0
1
Inteligencia artificial: un enfoque
moderno y aprendizaje profundo
Tejada Rodriguez, Roberto Segundo; Gonzales
Mesia, Santiago; Castro Ullilen, José Luis;
Palomino Ochoa, Juan José; Palomino Ochoa,
Rosario Leonor; Castillo De Lima, María
Micaela; Yon Delgado, Claudia Patricia
© Tejada Rodriguez, Roberto Segundo;
Gonzales Mesia, Santiago; Castro Ullilen, José
Luis; Palomino Ochoa, Juan José; Palomino
Ochoa, Rosario Leonor; Castillo De Lima,
María Micaela; Yon Delgado, Claudia
Patricia , 2026
Primera edición (1.ª ed.): febrero, 2026
Editado por:
Editorial Mar Caribe ®
www.editorialmarcaribe.es
Av. Gral. Flores 547, 70000 Col. del
Sacramento, Departamento de Colonia,
Uruguay.
Diseño de carátula e ilustraciones: Luisa
Fernanda Lugo Rojas
Libro electrónico disponible en:
https://editorialmarcaribe.es/ark:/10951/is
bn.9789915698717
Formato: Electrónico
ISBN: 978-9915-698-71-7
ARK: ark:/10951/isbn.9789915698717
Editorial Mar Caribe (OASPA): Como miembro de la
Open Access Scholarly Publishing Association,
apoyamos el acceso abierto de acuerdo con el código
de conducta, la transparencia y las mejores prácticas
de OASPA para la publicación de libros académicos
y de investigación. Estamos comprometidos con los
más altos estándares editoriales en ética y
deontología, bajo la premisa de «Ciencia Abierta en
América Latina y el Caribe»
Editorial Mar Caribe, firmante Nº 795 de 12.08.2024
de la Declaración de Berlín
"... Nos sentimos obligados a abordar los retos de Internet
como medio funcional emergente para la distribución del
conocimiento. Obviamente, estos avances pueden
modificar significativamente la naturaleza de la
publicación científica, así como el actual sistema de
garantía de calidad...." (Max Planck Society, ed. 2003,
pp. 152-153).
CC BY-NC 4.0
Los autores pueden autorizar al público en general a
reutilizar sus obras únicamente con fines no
lucrativos, los lectores pueden utilizar una obra para
generar otra, siempre que se dé crédito a la
investigación, y conceden al editor el derecho a
publicar primero su ensayo bajo los términos de la
licencia CC BY-NC 4.0.
Editorial Mar Caribe se adhiere a la "Recomendación
relativa a la preservación del patrimonio documental,
comprendido el patrimonio digital, y el acceso al
mismo" de la UNESCO y a la Norma Internacional de
referencia para un sistema abierto de información
archivística (OAIS-ISO 14721). Este libro está
preservado digitalmente por ARAMEO.NET
2
Editorial Mar Caribe
Inteligencia artificial: un enfoque moderno y
aprendizaje profundo
Colonia, Uruguay
2026
3
Inteligencia artificial: un enfoque moderno y
aprendizaje profundo
4
Índice
Introducción .............................................................................................................. 6
Capítulo I .................................................................................................................. 9
Inteligencia artificial: un enfoque moderno y aprendizaje profundo ......................... 9
1.1 El marco del agente inteligente y la evolución de AIMA ............................... 9
1.2 Estructura y taxonomía del entorno de la tarea (PEAS) ............................... 10
1.3 El paradigma del aprendizaje profundo (Deep Learning) ........................... 13
Instituciones académicas y programas especializados ...................................... 18
1.4 El paradigma del aprendizaje profundo (Deep Learning) ........................... 22
Capítulo II ............................................................................................................... 26
Inteligencia Artificial: Explorando Enfoques Modernos y el Futuro del Aprendizaje
Profundo ................................................................................................................. 26
2.1 Modelos Fundacionales, Aprendizaje Autosupervisado y Evolución
Arquitectónica.................................................................................................. 27
2.2 Interpretabilidad Mecanicista y el Desafío de la Transparencia Algorítmica30
2.3 Más Allá del Modelado Autorregresivo: Modelos de Mundo y Arquitecturas
JEPA ................................................................................................................ 32
2.4 Inteligencia Artificial Causal: Inferencia, Razonamiento y Aplicaciones
Prácticas ........................................................................................................... 33
Disrupción en la salud y sistemas dinámicos.................................................... 35
2.5 Alineación, Sesgos Algorítmicos y la Paradoja de los Datos Sintéticos ........ 36
2.6 La Frontera Neuro-Simbólica y la Revolución de la Computación
Neuromórfica ................................................................................................... 38
2.7 La Crisis de Sostenibilidad y la Eficiencia Algorítmica (Compresión y Poda)
......................................................................................................................... 41
2.8 Gobernanza Global y Soberanía de la Inteligencia Artificial (2025-2027) ..... 44
Capítulo III .............................................................................................................. 50
La Transformación Socioeconómica y los Imperativos Éticos de la Autonomía ....... 50
3.1 Percepción Avanzada en Sistemas Robóticos .............................................. 51
3.2 El Ecosistema de la Robótica e IA en Perú: Avances y Estrategia Nacional.. 62
Capítulo IV ............................................................................................................. 67
Gobernanza Global y Soberanía de la Inteligencia Artificial .................................... 67
5
4.1 El Nuevo Paradigma de la Gobernanza Global: De los Principios a la
Operatividad .................................................................................................... 67
4.2 La Soberanía de la IA como Eje de la Resiliencia Estratégica ....................... 69
4.3 El Caso de Perú: Marco Normativo y Estrategia 2026-2030 ......................... 72
4.4 Proyecciones Económicas y Sociales hacia el 2030 ....................................... 75
Capítulo V ............................................................................................................... 78
El Giro Humano-Céntrico de la Industria 5.0: Tecnología, Sociedad y Resiliencia ... 78
5.1 Evolución Conceptual: De la Automatización a la Colaboración Simbiótica 79
5.2 Los Tres Pilares de la Industria 5.0 .............................................................. 81
5.3 Transformación del Talento Humano: Upskilling y Bienestar ..................... 86
5.4 Desafíos Éticos, Legales y la Brecha Digital en las PYMES .......................... 88
Capítulo VI ............................................................................................................. 93
Integración neuro-simbólica .................................................................................... 93
6.1 Marco teórico y taxonomía de la integración ............................................... 93
6.2 DeepProbLog: Integración de lógica probabilística y aprendizaje profundo 97
6.3 Aplicaciones de alto impacto en sectores regulados .................................. 100
6.4 Desafíos sistémicos: hardware, escalabilidad y brechas de investigación .. 102
Conclusión ............................................................................................................ 105
Bibliografía............................................................................................................ 108
6
Introducción
Al considerar el estado de la disciplina en el primer trimestre de 2026,
resulta evidente que la inteligencia artificial (IA) ha trascendido su identidad
histórica como mera herramienta de automatización para consolidarse como
un socio cognitivo fundamental en la infraestructura de la civilización
contemporánea. El paradigma ha virado drásticamente desde la interrogante
clásica planteada a mediados del siglo XX sobre si las máquinas podrían algún
día pensar, hacia una indagación mucho más profunda y centrada en la
condición humana: de qué manera el pensamiento, la creatividad y la toma de
decisiones éticas de las personas evolucionan al operar de forma integrada con
sistemas inteligentes.
Esta transformación no es solo técnica, sino ontológica, alterando la
percepción de la capacidad humana en campos tan diversos como la medicina
de precisión, la ciencia de materiales y la gobernanza global. La arquitectura
de este libro surge de la necesidad de sintetizar dos vertientes que, hasta hace
poco, se trataban como dominios paralelos: el enfoque moderno de agentes
racionales y la profundidad técnica de las redes neuronales contemporáneas.
Ahora bien, el enfoque moderno ya no puede definirse únicamente por
la maximización de funciones de rendimiento estáticas en entornos
controlados; hoy, la modernidad en IA implica la creación de sistemas que
poseen una comprensión estructurada y auditable del mundo, capaces de
razonar sobre la incertidumbre y de justificar sus decisiones ante supervisores
humanos y marcos regulatorios estrictos. El aprendizaje profundo, por su
7
parte, ha evolucionado desde el procesamiento masivo de datos hacia una fase
de eficiencia extrema y especialización, lo que permite que modelos con un
menor número de parámetros superen en tareas específicas a los gigantes
monolíticos de años anteriores.
Esta investigación se sitúa en un momento en el que la IA ha dejado de
ser un instrumento externo para convertirse en un compañero que eleva el
potencial humano en el trabajo y en la resolución de problemas. En el ámbito
de la investigación científica, por ejemplo, la IA ya no se limita a resumir la
literatura académica, sino que participa activamente en el proceso de
descubrimiento en física, química y biología, generando hipótesis y
controlando experimentos de forma autónoma, pero bajo la gobernanza
humana. Esta capacidad de agencia es el hilo conductor que recorre los
capítulos de esta obra, con el objetivo de analizar cómo el aprendizaje profundo
proporciona la percepción necesaria para una dimensión sociotécnica que
trasciende la definición clásica de agentes racionales que operan en entornos
estáticos.
La modernidad hoy se define por la integración de la IA en procesos
estratégicos donde la explicación, la defensa y el refinamiento de las decisiones
son tan importantes como el resultado mismo. Para comprender la
sofisticación de los sistemas actuales, es imperativo analizar la trayectoria
evolutiva que comenzó con las visiones proféticas de los pioneros de la
computación. Alan Turing, en su trabajo fundamental de 1950, no solo propuso
el famoso test de comportamiento inteligente, sino que también estableció la
base teórica de la máquina universal, un dispositivo capaz de ejecutar
cualquier cómputo descriptible mediante un conjunto de instrucciones. No
8
obstante, las raíces de la inteligencia artificial simbólica se extienden aún más
atrás, hasta Ada Lovelace, quien vislumbró que la Máquina Analítica podría
procesar algo más que números, manipulando símbolos que representaran
música o texto, lo que sentó las bases del procesamiento simbólico moderno.
9
Capítulo I
Inteligencia artificial: un enfoque
moderno y aprendizaje profundo
El panorama contemporáneo de la inteligencia artificial representa la
culminación de siete décadas de investigación y de milenios de pensamiento
filosófico sobre la naturaleza del razonamiento y la acción. En la transición
hacia la tercera década del siglo XXI, el campo ha experimentado un giro
paradigmático desde la ingeniería del conocimiento manual hacia un modelo
centrado en los datos, en el que la arquitectura de los agentes inteligentes se
define por su capacidad para extraer jerarquías conceptuales a partir de la
experiencia sensorial directa. Este informe examina la síntesis entre el enfoque
de agentes racionales, popularizado por Stuart Russell y Peter Norvig, y la
revolución del aprendizaje profundo liderada por Ian Goodfellow, Yoshua
Bengio y Aaron Courville, y analiza cómo dicha convergencia está dando lugar
a sistemas neurosimbólicos capaces de emular tanto la intuición rápida como
el razonamiento lógico deliberado.
1.1 El marco del agente inteligente y la evolución de AIMA
La definición de inteligencia artificial ha convergido en torno al estudio
de los agentes que reciben percepciones del entorno y ejecutan acciones para
maximizar una medida de desempeño. Este enfoque, detallado en la cuarta
edición de Artificial Intelligence: A Modern Approach (AIMA), unifica subcampos
previamente fragmentados, como la lógica, la probabilidad y el cálculo
10
continuo, bajo un marco común centrado en la toma de decisiones óptima
(Russel & Norvig, 2004).
A diferencia de las ediciones anteriores, la versión más reciente de
AIMA refleja la madurez del aprendizaje automático y su impacto en la
robótica, la visión por computadora y el procesamiento del lenguaje natural.
Un cambio filosófico crítico es el abandono de la suposición de que el objetivo
del agente es fijo y conocido por el sistema; ahora se asume que el agente puede
tener incertidumbre sobre los verdaderos objetivos humanos, lo que requiere
un aprendizaje continuo de las preferencias del usuario para operar de manera
segura y ética.
La estructura del texto se ha reorganizado para reflejar la prevalencia de
los datos masivos y de los recursos de computación modernos.
Aproximadamente el 25% del material es completamente nuevo y el 75% ha
sido reescrito para integrar conceptos como la programación probabilística, los
sistemas multiagente y, de manera prominente, el aprendizaje profundo como
componente central del diseño de agentes.
1.2 Estructura y taxonomía del entorno de la tarea (PEAS)
Para diseñar un agente, primero se debe especificar el entorno de la
tarea utilizando el marco PEAS, que comprende la Medida de Desempeño
(Performance), el Entorno (Environment), los Actuadores (Actuators) y los
Sensores (Sensors). Este análisis permite determinar qué tipo de arquitectura
es necesaria (Russel & Norvig, 2004).
La racionalidad del agente se evalúa en función de su capacidad para
11
seleccionar acciones que maximicen el valor esperado de la medida de
desempeño, dada la secuencia de percepciones recibidas hasta el momento y
el conocimiento previo incorporado. Es fundamental distinguir entre
racionalidad y omnisciencia: un agente racional toma la mejor decisión posible
con la información disponible, aunque el resultado final no sea óptimo debido
a factores imprevisibles (Frankish & Ramsey, 2014).
Tipos de arquitecturas de agentes
La complejidad del agente está intrínsecamente ligada a la naturaleza
de su entorno. Los agentes se clasifican en varias categorías según su estructura
interna y su capacidad de procesamiento:
1. Agentes de Reflejo Simple: Actúan basándose únicamente en la
percepción actual, mediante reglas de condición-acción. Son limitados en
entornos no totalmente observables.
2. Agentes de Reflejo Basados en Modelos: Mantienen un estado interno que
representa las partes no visibles del mundo y se actualizan según el
historial de percepciones.
3. Agentes Basados en Metas: Utilizan información sobre objetivos deseables
para planificar secuencias de acciones. Introducen la necesidad de la
búsqueda y de la planificación.
4. Agentes Basados en Utilidad: Emplean una función de utilidad para
cuantificar el grado de felicidad o de éxito de un estado, lo que permite
tomar decisiones cuando hay objetivos en conflicto o incertidumbre.
5. Agentes de Aprendizaje: Incorporan un componente que permite mejorar
el desempeño a través de la experiencia, ajustando los elementos de
12
decisión en función de la retroalimentación del entorno.
Algoritmos clásicos de búsqueda y planificación
A pesar del auge del aprendizaje profundo, los algoritmos clásicos de
búsqueda siguen siendo la base de la planificación y el razonamiento lógico en
sistemas de IA. Estos se dividen principalmente en búsquedas no informadas
e informadas.
Búsqueda no informada y heurística
Los métodos de búsqueda no informada, como la búsqueda en anchura
(BFS) y la búsqueda en profundidad (DFS), exploran el espacio de estados sin
conocer la proximidad de la meta. El algoritmo de Dijkstra, o búsqueda de
costo uniforme, expande el nodo con el menor costo acumulado, garantizando
la optimalidad si los costos son positivos.
La búsqueda informada utiliza funciones heurísticas para guiar el
proceso. El algoritmo A* es el estándar en este ámbito, combinando el costo
acumulado con una estimación del costo restante para encontrar el
camino óptimo de manera eficiente. En entornos adversarios, como los juegos
de suma cero, se emplean el algoritmo Minimax y la poda Alfa-Beta para
reducir drásticamente el espacio de búsqueda al descartar ramas que no
afectan la decisión final.
Representación del conocimiento y planificación
La IA moderna distingue entre tres tipos de representación de estado:
atómica (el estado es una caja negra), factorizada (el estado se describe por
13
atributos) y estructurada (el estado incluye objetos y sus relaciones). La
planificación automatizada, detallada en los capítulos de AIMA, utiliza estas
representaciones para realizar búsquedas en el espacio de estados, ya sea hacia
adelante (desde el estado inicial hasta la meta) o hacia atrás (desde la meta
hasta el estado inicial) (Tejada et al., 2017).
1.3 El paradigma del aprendizaje profundo (Deep Learning)
El aprendizaje profundo ha transformado la capacidad de las máquinas
para procesar datos no estructurados como imágenes, audio y texto. Se define
como una forma de aprendizaje automático que permite a las computadoras
aprender de la experiencia a través de una jerarquía de conceptos. Al construir
conceptos complejos a partir de otros más simples, los sistemas de aprendizaje
profundo eliminan la necesidad de que los humanos definan manualmente
todas las características relevantes de los datos.
El éxito de las redes neuronales profundas se apoya en tres áreas
matemáticas críticas: el álgebra lineal para la representación de tensores, la
teoría de la probabilidad para modelar la incertidumbre y el cálculo para la
optimización mediante el descenso de gradiente estocástico. El libro
fundamental de Goodfellow et al. divide el campo en tres partes: conceptos
matemáticos básicos, redes neuronales prácticas modernas y perspectivas de
investigación avanzada (ver Tabla 1).
14
Tabla 1: Función en el aprendizaje profundo de las matemáticas
Área Matemática
Función en el Aprendizaje Profundo
Álgebra Lineal
Operaciones con matrices y vectores para
transformar datos.
Probabilidad e Información
Cuantificación de la incertidumbre y medición de
la sorpresa en los datos.
