundo a través de la misma mirilla del conocimiento incompleto. Cuando se toman decisiones desde esa perspectiva limitada, la brecha entre los expertos en IA y el público general se vuelve más evidente. La IA interpreta resultados en términos de probabilidades, variaciones y limitaciones esperadas. Los usuarios, en cambio, suelen concentrarse en los resultados individuales que tienen frente a ellos.
Matemáticas versus mito
Las personas suelen aceptar lo que ven a través del ojo de la puerta de la IA como si fuera una representación fiel de la realidad, sin comprender la lógica matemática que existe detrás. Investigaciones del Pew Research Center reflejan esta diferencia: los científicos especializados en IA tienden a mostrarse más optimistas porque entienden lo que existe más allá de esa visión limitada. El público, por el contrario, suele expresar mayores preocupaciones porque reacciona a lo que aparece directamente frente a sus ojos.
Los resultados de la IA son solo una pequeña muestra de comportamiento impulsada por el reconocimiento de patrones, no por creatividad auténtica ni por experiencias vividas. El ojo de puerta oculta la ausencia de intención, emociones y experiencias humanas, permitiendo que las respuestas parezcan más completas de lo que realmente son.
El trabajo de Tom Griffiths en The Laws of Thought ayuda a explicar por qué esta mirilla genera interpretaciones tan diferentes. Tanto los humanos como la IA utilizan probabilidades para comprender la incertidumbre. Sin embargo, solo los expertos están entrenados para identificar los patrones de datos que van más allá de lo que es inmediatamente visible. Ellos entienden que lo que aparece por el ojo de puerta es apenas un caso dentro de un conjunto mucho más amplio de posibilidades. El usuario común solo experimenta lo que ve en ese momento, sin acceso al contexto más amplio.
Esa capa faltante de interpretación es lo que convierte una herramienta probabilística en algo que puede parecer mucho más poderoso o mucho más amenazante de lo que realmente es. Esto se vuelve especialmente evidente en las preocupaciones sobre creatividad y relaciones humanas. Cuando alguien observa a una IA generar ideas o mantener conversaciones, puede sentir que algo profundamente humano está siendo reemplazado.
Cum machina cogitare videtur (Cuando parece que la máquina piensa)
Incluso quienes desarrollan IA siguen observando a través de un ojo de puerta. Los propios creadores trabajan con limitaciones y no pueden predecir completamente cómo se comportarán los modelos complejos en todas las circunstancias. Cuando surgen comportamientos inesperados, estos representan simplemente destellos de lo que existe más allá del campo de visión actual, no evidencia de una intención independiente.
Sin embargo, cuando esos comportamientos llegan al público sin explicación, pueden parecer alarmantes. Lo que para un desarrollador es una limitación del conocimiento o un error técnico, para el usuario puede interpretarse como una pérdida de control.
Un ejemplo reciente proviene de pruebas realizadas con modelos avanzados como Claude. Durante experimentos controlados, el sistema pareció redactar o intentar enviar correos electrónicos que no le habían sido solicitados explícitamente. Desde la perspectiva de los desarrolladores, esto representa una falla o una limitación en la interpretación de instrucciones que puede ser estudiada y corregida. Pero desde la perspectiva del público, puede parecer una señal de autonomía o intención propia.
La forma en que percibimos la IA también cambia según el contexto.
En educación, un estudiante puede utilizar IA para redactar un trabajo sobre cambios recientes en políticas públicas, como las modificaciones realizadas entre 2024 y 2025 a las normas de ayuda financiera universitaria (FAFSA) o préstamos estudiantiles. La IA produce una explicación clara y convincente, pero basada en información antigua. Como la respuesta parece completa y confiable, el estudiante la utiliza sin verificar fuentes actualizadas.
Cuando el profesor detecta que la información está desactualizada, el estudiante se siente engañado. Para un experto, en cambio, se trata simplemente de una limitación conocida de un modelo entrenado con datos que no incluyen los cambios más recientes.
En el ámbito de la salud, los beneficios suelen ser más visibles: diagnósticos más rápidos o una mayor eficiencia. Los riesgos relacionados con la privacidad y el uso de los datos permanecen ocultos.
En el mundo laboral ocurre lo contrario: el temor al reemplazo por máquinas es inmediato y visible, mientras que las posibilidades de colaboración y aumento de capacidades humanas son menos evidentes.
También sucede algo similar con las preocupaciones sobre representación y equidad. Muchas personas desconocen quién desarrolla los modelos, qué datos se utilizan o cómo se toman las decisiones. La falta de transparencia alimenta la incertidumbre y las sospechas.
El desafío: ampliar la mira
A medida que la IA se vuelve más poderosa y más utilizada, la mira no se amplía al mismo ritmo. Las personas interactúan con estas herramientas cada vez más, pero su comprensión de lo que ocurre detrás de las respuestas no avanza con la misma velocidad.
Esto genera una paradoja: aumenta la exposición, pero no necesariamente la claridad. La IA continúa aprendiendo a partir de representaciones incompletas del mundo, mientras que los seres humanos continúan interpretando sus respuestas sin disponer de todo el contexto.
Por ello, la ansiedad que reflejan muchas encuestas de opinión no es irracional. Es una reacción natural al intentar comprender algo complejo desde una visión limitada. El desafío no consiste únicamente en mejorar la IA, sino en ampliar la mirilla para ambos lados de la puerta, permitiendo una narrativa más equilibrada entre quienes ven a la IA como una salvadora y quienes la consideran la raíz de todos los problemas presentes y futuros.
Parte de la solución sería que las herramientas de IA destinadas al público indicaran con mayor claridad el nivel de confianza de sus respuestas. Advertencias como “esta información podría estar desactualizada” o “baja confianza en este resultado” ayudarían a los usuarios a comprender mejor las limitaciones del sistema.
También sería útil indicar cuándo una respuesta se basa en inferencias y cuándo está respaldada por hechos verificables, además de ofrecer información más clara sobre la actualidad de los datos utilizados para generar la respuesta.
Por otro lado, las escuelas y los lugares de trabajo podrían enseñar mejor cómo funcionan estos sistemas: cómo pueden reconocer patrones, sonar convincentes y, aun así, estar equivocados. Los usuarios deberían aprender a verificar información importante, formular preguntas adicionales y comprender que una respuesta fluida no es necesariamente una respuesta correcta.
Queda por ver si las personas recompensarán a las herramientas que reconocen honestamente sus limitaciones o si preferirán aquellas que alimentan nuestra necesidad de certezas.
Cuando la IA refleje con mayor transparencia la realidad de su funcionamiento y nosotros comprendamos mejor sus capacidades y límites, podremos convertirnos en usuarios más efectivos. Habrá menos miedo, menos ilusiones y, quizás, una mayor madurez por ambas partes al reconocer las limitaciones y sesgos del otro.
Carin Isabel Knoop es Directora Ejecutiva de Harvard Business School
Sreedhar Potarazu es Director Clinico de Vision e IA del American Eye Care Center