Computación Numérica
Optimización iterativa de pesos para minimizar
la función de pérdida.
Cálculo Multivariable
Cálculo de los gradientes para la
retropropagación del error.
Las redes neuronales convolucionales (CNN) son la arquitectura de
referencia para el procesamiento de imágenes y videos. Utilizan capas de
convolución que aplican filtros para detectar características espaciales de
forma jerárquica: desde bordes y texturas en las capas iniciales hasta objetos
complejos en las capas profundas.
Por otro lado, las redes neuronales recurrentes (RNN) y sus variantes
avanzadas, como LSTM (Long Short-Term Memory) y GRU (Gated Recurrent
Unit), están diseñadas para procesar datos secuenciales. Estas redes mantienen
un estado oculto que actúa como memoria, lo que permite que la información
de pasos temporales previos influya en las predicciones actuales. Sin embargo,
las RNN enfrentan desafíos con las dependencias a largo plazo debido al
problema del desvanecimiento del gradiente.
15
El auge de los Transformers y la atención
La arquitectura Transformer, introducida en 2017, ha reemplazado en
gran medida a las RNN en tareas de procesamiento de lenguaje natural (NLP).
A diferencia de las RNN, los Transformers procesan secuencias completas en
paralelo, utilizando un mecanismo de atención para ponderar la relevancia de
cada parte de la entrada respecto de las demás. Este paralelismo no solo reduce
el tiempo de entrenamiento, sino que también permite capturar dependencias
de largo alcance de manera mucho más efectiva.
Los Transformers utilizan la codificación posicional para mantener el
orden de las palabras, ya que el mecanismo de atención es inherentemente
agnóstico de la posición. Esta arquitectura es la base de modelos de lenguaje a
gran escala (LLM) como GPT-4 y Gemini, que han demostrado capacidades
emergentes en razonamiento y generación de contenido.
Integración neuro-simbólica: El futuro de la IA
A pesar de los avances en el aprendizaje profundo, los modelos
neuronales puros a menudo carecen de interpretabilidad y sufren de opacidad,
operando como cajas negras. La inteligencia artificial neuro-simbólica surge
como un enfoque híbrido que combina la robustez perceptiva del aprendizaje
profundo con la capacidad de razonamiento lógico de la IA simbólica clásica
(Liang et al., 2025).
Esta síntesis se alinea con la teoría del pensamiento rápido y lento de
Daniel Kahneman. El Sistema 1 (representado por las redes neuronales) es
rápido, intuitivo y experto en el reconocimiento de patrones, pero propenso a
16
errores lógicos. El Sistema 2 (representado por la IA simbólica) es lento,
deliberativo y lógico, capaz de seguir reglas explícitas y realizar deducciones
rigurosas.
La IA neuro-simbólica integra ambos sistemas para crear modelos que
no solo reconozcan una imagen de un accidente, por ejemplo, sino que también
comprendan las leyes de tránsito y puedan explicar por qué se produjo el
evento.
Arquitecturas y Logic Tensor Networks (LTN)
Existen diversas formas de integrar componentes neuronales y
simbólicos, desde envoltorios simbólicos que filtran las salidas de una red
hasta sistemas en los que la lógica está profundamente integrada en la
estructura de la red. Las Logic Tensor Networks (LTN) representan un avance
significativo al permitir que las fórmulas de lógica de primer orden se
traduzcan en términos diferenciables en una red neuronal.
En una LTN, las reglas de conocimiento experto se incorporan
directamente en la función de pérdida. Esto permite que el sistema aprenda
patrones en los datos mientras respeta restricciones lógicas absolutas. Por
ejemplo, en el diagnóstico médico, una red neuronal puede detectar patrones
en una radiografía, mientras que un componente simbólico garantiza que el
diagnóstico sugerido no contradiga principios biológicos fundamentales ni
pautas clínicas establecidas.
AlphaGeometry: Un hito de razonamiento híbrido
AlphaGeometry, un sistema desarrollado por Google DeepMind,
17
ejemplifica el poder de la IA neurosimbólica al resolver problemas de
geometría de alto nivel. Su arquitectura consta de dos partes principales (Wang
et al., 2025):
● Un modelo de lenguaje neuronal que predice construcciones auxiliares
(nuevos puntos o líneas) que podrían resultar útiles para la prueba.
● Un motor de deducción simbólica que aplica reglas lógicas de geometría
clásica para avanzar en la demostración.
Comparativa: IA basada en reglas vs. Aprendizaje profundo
La elección entre un sistema basado en reglas y uno basado en
aprendizaje profundo depende de la complejidad de la tarea y de la necesidad
de transparencia y control (ver Tabla 2).
Tabla 2: Comparativa: IA basada en reglas vs. Aprendizaje profundo
Criterio
Sistemas basados en Reglas
Aprendizaje Profundo
Explicabilidad
Alta: Cada decisión se rastrea
hasta una regla.
Baja: funciona como una caja
negra.
Requerimientos de Datos
Bajos o nulos: depende de
expertos humanos.
Muy altos: requieren millones
de puntos de datos.
Manejo de Incertidumbre
Bajo: Las reglas suelen ser
deterministas.
Alto: Excelente para manejar el
ruido y los matices.
Escalabilidad
Difícil: El número de reglas
crece exponencialmente.
Moderada: escala en potencia
de cómputo y de datos.
18
Adaptabilidad
Requiere intervención manual
constante.
Alta: Aprende y se ajusta con
nuevos datos.
La tendencia actual no es elegir uno frente a otro, sino fusionarlos en
sistemas que mantengan la precisión y la adaptabilidad del aprendizaje
profundo, mientras conservan la auditabilidad y el cumplimiento de las
normas de los sistemas expertos.
Ecosistema de la IA en Lima: Recursos y formación
La adopción de la inteligencia artificial en el Perú, y específicamente en
Lima, ha impulsado la creación de una infraestructura educativa y de
investigación significativa. El distrito de Jesús María y sus alrededores se han
convertido en un eje para el acceso a estos recursos técnicos.
Instituciones académicas y programas especializados
Varias universidades en Lima han lanzado carreras y laboratorios
enfocados exclusivamente en IA para preparar a la próxima generación de
profesionales.
1. Universidad María Auxiliadora (UMA): Ofrece la carrera de Ingeniería en
Inteligencia Artificial, con cursos modulares que incluyen Deep Learning,
Reinforcement Learning e IA para Ciberseguridad. Se destaca por integrar
herramientas de IA en todas sus carreras profesionales desde el primer
ciclo.
2. Universidad de San Martín de Porres (USMP): Inauguró el primer
laboratorio de inteligencia artificial en el Perú en colaboración con Huawei
19
(IALAP). El laboratorio utiliza la plataforma ModelArts para la
investigación en analítica de datos, big data y gestión de datos.
3. Pontificia Universidad Católica del Perú (PUCP): Imparte diplomados de
seis meses en Inteligencia Artificial, con un enfoque que combina
fundamentos teóricos y aplicaciones industriales reales.
4. Universidad del Pacífico (UP): Ofrece programas de especialización en
Inteligencia Artificial aplicada al Sector Público a través de su Escuela de
Gestión Pública, con enfoque en la modernización del Estado.
Recursos bibliográficos y bibliotecas técnicas
Para el estudio autodidacta y la investigación académica, Lima cuenta
con colecciones bibliográficas extensas, muchas de ellas con acceso digital.
● Biblioteca Nacional del Perú (BNP): Ofrece un catálogo general en línea
que incluye libros técnicos, hemerografía y recursos electrónicos. Su
plataforma BNP Digital permite acceder a miles de documentos
digitalizados para estudiantes y profesionales.
● Biblioteca de la Escuela Nacional de Administración Pública (ENAP):
Ubicada en Jesús María (Av. Cuba 699), ofrece servicios de búsqueda
especializada y capacitaciones para fortalecer las competencias en el sector
público.
● Biblioteca de la Universidad del Pacífico: Cuenta con guías sobre
producción académica en inteligencia artificial y recursos para la
investigación
● Biblioteca del Organismo de Evaluación y Fiscalización Ambiental (OEFA):
Ubicada en Jesús María, dispone de recursos bibliográficos y organiza programas
20
sobre el uso de herramientas de IA en la investigación científica.
Librerías especializadas en textos técnicos
La adquisición de libros fundamentales, como AIMA o el texto de Deep
Learning de Goodfellow, puede realizarse en librerías con secciones técnicas
dedicadas.
● Librería SBS (Special Book Services): Tiene sedes en la Universidad del
Pacífico (Jesús María) y en San Marcos. Su catálogo incluye libros de
ingeniería de software, de matemáticas para ingeniería e inteligencia
artificial.
● Librería Communitas: Ubicada cerca de Jesús María (Av. Dos de Mayo
1690, San Isidro), cuenta con un amplio rubro en ciencia y tecnología,
además de literatura técnica internacional.
● Librerías Crisol: Con sedes en centros comerciales como Real Plaza
Salaverry (Jesús María), ofrece una sección de libros técnicos y
profesionales.
Ética, seguridad y el futuro de la inteligencia artificial
A medida que la inteligencia artificial se integra más profundamente en
la sociedad, los temas de seguridad y ética se vuelven inseparables del
desarrollo técnico. La cuarta edición de AIMA dedica capítulos enteros a la
filosofía y a la seguridad de la IA, abordando el impacto del desempleo
tecnológico y los riesgos de los sistemas superinteligentes.
Uno de los mayores desafíos es garantizar que los sistemas de IA sean
justos y confiables. Esto implica no solo eliminar los sesgos en los datos de
21
entrenamiento, sino también asegurar que los objetivos del sistema coincidan
con los valores humanos. La IA neuro-simbólica se perfila aquí como una
solución clave, ya que permite imponer restricciones éticas explícitas mediante
reglas simbólicas que el sistema no puede ignorar, independientemente de los
patrones que aprenda a partir de los datos (Smuha, 2025).
La evolución desde la IA basada en reglas hacia el aprendizaje profundo
y, ahora, hacia la síntesis neuro-simbólica refleja un intento de capturar la
complejidad de la inteligencia humana. El futuro del campo reside en
desarrollar agentes capaces de percibir con la agudeza del aprendizaje
profundo, razonar con la precisión de la lógica formal y operar en entornos
desconocidos con la adaptabilidad del aprendizaje por refuerzo.
La integración de estos enfoques no solo promete sistemas más
potentes, sino también más seguros y transparentes, capaces de colaborar de
manera efectiva con los seres humanos en la resolución de los problemas más
complejos de nuestra era. En este camino, la educación continua y el acceso a
recursos técnicos, como los disponibles en los nodos académicos de Lima,
serán fundamentales para asegurar un desarrollo tecnológico equitativo y
responsable.
A pesar del auge del aprendizaje profundo, los algoritmos clásicos de
búsqueda siguen siendo la base de la planificación y el razonamiento lógico en
sistemas de IA. Estos se dividen principalmente en búsquedas no informadas
e informadas.
Los métodos de búsqueda no informada, como la búsqueda en anchura
22
(BFS) y la búsqueda en profundidad (DFS), exploran el espacio de estados sin
conocer la proximidad de la meta. El algoritmo de Dijkstra, o búsqueda de
costo uniforme, expande el nodo con el menor costo acumulado, garantizando
la optimalidad si los costos son positivos (Escobar & Giraldo, 2005).
La búsqueda informada utiliza funciones heurísticas para guiar el
proceso. El algoritmo A* es el estándar en este ámbito, combinando el costo
acumulado con una estimación del costo restante para encontrar el
camino óptimo de manera eficiente. En entornos adversarios, como los juegos
de suma cero, se emplean el algoritmo Minimax y la poda Alfa-Beta para
reducir drásticamente el espacio de búsqueda al descartar ramas que no
afectan la decisión final.
1.4 El paradigma del aprendizaje profundo (Deep Learning)
El aprendizaje profundo ha transformado la capacidad de las máquinas
para procesar datos no estructurados como imágenes, audio y texto. Se define
como una forma de aprendizaje automático que permite a las computadoras
aprender de la experiencia a través de una jerarquía de conceptos.
El éxito de las redes neuronales profundas se basa en tres áreas
matemáticas críticas: el álgebra lineal, la probabilidad y el cálculo
multivariable. Las redes neuronales convolucionales (CNN) dominan el
procesamiento visual mediante capas que detectan características espaciales,
mientras que las redes neuronales recurrentes (RNN) y sus variantes, como
LSTM, fueron el estándar para datos secuenciales hasta la llegada de los
Transformers.
23
La arquitectura Transformer, introducida en 2017, revolucionó el campo
al eliminar la necesidad de procesamiento secuencial, permitiendo el
paralelismo masivo y capturando dependencias de largo alcance mediante el
mecanismo de atención. Esta innovación es la base de los modelos de lenguaje
a gran escala (LLM) actuales.
Procesamiento de Lenguaje Natural (NLP) y Redes Generativas (GAN)
La convergencia entre el aprendizaje profundo y el procesamiento de
señales ha dado lugar a una nueva era en la interacción humano-máquina y en
la creación de contenido sintético.
Evolución del NLP: de reglas a modelos de representación
Hoy en día, el campo ha transitado de una disciplina impulsada por
características manuales a otra centrada en la representación, donde modelos
como BERT (Bidirectional Encoder Representations from Transformers) y GPT
(Generative Pre-trained Transformer) capturan semántica, tono y contexto con
una precisión sin precedentes. Hoy, las tendencias de investigación en
conferencias como ACL destacan un auge del trabajo multimodal (visión-
lenguaje), donde la percepción clásica se replantea como una tarea de
seguimiento de instrucciones y de razonamiento en múltiples pasos.
Redes Generativas Antagónicas (GAN): El juego de la creación
Introducidas por Ian Goodfellow en 2014, las GAN representan uno de
los avances más influyentes en el campo de los modelos generativos. Su
arquitectura consiste en dos redes neuronales que compiten en un juego de
suma cero de tipo minimax:
24
1. Generador (G): Intenta generar muestras de datos (imágenes, texto,
audio) que imiten la distribución de los datos reales para engañar al
discriminador.
2. Discriminador (D): Evalúa si una muestra proviene de los datos de
entrenamiento reales o del generador.
El proceso matemático de entrenamiento se define por la función de
valor:
En síntesis, la investigación en GAN se ha consolidado en torno a la
controlabilidad, la síntesis de video y la generación de imágenes de ultra alta
resolución (4K), superando los desafíos históricos de inestabilidad en el
entrenamiento y de colapso de modo.
A pesar de los avances en el aprendizaje profundo, los modelos
neuronales puros a menudo carecen de interpretabilidad y sufren de opacidad.
La inteligencia artificial neuro-simbólica surge como un enfoque híbrido que
combina la robustez perceptiva del aprendizaje profundo con la capacidad de
razonamiento lógico de la IA simbólica clásica.
Sistemas como AlphaGeometry ejemplifican este poder al combinar un
modelo de lenguaje neuronal (intuición) con un motor de deducción simbólica
(lógica). Asimismo, las Logic Tensor Networks (LTN) permiten traducir las
fórmulas de lógica de primer orden a términos diferenciables, asegurando que
25
el sistema aprenda patrones de datos mientras respeta restricciones lógicas
absolutas (Wang et al., 2025).
26
Capítulo II
Inteligencia Artificial: Explorando
Enfoques Modernos y el Futuro del
Aprendizaje Profundo
La historia de la ciencia de datos y la inteligencia artificial (IA) es un testimonio
de la aceleración tecnológica exponencial. En sus albores, durante la década de 1950,
las predicciones de Alan Turing sobre las máquinas pensantes sentaron las bases
filosóficas y teóricas que guiarían a generaciones de investigadores. Posteriormente,
durante las décadas de 1960 y 1970, la sociedad dependía de análisis manuales
rudimentarios, con un volumen de datos tan escaso que podía procesarse por equipos
humanos minúsculos mediante los primeros programas estadísticos. No fue sino
hasta la década de 1990 que el término ciencia de datos se consolidó formalmente,
marcando la transición hacia la era digital y la gestión de bases de datos masivas.
El verdadero punto de inflexión arquitectónico se gestó gracias a los pioneros
de las redes neuronales, como Geoffrey Hinton y Yann LeCun, quienes, entre las
décadas de 1980 y 2000, pavimentaron el camino para los modelos generativos
modernos. Esta labor fundacional impulsó el auge del aprendizaje profundo (Deep
Learning) en la década de 2010, desencadenando avances monumentales en el
procesamiento del lenguaje natural (NLP), la generación de imágenes y los
diagnósticos médicos mediante la segmentación de alta precisión. Sin embargo, la
trayectoria del aprendizaje profundo ha alcanzado un nuevo umbral crítico. Tras años
de expansión desenfrenada y apuestas corporativas multimillonarias, las
proyecciones a mediano plazo coinciden en que la industria está abandonando la era
del evangelismo de la IA para adentrarse en la de la evaluación rigurosa de la IA.
27
En la actualidad, las interrogantes científicas ya no giran exclusivamente en
torno a la viabilidad teórica de las tareas cognitivas computacionales, sino que se
centran en evaluar con precisión cómo operan estos sistemas, a qué costo energético y
bajo qué marcos de equidad y responsabilidad. El ecosistema de la inteligencia
artificial exige ahora modelos más pequeños, altamente eficientes, dotados de
capacidades profundas de razonamiento causal y de nuevas formas de inteligencia
encarnada (embodied intelligence). A medida que los requisitos de hardware de los
Modelos de Lenguaje Grande (LLMs) se aproximan a los límites de la infraestructura
computacional convencional, la innovación se ve obligada a diversificarse hacia
nuevas arquitecturas computacionales, como el modelado de mundos, la
computación neuromórfica y la convergencia neuro-simbólica.
El presente capítulo proporciona una disección exhaustiva del estado del arte
en inteligencia artificial, analizando meticulosamente los enfoques algorítmicos
modernos, los desafíos de sostenibilidad, los dilemas de la interpretabilidad
mecanicista y la reconfiguración del panorama regulatorio global que definirá el
camino hacia la inteligencia artificial general (AGI).
2.1 Modelos Fundacionales, Aprendizaje Autosupervisado y
Evolución Arquitectónica
El núcleo del progreso reciente en inteligencia artificial reside en la
consolidación de los Modelos Fundacionales (FMs), estructuras computacionales
masivas impulsadas por el Aprendizaje Autosupervisado (Self-Supervised Learning
o SSL). Históricamente, los métodos tradicionales de aprendizaje automático exhibían
limitaciones paralizantes: dependían de la extracción manual de características
(handcrafted features), eran altamente sensibles a las variaciones en la calidad de los
datos según el entorno de grabación y mostraban una capacidad deficiente para
modelar la naturaleza no lineal y dinámica de fenómenos complejos (Voeneky et al.,
28
2022).
Transición hacia Dominios Biológicos y Médicos
El aprendizaje autosupervisado ha transformado esta dinámica al permitir que
las redes neuronales aprendan representaciones latentes y significativas directamente
a partir de vastos corpus de datos no etiquetados, mitigando el cuello de botella que
representa la anotación humana. Tras redefinir la visión por computadora y el
procesamiento del lenguaje, la comunidad científica ha aplicado estas técnicas
fundacionales a dominios de extrema complejidad, como la imagenología médica y el
análisis de señales cerebrales (Taherdoost, 2024).
En el ámbito neurológico, por ejemplo, los modelos enfrentan desafíos únicos
caracterizados por niveles de ruido exorbitantes, relaciones señal-ruido marginales y
una variabilidad intersujetos que inhabilitan a los algoritmos supervisados clásicos.
El SSL ofrece una solución elegante para desarrollar modelos fundacionales
específicos para el cerebro, integrando señales neuronales con otras modalidades en
marcos multimodales para tareas que abarcan desde la imaginería motora hasta los
potenciales evocados visuales y la carga cognitiva. Paralelamente, en el ámbito
quirúrgico, los esfuerzos de investigación actuales incluyen estudios exploratorios a
gran escala sobre métodos SSL aplicados a la visión por computadora quirúrgica,
preentrenando modelos en conjuntos de datos públicos y privados extensos para
evaluar el impacto estructural de la composición de los datos.
Eficiencia Paramétrica y Aprendizaje Continuo
A pesar de la primacía del aprendizaje autosupervisado, la optimización
computacional ha revelado matices empíricos inesperados. Estudios rigurosos
recientes han demostrado que el ajuste fino eficiente en parámetros (Parameter-
Efficient Fine-Tuning o PEFT), ejecutado exclusivamente sobre datos etiquetados, a
29
menudo iguala el rendimiento algorítmico del SSL sin necesidad de procesar los
inmensos volúmenes de datos no etiquetados (Watson et al., 2024). Esta observación
ha motivado a los investigadores a revisitar el autoentrenamiento (self-training), una
línea conceptual de base en la que un modelo PEFT supervisado se utiliza para generar
pseudoetiquetas en datos no estructurados, lo que permite un aprendizaje iterativo de
alta eficiencia.
Asimismo, las técnicas de autosupervisión han demostrado ser vitales para
resolver el problema de la adaptación continua (Continual Learning, CL). El
Entrenamiento Previo Continuo (CPT) depende en gran medida de objetivos de
aprendizaje como la predicción de tokens enmascarados, la predicción de la siguiente
oración y el aprendizaje contrastivo imagen-texto. La evidencia empírica
documentada subraya que continuar preentrenando grandes modelos de manera
autosupervisada sobre flujos de datos en tiempo real produce una retención de
conocimiento estructuralmente superior a la del entrenamiento supervisado,
mitigando el olvido catastrófico y facilitando la reutilización de los modelos sin
requerir reentrenamientos desde cero.
La Evolución de la Arquitectura del Transformador
Para comprender la magnitud de estos avances, es imperativo analizar la
evolución mecánica de las arquitecturas subyacentes. Aunque la arquitectura del
Transformador, introducida en 2017, sigue siendo el cimiento de la IA generativa hoy
en día, sus componentes internos han sufrido mutaciones drásticas orientadas a la
eficiencia y a la capacidad de generalización (ver Tabla 3).
30
Tabla 3: Evolución mecánica de la inteligencia artificial generativa
Componente
Arquitectónico
Mecanismo de
Atención
Incrustaciones
Posicionales
Estructura
Paramétrica
Capas Feed-Forward
Normalización
2.2 Interpretabilidad Mecanicista y el Desafío de la Transparencia
Algorítmica
31
A medida que las arquitecturas se vuelven infinitamente más complejas, surge
una paradoja epistemológica fundamental: la comunidad científica no comprende
cabalmente cómo funcionan internamente los modelos de lenguaje masivos. Este
problema de la caja negra ha dado origen al campo de la interpretabilidad mecanicista
(Mechanistic Interpretability, o MI), una disciplina que busca aplicar la ingeniería
inversa a las redes neuronales para mapear cómo el razonamiento emerge a partir de
interacciones matemáticas elementales.
Organizaciones líderes en seguridad algorítmica dedican recursos masivos a
descifrar los circuitos transformadores para garantizar un comportamiento confiable
y alineado. Las investigaciones de vanguardia en 2025 han documentado hallazgos
extraordinarios sobre la conciencia introspectiva emergente en los LLMs, lo que
sugiere que estos sistemas desarrollan la capacidad de introspeccionar sus propios
estados internos.
Entre los avances metodológicos más destacados se encuentra el desarrollo de
Oráculos de Activación, sistemas mediante los cuales se entrena a los modelos de
lenguaje para que respondan preguntas sobre sus propias activaciones neuronales en
lenguaje natural, lo que proporciona una ventana interpretativa sobre su
razonamiento latente. Asimismo, la investigación sobre la geometría de tareas
cognitivas ha demostrado que cuando los modelos ejecutan tareas fundamentales
como el conteo, manipulan estructuras geométricas complejas (variedades
topológicas o manifolds) subyacentes a sus mecanismos de atención.
El análisis de la computación de la atención mediante la interacción entre
características (features) y la ponderación de la interferencia ha llevado al diseño de
Mezclas Dispersas de Transformadas Lineales (MOLT), un nuevo enfoque para
transcodificadores que busca desentrañar el problema de la superposición, en el que
las redes neuronales agrupan múltiples conceptos en un número limitado de
32
dimensiones (Sprockel et al., 2025). Este mapeo detallado de circuitos dispersos es
vital no solo para la auditoría de alineación automatizada, sino también para evitar
que arquitecturas no reguladas generen fallos sistémicos indetectables.
2.3 Más Allá del Modelado Autorregresivo: Modelos de Mundo y
Arquitecturas JEPA
El dogma imperante en el aprendizaje profundo reciente ha sido el de las Leyes
de Escalado (Scaling Laws): la suposición de que incrementar los parámetros del
modelo, el tamaño del conjunto de datos y la potencia de cálculo conduce
ineludiblemente a mejoras proporcionales en el rendimiento, un fenómeno
documentado desde la robótica hasta los agentes que juegan videojuegos mediante
aprendizaje por imitación y modelado de entornos (Porcelli, 2020). Sin embargo,
investigaciones críticas de 2025 revelan que la intuición de que lo más grande es
siempre mejor es una simplificación peligrosa.
Las limitaciones de las leyes de escalado
Si bien es cierto que las leyes de potencias se manifiestan en la caída de la
pérdida (loss) en función del tamaño óptimo del modelo, los coeficientes y las
pendientes de estas curvas de escalabilidad están fuertemente determinados por
factores microscópicos: la metodología de tokenización, la naturaleza específica de la
tarea y la arquitectura de la red. Además, la evaluación del rendimiento basada en
mediciones de un solo intento (one-off accuracies) resulta profundamente engañosa.
A nivel fundamental, existe un límite teórico a la eficiencia con la que los
modelos autorregresivos pueden aprender conceptos. Al depender exclusivamente de
la predicción iterativa del siguiente token, los LLMs carecen de una representación
genuina de la física, del sentido común y de capacidades de planificación a largo
plazo.
33
El Paradigma V-JEPA y la Inteligencia de Máquina Autónoma
En respuesta a estas barreras teóricas, el campo de la inteligencia artificial está
virando hacia el desarrollo de Modelos de Mundo (World Models), un área impulsada
con fuerza por pioneros como Yann LeCun, quien recientemente fundó Advanced
Machine Intelligence (AMI) Labs—una empresa que apunta a valoraciones
multimillonarias y está centrada en la comercialización de esta tecnología predictiva
(Voeneky et al., 2022).
El núcleo técnico de esta revolución es la Arquitectura Predictiva de
Incrustación Conjunta (JEPA), introducida conceptualmente en 2022 y expandida en
los años posteriores a dominios multimodales como VL-JEPA (Visión-Lenguaje) y V-
JEPA (Video). A diferencia de los modelos generativos tradicionales que malgastan
recursos inmensos intentando reconstruir cada píxel faltante en una imagen o cada
ruido estocástico en un entorno de video, las arquitecturas JEPA aprenden a predecir
representaciones abstractas (latentes) de la realidad.
Este enfoque dota al modelo de la capacidad de ignorar detalles irrelevantes o
caóticos del entorno y de enfocarse en las dinámicas causales fundamentales. La
integración de la teoría matemática subyacente (LeJEPA) ha fortalecido este marco,
estableciendo los Modelos de Mundo como el puente indispensable para la transición
tecnológica desde el procesamiento de texto estático hasta la robótica avanzada, la
inteligencia artificial encarnada y, en última instancia, la autonomía cognitiva.
2.4 Inteligencia Artificial Causal: Inferencia, Razonamiento y
Aplicaciones Prácticas
El aprendizaje profundo tradicional ha triunfado explotando patrones
estadísticos masivos; no obstante, su ceguera inherente ante la causalidad —su
incapacidad para distinguir entre una correlación espuria y una relación de causa-
34
efecto— compromete severamente su confiabilidad en sistemas críticos (Russel y
Norvig, 2004). Como antídoto, la Inteligencia Artificial Causal (Causal AI) ha escalado
aceleradamente, reconociéndose en el Ciclo de Expectativas de Gartner y destacando
en encuestas a líderes de la industria como la técnica emergente prioritaria para la
adopción corporativa y el despliegue masivo.
Técnicas Subyacentes y Evolución Metodológica
La IA causal representa una simbiosis metodológica que fusiona las redes
neuronales profundas con los axiomas de la inferencia estadística para producir
sistemas robustos, justos e interpretables. La integración con Grandes Modelos de
Lenguaje (LLMs) y el avance en el descubrimiento causal en tiempo real facilitan la
resolución del prolongado problema de la caja negra y la reducción sistémica de
sesgos (ver Tabla 4).
Tabla 4: Mecanismo, aplicación y propósito de técnicas de inferencia causal
Técnica de Inferencia Causal
Mecanismo y Aplicación
Analítica
Propósito en el Modelado
Algorítmico
Ensayos controlados
aleatorizados (RCTs)
Asignación aleatoria de sujetos
a los grupos de tratamiento y
de control.
Considerado el estándar de oro
para aislar intervenciones
causales puras.
Razonamiento Contrafactual
Evaluación matemática y
simulación de escenarios
alternativos (¿Qué habría
pasado si…?).
Estimación de dimensiones no
observadas y evaluación
prospectiva de políticas o
tratamientos.
Emparejamiento por Puntaje
de Propensión
Construcción algorítmica de
grupos de control artificiales en
bases de datos masivas.
Control riguroso de las
variables de confusión en
estudios de datos meramente
observacionales.
35
Variables Instrumentales y
Discontinuidad
Diseño de regresiones
estructuradas en torno a
intervenciones externas.
Estimación de causalidad en
entornos en los que la
experimentación controlada
resulta logística o éticamente
inviable.
Disrupción en la salud y sistemas dinámicos
En los sectores de la atención médica y de las ciencias biológicas, la IA causal
está impulsando la medicina personalizada. Los sistemas causales analizan historias
clínicas para simular contrafactuales y prever matemáticamente cómo fluctuaría la
salud de un paciente ante terapias alternativas. El impacto clínico es contundente:
investigaciones recientes validaron que algoritmos diagnósticos fundamentados en
principios causales alcanzaron un rendimiento equivalente al de expertos humanos,
ubicándose en el 25% superior de los facultativos médicos en precisión diagnóstica,
superando ampliamente a los modelos de aprendizaje automático convencionales.
Expertos visionarios de instituciones de salud proyectan que la IA, mediante
simulaciones fluidas y microfluídica, diagnosticará la ceguera futura por retinopatía
diabética analizando la dinámica celular en la sangre, así como acelerará el diagnóstico
temprano de trastornos hereditarios como la anemia falciforme y la eliptocitosis
mediante la inferencia estructural de la morfología de los glóbulos rojos.
Adicionalmente, las instituciones hospitalarias despliegan IA causal para discernir las
causas raíz de las readmisiones y reorientar los presupuestos de camas hospitalarias
hacia la atención de seguimiento posalta, fundamentada en datos empíricos (Enriquez
& Raraz, 2024).
Más allá de la medicina, la inferencia causal ha demostrado superioridad en
entornos altamente dinámicos y caóticos, como las simulaciones de videojuegos de
estrategia en tiempo real (RTS). Investigaciones que utilizaron la API de StarCraft II,
el modelado mediante grafos causales (PyMC) y redes neuronales profundas
36
(PyTorch) resolvieron problemas de escasez de datos mediante redes generativas
antagonistas tabulares condicionales (CGAN). Los sistemas híbridos que inyectaron
conocimientos causales probabilísticos sobre tácticas militares e interacciones de
recursos directamente en las redes neuronales produjeron predicciones un 1,1 % más
precisas y adaptativas que los enfoques puramente profundos, mitigando los sesgos
ofensivos intrínsecos de los datos de entrenamiento base.
2.5 Alineación, Sesgos Algorítmicos y la Paradoja de los Datos
Sintéticos
El método predominante para forjar el comportamiento deseable en los LLMs
es el Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF). Sin
embargo, análisis matemáticos profundos revelan que este esquema padece un sesgo
algorítmico inherente, derivado del uso de la divergencia de Kullback-Leibler (KL)
como mecanismo de regularización en el proceso de optimización. Esta estructura
matemática propicia un fenómeno peligroso denominado colapso de preferencias, en
el que las inclinaciones minoritarias, sensibilidades culturales divergentes o voces
marginadas son virtualmente asimiladas e ignoradas por la política del modelo, lo que
impulsa una homogeneización artificial hacia la media mayoritaria.
La diversidad inmanente a las preferencias humanas, moldeada por la
subjetividad del contexto, las ambigüedades lingüísticas y el bagaje sociodemográfico,
queda borrada en este esquema. Además, la naturaleza algorítmica de la selección de
código abierto se encuentra desproporcionadamente sesgada hacia conjuntos de datos
occidentales y en inglés, marginando estructuralmente al Sur Global. Para corregir
esta falla sistémica, la frontera de la investigación propone el RLHF de
Emparejamiento de Preferencias (Preference Matching RLHF, o PM-RLHF), un
enfoque matemático basado en los modelos de Plackett-Luce y Bradley-Terry-Luce.
37
El PM-RLHF utiliza el logaritmo negativo de la distribución de probabilidad
de la política del LLM sobre las respuestas, resuelto mediante ecuaciones diferenciales
ordinarias, para equilibrar explícitamente la maximización de la recompensa con la
diversificación de las salidas. Evaluaciones empíricas sobre las arquitecturas de la
familia Llama y OPT han confirmado que la integración condicional de PM-RLHF
eleva el nivel de alineación con la diversidad humana real entre un 29% y un 41%
frente a las métricas estándar.
La Trampa de la Confianza Sintética
En el intento de eludir los sesgos estructurales de los datos del mundo real,
proteger la privacidad y sortear la inminente escasez de corpora lingüísticos
disponibles en internet, la comunidad global de desarrollo de IA ha recurrido de
manera agresiva al uso de datos sintéticos. La capacidad de crear réplicas matemáticas
que preservan las propiedades estadísticas de las distribuciones originales sin
comprometer los puntos de datos individuales permite diseñar intervenciones justas.
Los datos sintéticos, fundamentados en restricciones de equidad y de ponderación
causal, tienen el potencial de eliminar covariables discriminatorias y democratizar el
acceso al entrenamiento de algoritmos en entornos de alto riesgo.
No obstante, esta panacea estadística entraña riesgos sistémicos agudos
documentados a lo largo del año 2025. El peligro primario es la emergencia de la
Confianza Sintética (Synthetic Trust): una seguridad injustificada depositada en
modelos entrenados con datos generados algorítmicamente que fracasan
drásticamente en preservar las realidades demográficas o la validez empírica.
El entrenamiento endogámico prolongado —donde los modelos ingieren
continuamente las salidas de otros modelos generativos (como Redes Generativas
Antagónicas o modelos de difusión)— precipita una rápida degradación topológica
38
del espacio latente, erosionando la capacidad del sistema para reconocer escenarios
novedosos del mundo real e introduciendo nuevos sesgos impredecibles. Los
investigadores exigen la implementación urgente de salvaguardas arquitectónicas: la
integración inquebrantable de auditorías de fragilidad, la obligatoriedad de revelar la
procedencia sintética y el uso forzoso de enfoques híbridos provistos de mecanismos
de autocorrección arraigados en datos orgánicos puros.
2.6 La Frontera Neuro-Simbólica y la Revolución de la
Computación Neuromórfica
Si el aprendizaje profundo estándar y la inferencia causal representan los
peldaños actuales de la IA, la academia define el horizonte inmediato como el tercer
verano de la IA, una época marcada por la sinergia entre la Inteligencia Artificial
Neuro-Simbólica y el hardware biológicamente inspirado (Liang et al., 2025).
La Fusión de los Sistemas Cognitivos 1 y 2
Desde una perspectiva cognitiva, las arquitecturas puramente neuronales
emulan eficientemente el Sistema 1 del pensamiento humano: procesos rápidos,
paralelos e intuitivos enfocados en el reconocimiento de patrones. Sin embargo, son
inherentemente frágiles ante tareas de lógica abstracta que requieren la manipulación
secuencial de símbolos, un dominio gobernado por el Sistema 2 (lento, deliberado y
lógico).
La IA neurosimbólica persigue la integración de ambos paradigmas,
inyectando conocimiento previo lógico explícito en la plasticidad diferencial de las
redes subsimbólicas. Una revisión sistemática exhaustiva de los últimos años, que
analizó cientos de trabajos revisados por pares, cuantificó empíricamente la
distribución del esfuerzo investigativo para definir el estado del arte de esta frontera
(ver Tabla 5).
39
Tabla 5: Distribución del esfuerzo investigativo por áreas tipo
Área de Investigación
Fundamental
Esfuerzo Representado
Descripción del Foco de
Estudio
Aprendizaje e Inferencia
63%
Combinación de aprendizaje
profundo diferencial con
métodos deductivos dinámicos
y multifuente.
Representación del
Conocimiento
44%
Integración de incrustaciones
neuronales continuas con
grafos de conocimiento
explícitos y ontologías
estructuradas.
Lógica y Razonamiento
35%
Incorporación de la semántica
lógica y probabilística como
funciones de pérdida o como
limitadores del espacio latente
en redes.
Explicabilidad y Confianza
28%
Desarrollo de la trazabilidad en
los procesos neuronales,
clasificado como un vacío
notable y crítico para un
despliegue confiable.
Meta-Cognición
5%
El eslabón perdido: dotar al
agente de la capacidad de
evaluar, auditar y reestructurar
sus propios razonamientos en
tiempo real.
La incipiente exploración de la metacognición demuestra empíricamente que,
a pesar de la euforia corporativa, las aproximaciones actuales a la cognición humana
40
siguen siendo mecánicamente simplistas. Lograr la autonomía en entornos volátiles
exigirá sistemas metacognitivos adaptativos que entrelacen arquitecturas cognitivas
complejas con LLMs para facilitar la resolución introspectiva de conflictos lógicos
(Walker et al., 2025).
El Cuello de Botella Energético y la Computación Neuromórfica
La ambición de escalar estas arquitecturas choca frontalmente con la segunda
ley de la termodinámica. La inteligencia artificial actual basada en máquinas de von
Neumann es una consumidora de energía insostenible. Modelos predictivos del
Departamento de Energía de Estados Unidos (DOE) estiman proyecciones
escalofriantes: el costo operativo y energético global para alimentar hipermodelos
LLM podría superar el Producto Interno Bruto total de Estados Unidos para el año
2027, con facturas eléctricas anuales teóricas que alcanzarían los billones de dólares.
Aunque estas estimaciones pueden representar escenarios límite, evidencian que el
escalado mediante fuerza bruta basada en transistores binarios masivos resulta
ecológicamente inviable.
El escape de este callejón físico es la computación neuromórfica. En oposición
radical al procesamiento binario convencional, los procesadores neuromórficos imitan
el isomorfismo estructural del cerebro biológico, ejecutando redes fotónicas y
eléctricas asíncronas de bajísimo consumo de energía. Mientras un centro de datos
corporativo requiere decenas de megavatios para entrenar millones de parámetros,
los neurocientíficos computacionales de laboratorios nacionales como Los Álamos
proyectan hardware neuromórfico capaz de ejecutar inferencias cognitivas avanzadas
consumiendo tan solo 20 vatios —el equivalente calórico diario del cerebro humano o
la electricidad que consumen dos pequeñas bombillas LED—.
Al superar la dicotomía de memoria-procesador de Von Neumann, estos
41
procesadores espaciales logran reducciones drásticas en los requerimientos de cálculo
de entrenamiento y permiten el aprendizaje y la inferencia in situ en dispositivos de
borde (mobile edge computing). Esta tecnología es indispensable para la realización
de robótica encarnada eficiente, posibilitando, en palabras de la investigación estatal,
el diseño de agentes de drones del tamaño de un mosquito equipados con la
adaptabilidad plástica natural equivalente a la de su homólogo biológico.
2.7 La Crisis de Sostenibilidad y la Eficiencia Algorítmica
(Compresión y Poda)
El frenesí por implementar capacidades cognitivas artificiales ha incubado una
crisis ambiental sin precedentes, que el Foro Económico Mundial tipifica como la
Paradoja Energética de la Inteligencia Artificial. A la par que la IA promete avances
en herramientas de descarbonización y en el modelado climático científico, la huella
ecológica generada por el despliegue físico de la misma infraestructura computacional
(GPUs, SSDs, centros de datos masivos) es descomunal.
Radiografía del Impacto Ambiental (Emisiones e Hídrico)
La infraestructura subyacente a los modelos de miles de millones de
parámetros exhibe un metabolismo industrial destructivo. La huella abarca desde la
minería contaminante requerida para fabricar obleas de silicio complejas y la síntesis
química tóxica hasta el asombroso drenaje de las redes eléctricas continentales (Amzil
et al., 2025). A modo de ilustración histórica, el mero proceso de preentrenamiento del
modelo GPT-3 consumió alrededor de 1,287 megavatios-hora (MWh) —suficiente
para abastecer 120 hogares estándar durante un año— y emitió aproximadamente 552
toneladas de dióxido de carbono a la atmósfera. Durante la etapa operativa
(inferencia), la disparidad es dramática: procesar una simple consulta mediante un
motor generativo agota cinco veces más recursos eléctricos que una búsqueda
indexada convencional.
42
Las métricas macroeconómicas de la FP Analytics y organismos análogos
muestran que la capacidad global de consumo de los centros de datos, situada entre
415 y 460 teravatios-hora (TWh) en 2022 y 2024, se catapultará exponencialmente hasta
umbrales entre 1.200 y 1.700 TWh para el año 2035; una carga electrotérmica
equiparable a la de la economía de la India en su totalidad (Silva et al., 2025).
Exacerbando la crisis climática, el hardware generativo demanda densidades de
potencia hasta ocho veces superiores a las de la computación tradicional, lo que
impulsa un estrés masivo sobre los suministros hídricos. El enfriamiento líquido
avanzado de servidores evapora, en promedio, dos litros de agua dulce municipal por
cada kilovatio-hora de energía procesada, lo que altera irreparablemente los
ecosistemas perimetrales y propicia la interrupción de los suministros locales.
Para mitigar la sangría, institutos de investigación climática desarrollan
tácticas operativas que intercalan la IA con la matriz energética; el estrangulamiento
de potencia (power capping) sobre las GPUs restringe el sobrecalentamiento al
recortar el consumo eléctrico en un 20% a 30%, con penalizaciones de rendimiento
mínimas, mientras que rutinas de balanceo temporal derivan cargas computacionales
masivas hacia franjas horarias de baja intensidad de carbono, reduciendo las
emisiones directas en un 80%.
El Estado del Arte en Compresión y Cuantización
La barrera energética y la imperiosa necesidad de desplegar arquitecturas en
el borde (edge) impulsan un ecosistema de investigación hiperactivo centrado en
técnicas de compresión de modelos matemáticos que reduzcan la huella de memoria
sin mutilar el desempeño heurístico (ver Tabla 6).
43
Tabla 6: Técnicas de compresión de modelos matemáticos
Metodología de Compresión
Principio Algorítmico y
Evolución Técnica
Impacto Estructural Reciente
Cuantización de Precisión
Mixta (AWQ)
Traducción matemática de la
continuidad de punto flotante
de alta resolución (FP32) a
formatos numéricos enteros
discretos reducidos.
La Cuantización Consciente de
la Activación aísla el 1% de
pesos hipercríticos
manteniéndolos puros,
mientras colapsa el 99%
restante a resoluciones de 4
bits, logrando una compresión
de 8x sin atrofiar LLMs.
Cuantización extrema a 1 bit
Explotación de parámetros
geométricos compartidos,
donde las matrices de pesos se
discretizan exclusivamente en
escalares de y .
Tras reconstruir los parámetros
originales de inferencia a través
de productos punto, destruye
las cargas de VRAM hasta en
un 90%, lo que abre la frontera
de LLMs viables en teléfonos.
Poda No Estructurada
(Unstructured Pruning)
Erradicación asimétrica de
conexiones neuronales
individuales basada en
algoritmos iterativos
desarrollados en los años 80 y
90 (OBD/OBS).
Crea arquitecturas de
dispersión geométrica
irregular (hipótesis del boleto
de la Lotería). Preserva la
precisión crítica, pero exige
librerías operativas
especializadas que fracturan el
hardware de aceleración.
Poda Estructurada (Structured
Pruning)
Supresión sistemática de filtros
macroscópicos, canales
volumétricos o módulos de
atención completos.
Transige fraccionariamente con
la precisión general en pro de
crear matrices
estructuralmente densas, lo
que permite a CPU/GPU
ejecutar operaciones de
aritmética con inmensa
celeridad y fluidez.
44
El pináculo investigativo actual promueve una simbiosis definitiva: el
codiseño de software-hardware. Modelos híbridos modernos como ACDNet y
MobileNet-v3-small fusionan algoritmos de poda secuencial con cuantizaciones
severas (8 bits enteros o menores), incrustados directamente en las arquitecturas
lógicas de las unidades de silicio periféricas, solventando cuellos de botella de
hardware mediante operaciones de desplazamiento de bits a micropotencia de bajo
voltaje.
2.8 Gobernanza Global y Soberanía de la Inteligencia Artificial
(2025-2027)
Lejos de circunscribirse al ámbito académico, las implicaciones económicas y
existenciales del control cognitivo de la inteligencia artificial han suscitado una
fractura geopolítica sin precedentes en la historia. De acuerdo con reportes del Foro
Privado de Datos, alrededor de mil legislaciones se introdujeron a nivel global en 2025.
Entre 2025 y 2027, las macrorregiones económicas mundiales adoptarán doctrinas
contrapuestas sobre el grado óptimo de supervisión regulatoria y de censura
algorítmica.
La Arquitectura Regulatoria Previsora de la Unión Europea
La Unión Europea ostenta el marco normativo más sofisticado del mundo: la
Ley de Inteligencia Artificial de la UE (EU AI Act). Su mecanismo se basa en una
categorización piramidal del riesgo. A partir de febrero de 2025, la ley impuso
prohibiciones inapelables sobre prácticas que transgreden los derechos humanos
fundamentales; sistemas de puntuación ciudadana, el despliegue de análisis
emocional biométrico en centros laborales o inferencias sociodemográficas
indiscriminadas en tiempo real quedaron totalmente proscritos en el bloque europeo
(Aparicio, 2025).
45
Para agosto de 2025, entraron en vigencia las doctrinas aplicables a los
Modelos de Inteligencia Artificial de Propósito General (GPAI). Exigen a los
desarrolladores masivos implementar mitigaciones frente a riesgos algorítmicos
sistémicos, transparencia algorítmica y la divulgación de las plantillas del corpus
empleado, para sortear polémicas por infracciones de la propiedad intelectual
mediante un Código de Prácticas. El ciclo concluye hacia agosto de 2026 y 2027,
instanciando obligaciones monumentales para Sistemas de Alto Riesgo incrustados en
infraestructuras (educación, contratación civil), exigiendo bitácoras inmutables de
trazabilidad, validación cruzada y supervisión humana permanente para el
etiquetado inequívoco de interfaces generativas e ilusiones multimedia sintéticas
(deepfakes).
Esta cruzada preventiva ha provocado un debate estructural, llevando a
multinacionales norteamericanas a frenar momentáneamente lanzamientos
tecnológicos en la zona del euro, bajo temor a la represión burocrática, lo que motivó
a la Comisión Europea a instaurar paquetes recientes de simplificación digital y de
exenciones para PYMES.
Estados Unidos y la Desregulación para la Supremacía Tecnológica
En aguda contraposición a la UE, los Estados Unidos han abandonado
doctrinas restrictivas a favor de un imperialismo tecnológico desregulado. En medio
de un laberinto legislativo en el que las legislaturas estatales intentaban penalizar el
sesgo corporativo, el gobierno federal estadounidense emitió en diciembre de 2025
una vigorosa Orden Ejecutiva presidencial (Aparicio, 2025).
Anulando mandatos precautorios previos, la Orden Ejecutiva impone la
movilización del Departamento de Justicia para bloquear cautelarmente cualquier
legislación fragmentada a nivel estatal que pretenda someter la innovación a
46
restricciones ideológicas o burocráticas disonantes con la priorización comercial
federal. El fundamento es estratégico: liberar al sector privado del peso normativo
para garantizar a las corporaciones estadounidenses la invulnerabilidad frente a
competidores foráneos y cimentar la supremacía cibernética ininterrumpida.
China y la Férrea Disciplina Estatal Generativa
La República Popular China combina agresividad en la innovación con un
control gubernamental totalitario sobre el ecosistema de la información. Fortaleciendo
iterativamente sus ordenanzas desde mediados de 2023, la normativa vigente entre
2025 y 2026 somete la inteligencia artificial a la curaduría del Estado. Todos los
Modelos Fundamentales y de Algoritmos de Recomendación están obligados a
superar evaluaciones exhaustivas previas de integridad de seguridad socialista e
inscribir sus repositorios ante la Administración del Ciberespacio de China (CAC).
Añadiendo presión técnica, los servicios que aglomeren a más de 1 millón de
usuarios deben incorporar ineludiblemente marcas de agua, firmas visuales y
acústicas y etiquetas criptográficas permanentes que prevengan la suplantación
digital sintética ante el escrutinio de la población. En síntesis, las enmiendas a la
matriz de la Ley de Ciberseguridad, programadas para su aplicación a partir del
primero de enero de 2026, incorporan obligatoriamente los sistemas de redes
neuronales como apéndices directos del mecanismo defensivo cibernético del Estado
chino.
El Surgimiento de la Soberanía Algorítmica Global
Estados de considerable músculo económico que se rehúsan a ceder el
monopolio geopolítico de la redacción lingüística corporativa occidental, como los
Emiratos Árabes Unidos o Corea del Sur, están financiando centros de procesamiento
propios, acumulando silos de silicio hardware (GPUs) independientes y
47
preentrenando LLMs encapsulados geográficamente, blindando herméticamente el
filtrado de sus infraestructuras estratégicas, herencias culturales y arquitecturas
militares, evitando subordinarse tanto a los controles estrictos de Europa como a los
gigantes desregulados norteamericanos.
El vertiginoso despliegue cognitivo de los grandes modelos matemáticos ha
transformado a la Inteligencia Artificial de ser una simple curiosidad técnica en
erigirse como el factor reorganizador más significativo en la estructura económica
global moderna; un proyecto colosal en el que la sola construcción de centros de datos
subyugados eclipsa iniciativas históricas predecesoras (McKinsey & Company, 2024).
No obstante, las proyecciones para el cierre de la presente década oscilan entre
dos polos radicalmente asimétricos. El primero subraya un riesgo de fragilidad teórica
existencial: un estallido de burbuja motivado por el agotamiento asintótico de corpus
lingüísticos vírgenes explotables y de barreras insalvables de la termodinámica
operativa. Bajo este escenario sombrío, delineado por teóricos y académicos, los
modelos generativos puros alcanzarían una meseta estancada, desprovistos de
capacidad analítica a largo plazo en ausencia de una comprensión empírica del
mundo tangible.
Por el lado opuesto, los líderes fundacionales de los centros de investigación
más hegemónicos (Anthropic, OpenAI, xAI, Microsoft AI) auguran el punto crítico
definitorio con una perturbadora cercanía. Visualizan la consecución ineludible de la
Inteligencia General Artificial (AGI) —definida algorítmicamente como la capacidad
de exhibir aptitud analítica e intervención técnica de nivel sobrehumano,
automatizando tareas complejas multidimensionales como el diseño íntegro de
software o flujos corporativos— concentrada dentro de una ventana de choque tan
estrecha que se extendería apenas desde el año 2026 hasta finales del 2027.
48
La evidencia expuesta a lo largo del presente informe técnico concilia ambas
perspectivas al concluir que la transición evolutiva decisiva hacia la AGI o
Superinteligencia no radicará meramente en escalar infinitamente la dimensión de
hiperparámetros de un transformador textográfico mediante pura fuerza bruta. Al
contrario, dependerá umbilicalmente de una síntesis tecnológica convergente:
1. Dimensión Predictiva y Espacial: El desplazamiento irreversible de métodos
predictivos estocásticos obsoletos (siguiente token) hacia las arquitecturas
abstractas Modeladoras del Mundo Sensorial (V-JEPA, VL-JEPA), que
decodifican intuitivamente las leyes gravitatorias y conceptuales, brindando
agilidad logística en un plano físico a la robótica.
2. Epistemología Causal: La erradicación total de sesgos estadísticos basados en
mera correlación en favor de motores analíticos imbuidos de Inferencia Causal,
facultando al modelo artificial para aplicar razonamiento contrafactual abstracto,
depurar covariables espurias y emitir resoluciones en ciencias exactas.
3. Hibridación Neuro-Simbólica Meta-Cognitiva: La soldadura matemática
ineludible entre redes subsimbólicas fluidas (Sistema 1) y andamiajes de
conocimiento ontológico explícito y de deducción lógica cristalizada (Sistema 2).
El elemento vinculante faltante e indispensable consistirá en instaurar procesos
dinámicos de auditabilidad introspectiva y de autocorrección del pensamiento.
4. Disrupción Física Biológica: Finalmente, quebrar el estancamiento y la entropía
de los colapsos macroeléctricos mundiales mediante matrices matemáticas de
extrema compresión (cuantización escalar binaria a 1 bit) y la consolidación
definitiva del hardware neuromórfico exento de la herencia de von Neumann,
posibilitando inteligencia ubicua a un costo en kilovatios homologado al de un
cuerpo orgánico.
En retrospectiva crítica, el éxito sostenible en la próxima frontera técnica y
49
cognitiva no estará mediado únicamente por triunfos matemáticos puros. Quedará
indisolublemente ligado a cuán audazmente el sector tecnológico logre un codiseño
transparente e interpretable, resolviendo tensiones geopolíticas transcontinentales de
soberanía algorítmica y, en última instancia, alineando la inmensurable omnisciencia
del agente con la equidad innegociable de la sociedad humana en el siglo XXI.
50
Capítulo III
La Transformación Socioeconómica y
los Imperativos Éticos de la
Autonomía
La evolución contemporánea de la robótica se caracteriza por una transición
fundamental desde sistemas rígidamente programados hacia agentes autónomos
capaces de aprender de su entorno. Este cambio de paradigma se basa principalmente
en el aprendizaje profundo (Deep Learning), una rama del aprendizaje automático
que utiliza redes neuronales multicapa para modelar abstracciones de alto nivel a
partir de datos. La integración de estas capacidades cognitivas en plataformas físicas
ha dado lugar a una nueva generación de sistemas robóticos que no solo ejecutan
tareas, sino que también perciben, razonan y actúan en entornos dinámicos y no
estructurados.
Históricamente, el control robótico se basaba en modelos cinemáticos y
dinámicos explícitos; sin embargo, la complejidad de las interacciones en el mundo
real, como el contacto con objetos deformables o la navegación en condiciones de
visibilidad degradada, ha superado las capacidades de la ingeniería tradicional. El
aprendizaje profundo aborda estas limitaciones mediante arquitecturas que permiten
procesar flujos de datos masivos y multimodales, lo que facilita tareas como la
estimación de la profundidad, la navegación de extremo a extremo y la manipulación
precisa de objetos.
51
3.1 Percepción Avanzada en Sistemas Robóticos
La percepción es el eslabón crítico inicial de la cadena de la autonomía. Los
avances en los modelos de base visual (Visual Foundation Models) están
transformando la localización y el mapeo robótico. En lugar de depender de
descriptores de puntos específicos del dominio, los nuevos métodos aprovechan
características aprendidas que son agnósticas a la estructura de la nube de puntos, lo
que permite manejar de forma efectiva tanto escaneos LiDAR dispersos como mapas
3D densos, sin necesidad de reentrenamiento específico para cada entorno (Rodríguez
et al., 2025).
Una innovación crítica en la navegación aérea es la reconstrucción de campos
de radiancia neuronal (NeRFs) asistida por eventos. Para drones que vuelan a altas
velocidades, el desenfoque por movimiento y el ruido en las estimaciones de pose
representan serios obstáculos. La integración de flujos de eventos asíncronos con
fotogramas convencionales permite recuperar campos de radiancia nítidos y
trayectorias precisas sin una supervisión de verdad absoluta. Este marco de
optimización conjunta refina la odometría visual-inercial basada en eventos y en
modalidades de fotogramas, habilitando inspecciones rápidas de infraestructura y
misiones de búsqueda y rescate en escenarios complejos.
La navegación robótica también se beneficia de la simulación diferenciable.
Los algoritmos de gradiente de política de primer orden (FoPG) aprovechan la física
de simulación local para acelerar la búsqueda de políticas, mejorando
significativamente la eficiencia de muestreo en comparación con el aprendizaje por
refuerzo libre de modelo estándar. Frameworks como RASH-BPTT (Real-world
Anchored Short-horizon Backpropagation Through Time) permiten actualizaciones
de políticas en vuelo robustas y eficientes, lo que permite a los cuadricópteros ejecutar
maniobras ágiles cerca de los límites de saturación de sus actuadores. Estos hallazgos
52
subrayan que la adaptación en el mundo real no solo sirve para compensar errores de
modelado, sino también como mecanismo práctico para la mejora sostenida del
rendimiento en regímenes de vuelo agresivos (ver Tabla 7).
Tabla 7: Percepción avanzada en sistemas robóticos
Tecnología de
percepción
NeRFs asistidos por
eventos
Descriptores LiDAR
aprendidos
Percepción Activa
SELM-SLAM3
MANIP
La arquitectura MANIP ejemplifica la tendencia actual de combinar métodos
aprendidos con algoritmos procedimentales clásicos, conocidos como Good Old
Fashioned Engineering (GOFE). Este enfoque modular permite integrar subpolíticas
aprendidas para la percepción táctil o visual con primitivas algorítmicas establecidas,
como la cinemática inversa, los filtros de Kalman y el control PID (Baleriola et al.,
2025). Al emplear una metapolicía que determina qué módulo activar según un vector
de confianza, los sistemas robóticos pueden alternar entre minimizar la incertidumbre
53
mediante la percepción interactiva y maximizar la recompensa durante la ejecución
de la tarea. Esta integración es vital porque permite que el sistema se beneficie de la
robustez de los algoritmos clásicos y aproveche la capacidad de adaptación de las
redes neuronales ante datos sensoriales complejos.
Modelos Vision-Language-Action (VLA) e Inteligencia General Emboscada
El surgimiento de los modelos Vision-Language-Action (VLA) representa un
hito en la creación de agentes robóticos generalistas. Estos modelos unifican la
percepción visual, la comprensión del lenguaje natural y el control de dispositivos en
un único marco de aprendizaje. A diferencia de los sistemas tradicionales
fragmentados, donde la visión, el lenguaje y el control operan como silos
independientes, los modelos VLA procesan simultáneamente las características
visuales, el entendimiento semántico y las restricciones físicas del robot (Ge et al.,
2025). La arquitectura de estos modelos suele basarse en transformadores
(transformers), que emplean mecanismos de autoatención para procesar tokens de
distintas modalidades de forma unificada.
El entrenamiento de estos modelos depende de conjuntos de datos masivos
como Open X-Embodiment, que contiene cerca de un millón de trayectorias de robots
de diversos tipos. Modelos como OpenVLA, con 7 mil millones de parámetros, han
establecido nuevos estándares del arte al ser preentrenados con datos que abarcan
múltiples configuraciones robóticas (generalización multiembodiment). Una de las
decisiones arquitectónicas más críticas en el diseño de VLAs es cómo representar las
acciones robóticas (véase la Tabla 8). Tradicionalmente, las acciones continuas se
discretizan en tokens, lo que permite al modelo tratarlas como palabras de una
oración. No obstante, enfoques emergentes como VLA-0 sugieren que representar
acciones numéricas directamente como texto (strings) puede ser sorprendentemente
potente, superando a modelos entrenados con datos a mayor escala sin necesidad de
54
cambios en la arquitectura base del modelo de lenguaje visual (VLM).
Tabla 8: Modelos Vision-Language-Action (VLA) e Inteligencia General
Emboscada
Modelo VLA
RT-1
RT-2
OpenVLA
VLA-0
A pesar de su promesa, los modelos VLA presentan limitaciones significativas
en el razonamiento espacial y temporal en tareas de múltiples pasos. La integración
de estos modelos en hardware real demanda una selección cuidadosa de la capacidad
computacional, ya que el control en tiempo real a menudo requiere frecuencias de
operación superiores a 200 Hz, lo que ha llevado al desarrollo de arquitecturas de
sistema dual en las que un modelo lento procesa la semántica global y otro, rápido,
ejecuta los comandos motores reactivos.
55
Aplicaciones de Vanguardia: Cirugía Autónoma y la Revolución de la
Logística
La robótica, potenciada por el aprendizaje profundo, está penetrando en
sectores en los que la precisión y la fiabilidad son imperativos absolutos. La medicina
y la logística representan los dos polos de esta expansión tecnológica, impulsados por
la necesidad de eficiencia y la escasez de mano de obra especializada.
El mercado de la robótica quirúrgica autónoma está experimentando una
rápida expansión, con una proyección de crecimiento de $2.23 mil millones en 2024 a
$2.61 mil millones en 2025. Esta evolución se sustenta en la creciente demanda de
procedimientos mínimamente invasivos que prometen menores tiempos de
recuperación, menor pérdida de sangre y una reducción general de las complicaciones
postoperatorias. En especialidades como la urología y la ginecología, el uso de
sistemas robóticos para procedimientos como la prostatectomía radical y la
histerectomía ya representa entre el 25% y el 45% de todas las intervenciones en
regiones avanzadas como los Estados Unidos.
La integración de la IA en estos sistemas permite pasar de la asistencia
teleoperada a niveles incipientes de autonomía funcional. Algoritmos de visión
computacional procesan tomografías preoperatorias para generar reconstrucciones
3D de la vasculatura del paciente, que se superponen en tiempo real sobre la vista del
cirujano mediante realidad aumentada (AR) (Arguedas, 2024). Innovaciones como el
sistema SASHA de Artedrone están diseñadas para realizar trombectomías mecánicas
autónomas en pacientes con accidentes cerebrovasculares, navegando por la compleja
red de vasos sanguíneos cerebrales para extraer coágulos con una precisión
inalcanzable con el control manual. Además, la robótica blanda (soft robotics) permite
desarrollar dispositivos implantables que cambian de forma para administrar
fármacos de manera constante y evitar la fibrosis tisular.
56
A pesar de los beneficios, la transición hacia la autonomía plena en cirugía
plantea retos de seguridad y de confianza. Actualmente, los sistemas se consideran no
autónomos en el sentido legal, operando bajo la supervisión directa de un humano. El
futuro apunta a sistemas capaces de identificar hitos anatómicos, evaluar la respuesta
del tejido y guiar automáticamente las herramientas durante fases críticas, reduciendo
así la dependencia del control manual y mitigando el impacto de la fatiga del cirujano,
principal causa de errores quirúrgicos.
El giro Humano-Céntrico de la Industria 5.0
En los sectores logístico y de manufactura, se está produciendo un cambio
filosófico desde la automatización orientada únicamente a la eficiencia (Industria 4.0)
hacia un enfoque centrado en el ser humano, la resiliencia y la sostenibilidad
(Industria 5.0) (ver Tabla 9). En este nuevo paradigma, los robots no se ven como
sustitutos de la mano de obra, sino como colaboradores o amplificadores de capacidad
que asumen tareas peligrosas, monótonas o físicamente exigentes (Da Costa et al.,
2025).
La clave de esta colaboración reside en la capacidad de los robots para predecir la
intención humana y adaptar su comportamiento en tiempo real. Esto se logra
mediante el uso de gemelos digitales humanos (human digital twins), que modelan
aspectos físicos, cognitivos y ergonómicos de los operarios para optimizar la
interacción en el espacio de trabajo compartido. El uso de interfaces de lenguaje
natural y de prompt engineering industrial permite que operarios sin conocimientos
técnicos profundos de programación puedan instruir y coordinar sistemas robóticos
complejos de manera intuitiva.
57
Tabla 9: Factor de diseño de la industria 4.0 y 5.0
Factor de Diseño
Industria 4.0 (Automatización)
Industria 5.0 (Colaboración)
Objetivo Primario
Eficiencia y rendimiento bruto
Bienestar humano y resiliencia
20
Rol del Humano
Supervisor del sistema
Socio creativo y tomador de
decisiones
Entorno de trabajo
Robots en celdas cerradas
Espacios abiertos y
compartidos
Tecnología Clave
Conectividad digital e IoT
IA predictiva y robots
colaborativos
Medida de Éxito
Reducción de variabilidad
Flexibilidad y satisfacción del
trabajador
La evidencia sugiere que los empleados que trabajan con robots colaborativos
(cobots) reportan niveles más altos de autonomía y satisfacción laboral que quienes
interactúan con sistemas industriales tradicionales, ya que se sienten valorados como
orquestadores de la tecnología en lugar de ser meros operarios subordinados. Este
cambio tiene implicaciones profundas para la resiliencia de las cadenas de suministro
globales, que demostraron ser frágiles ante disrupciones repentinas; un sistema
híbrido humano-robot es inherentemente más capaz de adaptarse a condiciones de
mercado inciertas.
Impacto Socioeconómico y el Futuro del Trabajo
La proliferación de la robótica y el aprendizaje profundo suscita un debate
polarizado sobre el desplazamiento laboral y la creación de nuevas oportunidades
económicas. Las proyecciones para el horizonte 2024-2030 indican una
reconfiguración masiva del mercado de trabajo global.
58
Los informes del Foro Económico Mundial sugieren que, si bien 85 millones
de empleos podrían ser desplazados por la automatización para 2030, se espera la
creación de 97 millones de nuevos puestos, lo que resultaría en un beneficio neto de
12 millones de empleos a nivel mundial. Sin embargo, estas cifras agregadas ocultan
una realidad heterogénea. Los roles más expuestos a la automatización son aquellos
basados en tareas repetitivas de baja calificación, como los trabajadores de las líneas
de ensamblaje, los operadores de máquinas y el personal de embalaje. En contraste, la
demanda de trabajadores del conocimiento, especialistas en datos y diseñadores de
sistemas de IA, está en aumento, lo que crea una estructura ocupacional piramidal en
la que los niveles más bajos de capital humano enfrentan un riesgo existencial de
exclusión.
La velocidad de este desplazamiento es un factor crítico. A diferencia de las
olas tecnológicas anteriores que se desarrollaron a lo largo de décadas, la combinación
de robots humanoides y modelos de IA avanzados podría transformar sectores
enteros en un plazo de 5 a 10 años, dejando poco tiempo para que los sistemas
educativos y los marcos de política laboral se adapten. Además, existe el riesgo de que
los beneficios de productividad derivados de la automatización se concentren en los
propietarios del capital, lo que podría exacerbar la desigualdad de ingresos si no se
implementan medidas de redistribución activa ni se imponen impuestos a la
automatización (Pérez, 2024).
El Desafío de la Polarización y la Movilidad Ocupacional
Un efecto secundario preocupante de la automatización es la reducción de la
movilidad profesional entre los trabajadores de baja calificación. Las investigaciones
indican que cuando se introduce un robot adicional por cada 1.000 trabajadores en un
mercado local, el valor de la carrera de por vida de los trabajadores afectados
disminuye significativamente, ya que encuentran dificultades para acceder a empleos
59
con salarios similares o superiores. Esta falta de opciones reduce su poder de
negociación salarial y puede desencadenar un efecto dominó en las comunidades
locales, donde la disminución de los ingresos se traduce en una menor inversión en
vivienda y educación.
En regiones con alta dependencia industrial, como el Cinturón del Óxido en
EE. UU., este declive económico se ha correlacionado con un cambio en las
preferencias políticas hacia agendas populistas, lo que sugiere que el impacto de la
robótica trasciende lo económico para influir en la estabilidad democrática. Por otro
lado, en economías con poblaciones envejecidas, la robótica no se percibe como una
amenaza de desempleo, sino como una solución vital ante la escasez de trabajadores
en edad productiva para sostener los servicios básicos y la producción industrial.
La respuesta institucional a estos cambios debe centrarse en programas de
reentrenamiento proactivos (reskilling). Las organizaciones que invierten en la
formación continua de sus empleados logran retener el conocimiento institucional
mientras se adaptan al cambio tecnológico. El auge de los bootcamps de ciencia de
datos y de programas de credencialización rápida demuestra que es posible adquirir
nuevas habilidades en meses en lugar de años, con tasas de empleo posformación del
70 al 80%.
Imperativos Éticos
La falta de transparencia en la toma de decisiones robóticas resulta
particularmente peligrosa en aplicaciones de alto impacto. Los algoritmos pueden
heredar y amplificar prejuicios humanos presentes en los datos de entrenamiento. Por
ejemplo, se han documentado sistemas de IA que bajo-diagnostican a ciertos grupos
demográficos o que utilizan el origen étnico para predecir reincidencias delictivas de
manera discriminatoria (Araya, 2021). En la robótica quirúrgica, la opacidad de los
60
algoritmos de diagnóstico o de asistencia puede llevar a errores imprevistos que ni el
cirujano ni el fabricante pueden identificar con precisión por qué el sistema tomó una
acción dañina.
Para combatir estos riesgos, la comunidad técnica está impulsando el concepto
de Ética por Diseño. El IEEE ha desarrollado el marco de Diseño Alineado Éticamente
(Ethically Aligned Design), que establece principios fundamentales para el desarrollo
de sistemas autónomos e inteligentes que prioricen los derechos humanos y el
bienestar (eudaimonía).
Principios Generales del Diseño Ético (IEEE):
1. Derechos Humanos: Los sistemas no deben infringir las libertades
fundamentales reconocidas internacionalmente.
2. Bienestar: Los creadores deben adoptar métricas de calidad de vida como criterio
principal de éxito, por encima del crecimiento comercial.
3. Agencia de Datos: Empoderar a los individuos para ejercer el control sobre su
identidad y sus datos personales.
4. Transparencia: Las decisiones deben ser siempre descubribles y explicables.
5. Responsabilidad: Proporcionar una justificación clara y rastreable para todas las
acciones del sistema.
Dilemas de Responsabilidad Civil y Legal
La autonomía robótica desafía los marcos legales tradicionales de
responsabilidad. En un accidente de vehículo autónomo, la culpa puede distribuirse
de manera compleja entre el fabricante del vehículo, el desarrollador del software, el
operador de la flota o incluso el propietario del vehículo si descuidó el mantenimiento
de los sensores.
En la medicina, la jurisprudencia se debate sobre si las fallas de un robot
61
quirúrgico deben tratarse bajo el régimen de la mala praxis médica o bajo el de la
responsabilidad por producto. Si el cirujano operó el dispositivo incorrectamente, la
responsabilidad es personal; sin embargo, si el fallo se debió a un bug de software o a
un error en el reconocimiento de objetos, el fabricante podría ser hallado responsable
por negligencia en el diseño o la fabricación (Shentu, 2024). La doctrina del
Intermediario Aprendido (Learned Intermediary) complica aún más este panorama,
al absolver, en ocasiones, al fabricante si este proporcionó advertencias adecuadas al
médico, trasladando a este último la obligación de informar al paciente sobre los
riesgos específicos de la tecnología.
La aparición de sistemas con capacidad de aprendizaje continuo introduce un
riesgo adicional: los robots pueden evolucionar más allá de la previsión original de
sus fabricantes, por lo que resulta imperativo que las agencias reguladoras, como la
FDA o la NHTSA, establezcan esquemas de responsabilidad proactivos antes de que
la tecnología se adopte de forma masiva.
Gobernanza y Regulación Internacional: El Modelo del EU AI Act
La Unión Europea ha asumido el liderazgo global en la regulación de la IA con
la aprobación del EU AI Act en 2024. Este marco legal adopta un enfoque basado en
el riesgo para clasificar los sistemas de IA y determinar sus obligaciones de
cumplimiento.
Clasificación por Niveles de Riesgo
El reglamento distingue cuatro categorías principales:
● Riesgo Inaceptable: Incluye sistemas que manipulan el comportamiento
humano, la puntuación social por parte de los gobiernos y la vigilancia masiva
en tiempo real. Estos sistemas están prohibidos en la UE.
● Alto Riesgo: Sistemas utilizados en infraestructuras críticas, dispositivos
62
médicos (incluidos robots quirúrgicos), gestión del empleo y de la educación.
Estos deben someterse a evaluaciones rigurosas de conformidad, implementar
sistemas de gestión de riesgos y garantizar la supervisión humana.
● Riesgo Limitado: Sistemas como chatbots o deepfakes que deben cumplir con
obligaciones de transparencia, informando a los usuarios que interactúan con
una IA.
● Riesgo Mínimo: Incluye aplicaciones como filtros de spam o videojuegos con IA,
que no están sujetos a regulaciones adicionales bajo esta ley.
Los proveedores de robots de alto riesgo deben establecer un proceso de
gestión de riesgos iterativo y continuo a lo largo de todo el ciclo de vida del producto.
Esto incluye el análisis de riesgos previsibles para la salud, la seguridad y los derechos
fundamentales, así como la realización de pruebas en condiciones reales antes de la
comercialización (OECD/CAFD, 2022). La ley también exige la trazabilidad de las
decisiones, obligando a los sistemas a registrar automáticamente los eventos para
permitir la investigación de fallos. Las multas por incumplimiento son severas y
pueden alcanzar hasta el 7% de la facturación global de una empresa, lo que subraya
la seriedad con que se aborda la gobernanza de la IA.
3.2 El Ecosistema de la Robótica e IA en Perú: Avances y Estrategia
Nacional
Perú ha emergido como un actor proactivo en la región latinoamericana en el
desarrollo de políticas de IA y robótica. El país ha pasado de una fase de adopción
informal a la creación de un marco normativo y estratégico robusto.
Marco Legal: La Ley 31814 y su Reglamento
En julio de 2023, se promulgó la Ley N° 31814, que promueve el uso de la IA
para el desarrollo económico y social del país, bajo los principios de ética,
63
transparencia y seguridad basada en riesgos. En septiembre de 2025, el reglamento de
esta ley fue oficializado mediante el Decreto Supremo N° 115-2025-PCM, lo que
estableció hitos claros para el desarrollo tecnológico peruano.
El reglamento clasifica los usos de la IA de manera similar al modelo europeo,
prohibiendo la generación de capacidad letal autónoma en el ámbito civil, la
manipulación engañosa de personas y el perfilamiento discriminatorio basado en
datos sensibles. Asimismo, exige la supervisión humana obligatoria en sistemas de
alto riesgo, definidos como aquellos que afectan la vida, la dignidad y la seguridad
física de los ciudadanos, como el software de evaluación crediticia o los diagnósticos
médicos asistidos por ordenador. Este enfoque busca equilibrar el impulso a la
innovación con la protección de los derechos fundamentales, un equilibrio crítico en
un país con brechas sociales significativas.
Estrategia Nacional de IA (ENIA) y Talento Digital
La Estrategia Nacional de Inteligencia Artificial (ENIA), liderada por la
Secretaría de Gobierno y Transformación Digital (SGTD-PCM), proyecta metas hasta
el año 2030. Entre sus pilares se encuentran la promoción del talento digital y la
creación de un Centro Nacional de Innovación e Inteligencia Artificial. La estrategia
reconoce que la IA adaptada a las necesidades de los estudiantes podría individualizar
el aprendizaje desde la etapa preescolar hasta la universidad, optimizando la
educación nacional.
En el sector productivo, se están explorando aplicaciones de IA y robótica en
la agricultura para reducir el consumo de agua y energía y en la minería para
optimizar procesos y mejorar la seguridad laboral. El mercado peruano de robótica ha
mostrado un dinamismo notable, expandiéndose un 20% en 2025 debido a la demanda
de soluciones de seguridad y automatización por parte de universidades y pymes.
64
Investigación y Académica en el Perú
Las universidades peruanas desempeñan un papel central en la generación de
conocimiento y en la ética de la robótica.
● Universidad Nacional Mayor de San Marcos (UNMSM): Ha consolidado la
robótica como una disciplina estratégica, al inaugurar una carrera profesional en
IA y al organizar eventos internacionales, como la Escuela Latinoamericana de
Inteligencia Artificial (LASAI). Además, fomenta la innovación estudiantil a
través de torneos como La Decanatron y de su incubadora de empresas 1551.
● Pontificia Universidad Católica del Perú (PUCP): A través del Grupo de
Investigación en Robótica Aplicada y Biomecánica (GIRAB), desarrolla
tecnologías para la rehabilitación física y el análisis del movimiento humano. El
grupo es interdisciplinario e integra a expertos en ingeniería, medicina y
psicología para diseñar prótesis mioeléctricas e interfaces cerebro-computador.
● Iniciativas Interuniversitarias: Estudiantes de la UNMSM, PUCP y UNAC han
colaborado en el diseño de robots humanoides y sistemas móviles para
aplicaciones de rescate y seguridad, posicionando a Lima como un epicentro
regional de innovación robótica (ver Tabla 10).
Tabla 10: Acción e impacto generado en investigación académica desde las
universidades peruanas
Institución / Iniciativa
Foco de Investigación / Acción
Impacto Generado
GIRAB-PUCP
Biomecánica y rehabilitación
Prótesis avanzadas y análisis
de marcha
LASAI (San Marcos)
Capacitación en IA y ML
Formación de investigadores
regionales
Incubadora 1551
Emprendimiento tecnológico
Formalización de startups de
base científica
65
Ley 31814
Marco Regulatorio
Uso ético y responsable de la IA
en Perú
Glexco Robotics
Mercado Industrial
Expansión del 20% en
soluciones robóticas
A pesar de estos avances, el ecosistema peruano enfrenta desafíos en materia
de infraestructura digital en zonas rurales y en la necesidad de una mayor inversión
en investigación y desarrollo (I+D) que permita pasar de la adaptación de tecnologías
extranjeras a la creación de propiedad intelectual propia.
La convergencia entre el aprendizaje profundo y la robótica marca el inicio de
una era de autonomía inteligente que promete beneficios transformadores, pero exige
una vigilancia ética constante. El análisis de las tendencias actuales permite inferir
varios escenarios para el final de la década.
Primero, la transición hacia la Industria 5.0 consolidará la visión de los robots
como socios y no como competidores del ser humano. El éxito de las empresas no se
medirá solo por su tasa de automatización, sino por su capacidad para integrar el
juicio creativo humano con la precisión de la máquina de manera resiliente. Segundo,
la madurez de los modelos Vision-Language-Action (VLA) permitirá que los robots
salgan de los entornos controlados de las fábricas para operar de manera efectiva en
hogares, hospitales y espacios públicos, democratizando el acceso a la asistencia
tecnológica.
Tercero, la gobernanza de la IA se volverá cada vez más fragmentada
geográficamente a menos que se alcancen consensos internacionales sobre principios
éticos universales. El modelo del EU AI Act servirá de referencia, pero países como
Perú demuestran que las regulaciones locales deben adaptarse a contextos sociales
específicos, como la informalidad económica y la brecha digital. Cuarto, la educación
66
y el reentrenamiento laboral serán los pilares de la paz social; la inversión en capital
humano es la única salvaguardia efectiva contra la polarización económica derivada
de la automatización (Llacsa et al., 2026).
En conclusión, la robótica potenciada por el aprendizaje profundo no es un
fenómeno puramente técnico, sino una reconfiguración de la relación entre la
humanidad y sus herramientas. El imperativo para los próximos años es garantizar
que esta autonomía creciente se traduzca en un aumento genuino de la calidad de
vida, protegiendo la dignidad humana frente a la opacidad de los algoritmos y
asegurando que los beneficios de la inteligencia artificial se distribuyan de manera
equitativa en toda la sociedad.
67
Capítulo IV
Gobernanza Global y Soberanía de la
Inteligencia Artificial
La arquitectura del poder internacional en marzo de 2026 se encuentra en una
profunda metamorfosis, impulsada por la integración sistémica de la inteligencia
artificial (IA) en las estructuras de defensa, de economía y de cohesión social. Lo que
en años anteriores se percibía como una competencia tecnológica sectorial ha
cristalizado ahora en una lucha existencial por la autonomía estratégica y el control de
los marcos éticos que regirán el comportamiento de los sistemas autónomos en la
próxima década. La dialéctica entre la gobernanza global y la soberanía tecnológica
no es simplemente un debate legal, sino la manifestación de una nueva geografía del
poder donde el control de los algoritmos define la frontera entre la innovación y la
dominación.
4.1 El Nuevo Paradigma de la Gobernanza Global: De los
Principios a la Operatividad
La gobernanza de la IA ha trascendido las declaraciones de intención para
convertirse en un terreno de confrontación y de cooperación regulada. Por ende, la
noción de que un Estado o grupo de Estados puede controlar unilateralmente la
tecnología ha sido descartada ante la evidencia de su naturaleza transfronteriza por
esencia (Estrada, 2025). La infraestructura de la IA, desde la extracción de minerales
críticos hasta el refinamiento de datos de entrenamiento, se distribuye globalmente,
lo que exige un enfoque de red ágil, flexible y, sobre todo, inclusivo para evitar que el
Sur Global quede permanentemente al margen del desarrollo tecnológico.
68
El liderazgo de las Naciones Unidas y el diálogo global
En el marco del informe Governing AI for Humanity, las Naciones Unidas han
establecido que la gobernanza de la IA no debe desarrollarse en un vacío, sino que
debe anclarse firmemente en el derecho internacional y en los derechos humanos. Este
enfoque busca mitigar los riesgos asociados a las alucinaciones de los grandes
modelos lingüísticos (LLM), la desinformación a escala masiva y las amenazas a la
privacidad, al tiempo que garantiza que los beneficios de la IA contribuyan al logro
de los Objetivos de Desarrollo Sostenible (ODS) (Naciones Unidas, 2024).
Así, el Diálogo Global sobre Gobernanza de la IA, respaldado por la ONU, y
el Panel Científico Internacional Independiente sobre IA constituyen los pilares de este
esfuerzo multilateral. Por primera vez, casi todos los Estados cuentan con un foro para
debatir normas de transparencia y mecanismos de coordinación, con el fin de
equilibrar la asimetría informativa entre las corporaciones que poseen laboratorios de
vanguardia y el resto del mundo. No obstante, la efectividad de este marco es frágil,
ya que las potencias suelen evitar compromisos vinculantes en áreas de alto riesgo
como la vigilancia masiva o el despliegue de armas autónomas.
La Postura del Sur Global frente a la Dominación Algorítmica
Los líderes de las economías emergentes han intensificado su retórica contra
lo que denominan dominación algorítmica. El presidente Luiz Inácio Lula da Silva ha
propuesto una gobernanza global bajo el mando directo de la ONU, argumentando
que cuando una minoría controla los algoritmos, el resultado no es progreso, sino una
nueva forma de explotación. Esta visión es compartida por bloques regionales que
buscan que la IA reconozca la diversidad de las trayectorias nacionales y fortalezca la
soberanía en lugar de erosionarla (ver Tabla 11).
69
Tabla 11: Principio Rector de Gobernanza (ONU 2026)
Principio Rector de Gobernanza (ONU 2026)
Descripción y Objetivo
Inclusividad Global
La IA debe utilizarse en beneficio de todos,
reduciendo la brecha entre desarrolladores y
usuarios.
Marco de Derechos Humanos
Las decisiones en el ciclo de vida de la IA deben
respetar la dignidad, la privacidad y la no
discriminación.
Interoperabilidad Normativa
Convertir las iniciativas locales en un todo
coherente basado en el derecho internacional.
Transparencia Científica
Acceso a información imparcial para equilibrar
las ventajas de los laboratorios corporativos.
4.2 La Soberanía de la IA como Eje de la Resiliencia Estratégica
En la actualidad, la IA soberana se define como la capacidad de una nación
para influir, desarrollar y desplegar tecnología de acuerdo con sus intereses nacionales
y valores culturales, evitando dependencias insostenibles de actores externos. Esta
autonomía ya no se mide únicamente en términos de desarrollo de software, sino
también en la propiedad y el control de la pila tecnológica (tech stack), que incluye el
poder de cómputo, la infraestructura en la nube y el acceso a semiconductores
avanzados.
La Brecha Computacional y la Bipolaridad Tecnológica
El panorama de la IA está marcado por una profunda brecha entre los líderes
(EE. UU. y China) y el resto del mundo. A marzo de 2025, Estados Unidos concentraba
el 75% del rendimiento global de las supercomputadoras de IA, mientras que China
poseía el 15%. Esta concentración ha relegado a potencias industriales tradicionales
como Alemania, Japón y el Reino Unido a un papel secundario, obligándolas a
70
redefinir sus estrategias de supervivencia tecnológica.
Las potencias medias enfrentan el riesgo de quedar bloqueadas en ecosistemas
tecnológicos que no controlan, lo que compromete su capacidad para gestionar los
servicios públicos, la defensa y el crecimiento económico. La dependencia de modelos
de frontera propietarios, como los desarrollados por Google, Microsoft o OpenAI, o
de modelos de código abierto avanzados de empresas chinas como DeepSeek o
Alibaba, genera una vulnerabilidad estructural que los Estados buscan mitigar
mediante diversas estrategias de adaptación (Naciones Unidas, 2024).
Estrategias de las Potencias Medias para el 2026
Ante la imposibilidad de igualar la escala de inversión de las superpotencias,
los países intermedios han adoptado enfoques pragmáticos descritos por analistas de
riesgo geopolítico:
● Especialización: Países que eligen un nicho específico en la cadena de suministro
global, como Arabia Saudita, con su modelo METABRAIN, enfocado
exclusivamente en la industria energética.
● Alineación: La formación de asociaciones bilaterales profundas con una
superpotencia para garantizar el suministro de infraestructura, como los pactos
de EE. UU. con los Emiratos Árabes Unidos en 2025.
● Soberanía Compartida: Iniciativas para agrupar recursos y crear infraestructuras
públicas digitales comunes, ejemplificadas por el Citizen Stack de la India o por
los proyectos de computación de alto rendimiento en Europa.
● Cobertura (Hedging): Una combinación estratégica de capacidades nacionales y
de asociaciones con múltiples proveedores extranjeros para evitar la coacción y
garantizar la continuidad operativa.
71
Implementación del Reglamento de IA de la Unión Europea (EU AI Act)
El Reglamento de IA de la UE se ha convertido en el estándar de facto para la
regulación global, influyendo en las legislaciones de múltiples países a través del
efecto Bruselas. A marzo de 2026, el reglamento se encuentra en una fase crítica de
aplicación gradual, con hitos significativos que afectan a empresas de todo el mundo
que interactúan con el mercado único europeo.
Estatus y Obligaciones de Cumplimiento
Desde febrero de 2025, las prohibiciones sobre sistemas de IA que presentan
riesgos inaceptables, como el social scoring o la manipulación psicológica, son
plenamente vinculantes. Para agosto de 2025, entraron en vigor las reglas para los
modelos de IA de propósito general (GPAI) y los sistemas de gobernanza nacional.
Sin embargo, la plena aplicabilidad de la mayoría de las disposiciones restantes,
especialmente las relativas a los sistemas de alto riesgo, queda fijada para el 2 de
agosto de 2026 (ver Tabla 12).
Tabla 12: Categoría de riesgo y transparencia de modelos de IA
Categoría de IA (Reglamento
UE)
Ejemplos de aplicación
Requisitos de Cumplimiento
en 2026
Riesgo Inaceptable
Puntuación social, vigilancia
biométrica masiva.
Prohibición total; la infracción
conlleva multas máximas.
Alto Riesgo
Evaluación crediticia, selección
de personal, infraestructuras
críticas.
Registro en la base de datos de
la UE, documentación técnica y
supervisión humana.
Transparencia
Chatbots, contenido generado
sintéticamente (deepfakes).
Etiquetado claro de contenido
artificial y notificación al
usuario.
72
Modelos GPAI
Modelos de lenguaje de
propósito general (p. ej.,
Claude, GPT-4).
Cumplimiento de los derechos
de autor y publicación de
resúmenes de entrenamiento.
Desafíos en la Estandarización y Guías Técnicas
Un desafío notable en marzo de 2026 es el retraso en la publicación de las guías
definitivas por parte de la Comisión Europea. El plazo de febrero de 2026 para
proporcionar directrices sobre la implementación del Artículo 6 (determinación de
sistemas de alto riesgo) fue incumplido, lo que ha generado incertidumbre en el sector
empresarial. Los organismos de estandarización europeos (CEN y CENELEC)
también han pospuesto la publicación de normas técnicas hasta finales de 2026, lo que
dificulta la realización de evaluaciones de conformidad precisas por parte de las
PYMES y startups.
4.3 El Caso de Perú: Marco Normativo y Estrategia 2026-2030
Perú ha emergido como un referente regional en la gobernanza de la IA, siendo
uno de los primeros países de América Latina en establecer un marco legal detallado
que busca equilibrar el fomento económico con la protección de los derechos
fundamentales (Estrada, 2025).
La Ley N° 31814 y su Reglamento (2025-2026)
La Ley N° 31814, publicada en 2023, sentó las bases para el uso ético y
responsable de la IA. El 9 de septiembre de 2025, se aprobó el Reglamento de dicha
ley mediante el Decreto Supremo 115-2025-PCM, que entró en vigencia el 22 de enero
de 2026. Este reglamento clasifica el uso de la IA en tres niveles de riesgo: uso indebido
(prohibido), uso de alto riesgo (sujeto a controles estrictos) y uso aceptable.
73
Estrategia Nacional de IA y Soberanía Digital
La Propuesta de la Estrategia Nacional de Inteligencia Artificial 2026-2030
tiene como objetivo general fortalecer el ecosistema nacional mediante la formación
de talento humano, el impulso de la infraestructura de datos y la creación de un
Centro Nacional de Innovación e Inteligencia Artificial. Un componente vital de esta
estrategia es la soberanía de datos, que asegura que los activos digitales estratégicos
del Estado se utilicen de manera ética para impactar en el desarrollo sostenible, sin
generar dependencias tecnológicas irreversibles (Smuha, 2025).
El informe RAM de la UNESCO (Metodología de Evaluación del Estado de
Preparación), actualizado en enero de 2026, destaca que, si bien Perú lidera en
gobernanza digital, aún enfrenta desafíos en la capacidad de cómputo y en la
necesidad de evitar sesgos algorítmicos que puedan afectar a poblaciones indígenas o
rurales, debido a la falta de datos representativos de su diversidad cultural.
El Conflicto Anthropic-Pentágono: Un Punto de Inflexión en la Ética Militar
En febrero y marzo de 2026, la relación entre el Estado y las corporaciones
tecnológicas experimentó una crisis sin precedentes que ha redefinido los límites de
la soberanía tecnológica y de la autonomía corporativa. El conflicto entre la empresa
Anthropic y el Departamento de Defensa de EE. UU. (rebautizado como
Departamento de Guerra) ilustra la tensión entre los marcos éticos privados y las
exigencias de la seguridad nacional.
El 28 de febrero de 2026, la administración Trump prohibió el uso federal de la
tecnología de Anthropic después de que la empresa se negara a eliminar restricciones
éticas en su modelo Claude para dos aplicaciones específicas: las armas autónomas
letales (LAWS) y la vigilancia masiva de ciudadanos estadounidenses. Anthropic
argumentó que su compromiso con la seguridad de la IA y con los valores
74
democráticos impedía que su tecnología se utilizara en sistemas que eliminaran el
control humano en decisiones de vida o muerte.
La respuesta del Pentágono fue contundente. El secretario de Guerra, Pete
Hegseth, designó a Anthropic como un riesgo para la cadena de suministro de
seguridad nacional, una clasificación históricamente reservada para entidades
vinculadas a adversarios extranjeros. Además, se amenazó con prohibir cualquier
relación comercial entre contratistas de defensa y Anthropic, lo que representaría una
sentencia de muerte comercial para la empresa.
Tendencias de Ciberseguridad y Transparencia
La ciberseguridad en la era de la IA ha dejado de ser una función de soporte
para convertirse en el núcleo de la resiliencia nacional. Hoy, el concepto de perímetro
tradicional ha desaparecido y ha sido reemplazado por la identidad y el acceso como
nuevas fronteras de protección (Linares, 2024).
MLSecOps y la Protección de Modelos
Las organizaciones más maduras han adoptado el enfoque MLSecOps
(Machine Learning Security Operations). Ya no basta con proteger los servidores; es
necesario proteger los datos de entrenamiento contra el envenenamiento (data
poisoning), evitar el robo de pesos de los modelos (model stealing) y monitorizar
activamente las inyecciones de prompts que podrían exfiltrar información
confidencial.
En 2026, el 80% de las intrusiones avanzadas involucran la explotación de
credenciales. La arquitectura Zero Trust se ha vuelto imperativa, con la
implementación de autenticación multifactor robusta y segmentación basada en
identidad para limitar el movimiento lateral de los atacantes en las redes corporativas
75
y gubernamentales.
IA Generativa 2.0 en la Defensa y el Ataque
La ciberseguridad se ha convertido en una carrera armamentista de
algoritmos. Los atacantes utilizan modelos de IA para crear malware bajo demanda
que se adapta en tiempo real al entorno de la víctima. Por el contrario, los Centros de
Operaciones de Seguridad (SOC) inteligentes utilizan IA para correlacionar señales
dispersas, identificar patrones anómalos y ejecutar respuestas de contención
autónomas basadas en playbooks preentrenados (Okdem & Okdem, 2024).
Un avance significativo es la virtualización del análisis forense. En entornos de
tecnología operacional (OT) críticos, como plantas de energía o sistemas de transporte,
la IA permite crear imágenes forenses y probar parches en entornos aislados antes de
su aplicación, garantizando que la respuesta a incidentes no interrumpa procesos
industriales vitales.
4.4 Proyecciones Económicas y Sociales hacia el 2030
El impacto de la IA no se limita a la seguridad y a la geopolítica; está
reconfigurando las bases mismas de la economía global y de la identidad cultural.
Para el año 2030, las proyecciones indican una transformación estructural sin
precedentes.
El Estímulo Económico y la Brecha de Productividad
Se estima que la IA contribuirá con aproximadamente 19,9 billones de dólares
a la economía global hasta 2030, lo que representará el 3,5 % del PIB mundial para esa
fecha. Este crecimiento se impulsará por ganancias masivas de productividad en los
sectores adoptantes y por la expansión de la cadena de suministro de servicios de IA.
Sin embargo, este beneficio no será uniforme. Los países con mercados laborales más
76
formales y un acceso digital más amplio, como algunos de América Latina, tienen
mayores probabilidades de capitalizar estas ventajas.
El Fondo Monetario Internacional (FMI) advierte que la IA afectará al 40% del
empleo mundial. Mientras que en las economías avanzadas la IA puede
complementar trabajos altamente cualificados, en las naciones en desarrollo existe el
riesgo de que profundice la desigualdad si no se establecen redes de seguridad social
y programas de reentrenamiento (reskilling) para los trabajadores vulnerables.
Sostenibilidad y los Objetivos de Desarrollo Sostenible (ODS)
La relación entre la IA y la sostenibilidad es una espada de doble filo. Por un
lado, la IA tiene el potencial de optimizar el consumo de energía y acelerar la
transición hacia fuentes renovables (ODS 7). Por otro lado, el entrenamiento de
modelos de IA a gran escala consume cantidades ingentes de energía y agua para la
refrigeración de los centros de datos (Garikapati et al., 2025).
Esto implica no solo usar energía limpia para el cómputo, sino también diseñar
algoritmos más eficientes desde su concepción. Empresas líderes han comenzado a
rastrear la huella de carbono de sus cadenas de suministro globales mediante
herramientas de IA generativa, asegurando la transparencia y el cumplimiento de las
normativas de sostenibilidad cada vez más estrictas.
El análisis de la gobernanza global y de la soberanía de la IA en el horizonte
revela una tensión irresoluble pero gestionable. La búsqueda de la soberanía total es
una ilusión que desaparece, ya que ninguna nación puede ser completamente
autosuficiente en el ecosistema global de semiconductores, datos y talento. Sin
embargo, la dependencia total constituye un riesgo estratégico inaceptable. La
respuesta que emerge es la autonomía selectiva o la interdependencia estratégica. Los
países que logren prosperar en 2026 no serán necesariamente los que desarrollen los
77
modelos más grandes, sino aquellos que tengan la capacidad de:
1. Gobernar sus propios datos: Implementar marcos, como el MIGDIA, p. ej., la
OEA, para asegurar que la información nacional se utilice para el bien público y
no sea extraída sin beneficio local.
2. Regular con flexibilidad: Adoptando marcos como el de Perú o el de la UE que
mitigan riesgos sin ahogar la innovación de las PYMES.
3. Construir coaliciones: Actuando colectivamente en foros como las Naciones
Unidas o en bloques regionales para influir en las normas globales y evitar la
bipolaridad absoluta entre EE. EE. EE. UU. y Rusia. EE. EE. UU. y China.
4. Mantener el control humano: Garantizar que, en las aplicaciones de alto rieslas
go, especialmente en la justicia, la salud y la defensa, la decisión final siempre
resida en una autoridad humana ética y responsable.
En última instancia, la soberanía de la IA no consiste en el aislamiento, sino en
la capacidad de elegir, adaptar y dirigir la tecnología para el bienestar de la población
y la preservación de los valores democráticos en un mundo irremediablemente
conectado.
78
Capítulo V
El Giro Humano-Céntrico de la
Industria 5.0: Tecnología, Sociedad y
Resiliencia
La evolución de la producción industrial ha alcanzado un estadio en el que la
eficiencia técnica y la automatización ya no bastan para sostener el progreso sistémico
de la sociedad contemporánea. La transición hacia la Industria 5.0 representa una
reorientación fundamental de los paradigmas productivos, desplazando el enfoque
tecnocéntrico de la Industria 4.0 hacia una visión en la que el bienestar del trabajador,
la sostenibilidad ambiental y la resiliencia organizacional constituyen los ejes rectores
de la innovación. Según la Comisión Europea, este nuevo marco no busca reemplazar
los avances de la digitalización, sino subordinar el desarrollo tecnológico a los límites
biofísicos del planeta y a las necesidades intrínsecas del ser humano, y posicionar a la
industria como un motor de prosperidad que trasciende el simple crecimiento del
Producto Interno Bruto.
Este cambio de paradigma se sustenta en el reconocimiento de que la
digitalización masiva, aunque ha optimizado la productividad, a menudo ha
descuidado el factor humano, relegando al trabajador a roles de supervisión pasiva y
generando una brecha de habilidades que amenaza la cohesión social y la estabilidad
operativa. La Industria 5.0 emerge, por tanto, como una respuesta estratégica a las
crisis globales —incluyendo la pandemia de COVID-19, las tensiones geopolíticas y la
emergencia climática— que han evidenciado la fragilidad de las cadenas de
suministro hipereficientes pero rígidas. En este contexto, la resiliencia se redefine no
solo como la capacidad de sobrevivir a una crisis, sino también como la facultad de
79
antifragilidad, que permite que los sistemas industriales aprendan y se fortalezcan a
través de la disrupción.
5.1 Evolución Conceptual: De la Automatización a la
Colaboración Simbiótica
La trayectoria de las revoluciones industriales refleja una búsqueda constante
de mayor control sobre el entorno productivo. Mientras que la Industria 1.0 introdujo
la mecanización, la 2.0 la producción en masa y la 3.0 la electrónica, la Industria 4.0 se
caracterizó por la integración de sistemas ciberfísicos, el Internet de las Cosas (IoT) y
la inteligencia artificial para crear fábricas inteligentes autónomas. Sin embargo, la
Industria 5.0 introduce un cambio cualitativo al reintegrar la creatividad humana y la
artesanía en el proceso industrial, utilizando la tecnología para potenciar las
capacidades cognitivas y físicas del operario en lugar de sustituirlas (Da Costa et al.,
2025).
La diferencia fundamental radica en la intencionalidad estratégica. La
Industria 4.0 se centró en la velocidad y la precisión mediante la automatización, lo
que a menudo derivó en la desvinculación del trabajador. En contraste, la Industria
5.0 promueve la sinergia y el propósito, en la que los sistemas inteligentes gestionan
las tareas peligrosas, monótonas o físicamente agotadoras (las denominadas tareas 3D:
dirty, dangerous, dull), lo que permite que los humanos se centren en la innovación, el
pensamiento crítico y la toma de decisiones complejas. Este enfoque se resume en el
concepto del Triple Resultado (Triple Bottom Line), que equilibra las Personas, el
Planeta y los Beneficios (People, Planet, Profit).
80
Tabla 13: Comparativa analítica de paradigmas industriales
Atributo Estratégico
Industria 4.0 (Tecnocéntrica)
Industria 5.0 (Humanocéntrica)
Núcleo de Valor
Eficiencia operativa y
productividad.
Bienestar humano y valor social.
Rol de la tecnología
Automatización total y
autonomía de las máquinas.
Aumento humano y colaboración
(Cobots).
Sostenibilidad
Mitigación de riesgos y
cumplimiento.
Enfoque neto positivo y
circularidad.
Estructura del Sistema
Sistemas ciberfísicos integrados.
Ecosistemas socio-técnicos viables.
Flexibilidad
Personalización masiva basada
en datos.
Personalización extrema y
artesanía digital.
Resiliencia
Robustez basada en la estabilidad
de los datos.
Adaptabilidad y aprendizaje ante
la crisis.
La transición hacia la Industria 5.0 no implica el abandono de la infraestructura
digital de la versión 4.0. Por el contrario, utiliza los sensores conectados, el análisis de
81
grandes datos y la infraestructura de la nube como condición sine qua non sobre la
cual se construye el marco humanocéntrico. Lo que cambia es la lógica de aplicación:
la tecnología deja de ser el fin para convertirse en el medio que facilita un entorno de
trabajo más inclusivo y sostenible. Este fenómeno ha sido denominado por algunos
expertos como Thinking 5.0, una mentalidad que anima a las organizaciones a
repensar el propósito de la industria y a alinear la estrategia corporativa con los
valores éticos y ambientales.
5.2 Los Tres Pilares de la Industria 5.0
La arquitectura estratégica de la Industria 5.0 se sustenta en tres pilares
interconectados que redefinen la competitividad industrial en el siglo XXI: la
centricidad humana, la sostenibilidad y la resiliencia. Estos pilares no son meros
objetivos aislados, sino que constituyen un marco de viabilidad que permite a las
empresas navegar por la complejidad geopolítica y económica actuales (Belkadi &
Bachiri, 2025).
Centricidad Humana: El Trabajador como Activo y no como Recurso
La centricidad humana representa un cambio fundamental desde una visión
en la que el trabajador es una pieza intercambiable de la maquinaria hacia otra en la
que es el principal beneficiario y motor de la organización. Este pilar se centra en
promover el talento, la diversidad y el empoderamiento, asegurando que el entorno
de trabajo sea seguro, saludable y estimulante. La tecnología humanocéntrica no se
diseña para que el humano se adapte a ella, sino para que la herramienta responda a
las necesidades humanas, considerando factores como la carga cognitiva, la salud
mental y la ergonomía avanzada.
La implementación de este pilar implica la creación de sistemas de Aumento
Humano, en los que la inteligencia artificial explicable (XAI) y la robótica colaborativa
82
amplifican la intuición y la creatividad del operario. En lugar de competir con la
máquina, el trabajador entra en una fase de coevolución, donde su juicio ético y su
capacidad para resolver problemas contextuales se vuelven más valiosos a medida
que las tareas rutinarias se automatizan.
Sostenibilidad: Respetando los Límites Planetarios
El pilar de la sostenibilidad exige que la industria lidere la transición verde y
digital simultáneamente. Bajo la Industria 5.0, la sostenibilidad deja de ser una carga
regulatoria para convertirse en una ventaja competitiva basada en la eficiencia de los
recursos y la responsabilidad social corporativa. La adopción de principios de
economía circular —reducción, reutilización y reciclaje— se facilita mediante el uso
de gemelos digitales y sensores IoT que monitorean en tiempo real el consumo de
energía y la generación de residuos (Shafique et al., 2024).
La industria se posiciona como proveedora de soluciones ante desafíos
sociales, como el cambio climático y la preservación de los recursos. Esto incluye el
diseño de productos con mayor longevidad, la integración de energías renovables en
las plantas de producción y la optimización de las cadenas de suministro para
minimizar la huella de carbono. La sostenibilidad en este paradigma es proactiva y
busca generar un impacto netamente positivo en el ecosistema, en lugar de
simplemente mitigar los daños.
Resiliencia: la ciencia de la adaptabilidad
La resiliencia en la Industria 5.0 se refiere a la capacidad de las organizaciones
para anticipar, reaccionar y aprender de las crisis de manera sistemática y ágil. Frente
a un entorno global caracterizado por la volatilidad, la resiliencia industrial se
construye sobre tecnologías flexibles y una fuerza laboral capacitada para la toma de
decisiones descentralizada. La capacidad de respuesta ante interrupciones, ya sean
83
desastres naturales o cambios bruscos en el mercado, se convierte en el indicador
crítico de éxito.
Este pilar también abarca la resiliencia social, asegurando que las
comunidades donde operan las industrias permanezcan estables y prósperas a pesar
de los cambios tecnológicos. La resiliencia se manifiesta en la capacidad de
reconfiguración de la cadena de suministro, lo que permite que las fábricas cambien
sus líneas de producción rápidamente para responder a necesidades urgentes, como
se observó durante la producción de ventiladores y equipos de protección en la fase
inicial de la pandemia.
Tecnologías Habilitadoras y su Integración Socio-Técnica
La Industria 5.0 aprovecha las innovaciones tecnológicas para fomentar un
entorno de producción que combina la precisión de las máquinas con el ingenio
humano. La integración de estas tecnologías requiere un enfoque holístico que
considere las implicaciones éticas, legales y sociales (ELSI).
IA Explicable (XAI) y Sistemas de Inteligencia Colaborativa
La inteligencia artificial es el cerebro de la transformación industrial,
permitiendo funcionalidades como el autodiagnóstico y la predicción de
mantenimiento. Sin embargo, la Industria 5.0 exige que esta IA sea explicable (XAI).
La XAI aborda la opacidad de los algoritmos de caja negra, permitiendo que los
operarios humanos comprendan las razones detrás de una recomendación o decisión
tomada por la máquina (Ahangar et al., 2025).
Esta transparencia es vital para generar confianza en aplicaciones críticas,
donde una decisión errónea puede tener impactos económicos o de seguridad
significativos. Al facilitar la comunicación bidireccional entre humanos y máquinas,
84
la XAI permite una toma de decisiones informada y ética, asegurando que la
supervisión humana siga siendo el pilar central de los procesos autónomos.
Robótica Colaborativa (Cobots) y Aumento Físico
Los robots colaborativos, o cobots, son el ejemplo más tangible de la sinergia
humano-máquina. A diferencia de los robots industriales tradicionales, los cobots
operan de forma segura en las proximidades de los humanos, asistiendo en tareas que
requieren fuerza física o precisión repetitiva. Esta colaboración permite que el
operario se centre en la personalización del producto y en el control de calidad, tareas
que requieren sensibilidad y juicio humano (ver Tabla 14).
El aumento físico se extiende mediante el uso de:
1. Exoesqueletos industriales: dispositivos que proporcionan soporte biomecánico
para reducir la carga en la espalda y las extremidades de los trabajadores,
previniendo lesiones crónicas y extendiendo la vida laboral productiva,
especialmente en una fuerza laboral que envejece.
2. Sensores vestibles (Wearables): Dispositivos que monitorean en tiempo real
parámetros de salud y seguridad y alertan sobre riesgos ambientales o sobre la
fatiga excesiva del trabajador.
El Gemelo Digital Humano (Human Digital Twin - HDT)
Mientras que los gemelos digitales tradicionales replican activos físicos, el
concepto de Gemelo Digital Humano (HDT) crea representaciones virtuales de los
trabajadores que incluyen sus capacidades, necesidades ergonómicas y estados
fisiológicos. Los HDT permiten simular cómo interactuarán los trabajadores con
nuevos entornos de producción o con máquinas antes de su implementación física,
optimizando la seguridad y la eficiencia desde la fase de diseño.
85
Estos modelos virtuales capturan datos mediante dispositivos IIoT para
evaluar el estrés, la carga cognitiva y el bienestar general. La aplicación de HDTs
facilita una personalización extrema del entorno de trabajo, adaptando las estaciones
de montaje a las características físicas e intelectuales individuales de cada empleado,
lo que se traduce en una mayor satisfacción laboral y una reducción de los errores
humanos.
Tabla 14: Tecnologías emergentes y su rol futuro
Tecnología
Aplicación en Industria 5.0
Impacto en la
Sostenibilidad/Resiliencia
Blockchain
Trazabilidad total en la cadena de
suministro.
Transparencia ética y reducción de
fraude en materiales.
Computación Cuántica
Optimización de la logística y
nuevos materiales.
Reducción drástica del consumo de
energía de la computación.
Fabricación Aditiva (3D)
Producción local y personalizada
bajo demanda.
Reducción masiva de residuos y de
la huella de transporte.
Realidad Extendida (XR)
Formación inmersiva y asistencia
remota.
Reducción de costos de viaje y
mejora de la retención de
habilidades.
86
Edge Computing
Procesamiento de datos en
tiempo real en la planta.
Mayor resiliencia operativa ante
fallos en la conectividad central.
5.3 Transformación del Talento Humano: Upskilling y Bienestar
La transición hacia la Industria 5.0 impone una presión sin precedentes sobre
la gestión del talento. Se estima que para el año 2030, una parte significativa de la
fuerza laboral mundial necesitará adquirir nuevas competencias para colaborar
eficazmente con sistemas inteligentes.
El Desafío de las Habilidades: Hacia el Trabajador 5.0
La brecha de habilidades es uno de los mayores obstáculos para la adopción
de este paradigma. La Industria 5.0 no solo requiere competencias técnicas en IA,
análisis de datos y robótica, sino también habilidades transversales, o soft skills, que
las máquinas no pueden replicar fácilmente. El pensamiento crítico, la creatividad, la
inteligencia emocional y el liderazgo colaborativo se convierten en los pilares de la
empleabilidad futura (Reyes et al., 2025).
Para cerrar esta brecha, las organizaciones y las instituciones educativas deben
implementar programas de:
● Upskilling: Mejora de las habilidades actuales de los trabajadores para manejar
tecnologías de aumento.
● Reskilling: Reciclaje profesional completo para trabajadores cuyos roles actuales
serán desplazados por la automatización de bajo valor.
Gestión de la Salud Mental y Ergonomía Cognitiva
A diferencia de las revoluciones industriales anteriores, centradas en la salud
87
física, la Industria 5.0 otorga prioridad estratégica a la salud mental y a la ergonomía
cognitiva. El ritmo acelerado de la digitalización y el monitoreo constante pueden
generar ansiedad, estrés y fatiga mental. Las tecnologías de la Industria 5.0 se utilizan
para mitigar estos riesgos mediante el desarrollo de entornos de trabajo empáticos.
Existen investigaciones que proponen el uso de IA y el procesamiento del
lenguaje natural (NLP) para analizar emociones en conversaciones escritas o en
expresiones faciales, lo que permite identificar signos tempranos de agotamiento
(burnout). El monitoreo de la variabilidad de la frecuencia cardíaca (HRV) mediante
relojes inteligentes permite a las empresas implementar intervenciones preventivas,
como sugerir pausas o ajustes en la carga de trabajo, antes de que se produzcan
incidentes de salud.
El Envejecimiento de la Fuerza Laboral y la Inclusión
Muchas economías industrializadas enfrentan el desafío de una fuerza laboral
envejecida. La Industria 5.0 aborda este problema mediante tecnologías de asistencia
que compensan el declive de las capacidades físicas y cognitivas, permitiendo que los
trabajadores experimentados permanezcan activos y transmitan su conocimiento
crítico a las nuevas generaciones. La inclusión también abarca a personas con
discapacidades, mediante interfaces adaptativas y robótica de apoyo, para garantizar
que todos puedan participar en la creación de valor. La adopción de la Industria 5.0
no es uniforme y está influida por las prioridades nacionales y regionales, lo que
refleja visiones distintas pero convergentes sobre el futuro de la sociedad.
La Unión Europea: El Plan de Transición 5.0
Europa ha liderado la formalización de la Industria 5.0 como parte de su
estrategia para alcanzar la neutralidad climática y la soberanía tecnológica. El Plan de
Transición 5.0, lanzado en 2024, destina aproximadamente 13.000 millones de euros
88
para apoyar a las empresas en su transformación digital y energética. Este plan se
estructura en torno a créditos fiscales que incentivan la reducción del consumo de
energía y la adopción de tecnologías limpias.
La política europea enfatiza que la competitividad a largo plazo depende de la
inversión en habilidades y de la creación de una industria atractiva para las nuevas
generaciones, como la Generación Z, que valora el propósito, la flexibilidad y la
sostenibilidad en su carrera profesional.
Japón: La Visión de la Sociedad 5.0
Japón fue pionero en este concepto con su propuesta de la Sociedad 5.0 en 2016.
Mientras que la Industria 5.0 nace del sector manufacturero, la Sociedad 5.0 es una
visión transversal que busca resolver problemas sociales (como el envejecimiento de
la población y la falta de competitividad) mediante la integración masiva del
ciberespacio y del espacio físico. El enfoque japonés utiliza la robótica y la IA no solo
para la producción, sino también para el cuidado de ancianos, el transporte autónomo
en zonas rurales y la creación de ciudades inteligentes (Smart Cities) que mejoren la
calidad de vida general de los ciudadanos.
5.4 Desafíos Éticos, Legales y la Brecha Digital en las PYMES
A pesar de las promesas de bienestar y sostenibilidad, la implementación de
la Industria 5.0 enfrenta desafíos estructurales que podrían exacerbar las
desigualdades existentes.
El Dilema Ético de la Vigilancia y el Consentimiento
La recopilación intensiva de datos biométricos y de comportamiento para
alimentar los HDTs y los sistemas de salud mental plantea serias preocupaciones
sobre la privacidad y la vigilancia en el lugar de trabajo. Existe el riesgo de que las
89
tecnologías diseñadas para el bienestar se utilicen para la microgestión o la
discriminación basada en el rendimiento físico o cognitivo.
Los marcos éticos, como la serie de estándares IEEE P7000, buscan mitigar estos
riesgos mediante procesos de diseño basados en valores. Estos estándares
recomiendan:
● Transparencia: Los algoritmos deben ser auditables y su lógica debe ser
comprensible para los usuarios.
● Privacidad por diseño: Los datos deben minimizarse y protegerse contra el uso
indebido desde la concepción del sistema.
● Agencia Humana: Los sistemas nunca deben delegar decisiones críticas de vida
o muerte a máquinas sin una supervisión humana efectiva.
La Brecha Digital en las Pequeñas y Medianas Empresas (PYMES)
Las PYMES constituyen la columna vertebral de la economía global,
representando el 99% de las empresas en la UE y generando entre el 60% y el 70% del
empleo mundial. Sin embargo, la transición a la Industria 5.0 resulta especialmente
difícil para ellas debido a la escasez de recursos financieros, la falta de personal
calificado y el alto costo de la infraestructura tecnológica.
Muchas PYMES todavía operan con tecnologías más alineadas con la Industria
3.0, lo que las coloca en riesgo de extinción si no logran adaptarse a las nuevas
exigencias de las cadenas de suministro globales. Para sobrevivir, se recomienda que
estas empresas se centren en innovaciones incrementales y busquen asociaciones con
centros de investigación y proveedores de servicios de seguridad gestionados (MSSP)
para mitigar los riesgos de ciberseguridad (Mendizábal et al., 2019).
90
Modelos de Madurez y la Ruta de Implementación
Para transitar hacia la Industria 5.0, las empresas necesitan un marco de
evaluación que les permita identificar su estado actual y priorizar inversiones. Los
modelos de madurez específicos para la Industria 5.0 están empezando a surgir,
integrando métricas de sostenibilidad y centricidad humana junto con las de la
digitalización tradicional.
Etapas de la Transformación Organizacional
La literatura académica y los informes de expertos sugieren una ruta de
adopción modular y en fases, en lugar de un enfoque de cambio disruptivo de gran
magnitud.
1. Evaluación de la Madurez Digital y Cultural: Antes de introducir tecnologías
avanzadas, la organización debe evaluar si su fuerza laboral cuenta con
alfabetización digital básica y si existe una cultura de apertura a la
experimentación.
2. Alineación Estratégica con los 3 Pilares: Definir objetivos claros relacionados
con la reducción de la huella de carbono, la mejora de la ergonomía o el
fortalecimiento de la resiliencia ante crisis de suministro.
3. Implementación de Proyectos Piloto (Cobots/IA): Introducir tecnologías de
colaboración en procesos específicos de bajo riesgo para demostrar su valor y
generar confianza entre los trabajadores.
4. Desarrollo de un Ecosistema de Aprendizaje Continuo: Establecer canales de
retroalimentación en los que los operarios participen en el diseño de soluciones
tecnológicas, asegurando que las herramientas realmente resuelvan sus
problemas diarios.
5. Escalamiento y Optimización mediante Datos: Utilizar la analítica avanzada
para refinar los procesos, buscando el equilibrio óptimo entre la productividad
91
de la máquina y el bienestar humano.
Análisis de Casos: La Industria 5.0 en la Práctica
Varias empresas globales han comenzado a reportar beneficios tangibles al
aplicar los principios de la Industria 5.0, lo que valida el concepto mediante resultados
concretos. Mediante su programa Digital Factory, Siemens ha utilizado gemelos
digitales para reducir el consumo de energía en sus plantas en más del 20%. La
integración de IA para la gestión inteligente de la energía ha permitido a la empresa
adaptar su producción en tiempo real a la disponibilidad de las fuentes renovables,
mejorando tanto su rentabilidad como su perfil de sostenibilidad (Pérez et al., 2024).
Ferrero en Italia utiliza gemelos digitales para simular escenarios logísticos
complejos. Al optimizar las rutas y la carga de los vehículos basándose en datos en
tiempo real, han logrado mejorar los tiempos de entrega y reducir significativamente
el desperdicio de productos y de combustible, alineándose con los objetivos de
resiliencia y respeto al medio ambiente.
La Industria 5.0 marca el fin de la era en la que la tecnología se desarrollaba de
forma aislada de sus consecuencias sociales y ambientales. El giro humanocéntrico no
es simplemente un imperativo ético, sino una necesidad pragmática para la
supervivencia de la industria en un mundo volátil y con recursos limitados. Al
posicionar al trabajador como un activo estratégico y a la sostenibilidad como un
motor de innovación, las empresas no solo protegen el futuro del planeta, sino que
también aseguran su propia resiliencia y competitividad a largo plazo.
La transición exitosa requiere un compromiso conjunto de líderes industriales,
responsables políticos y trabajadores. Para las empresas, el camino implica invertir
tanto en la capacitación de la fuerza de trabajo como en la infraestructura digital. Para
los gobiernos, el desafío radica en crear marcos regulatorios e incentivos financieros
92
que mitiguen los riesgos para las PYMES y aseguren que los beneficios de la
transformación se distribuyan equitativamente en la sociedad.
En última instancia, la Industria 5.0 representa una reconciliación entre la
eficiencia de la máquina y la creatividad del alma humana. Al trabajar en perfecta
simbiosis, esta nueva era promete no solo una producción más inteligente, sino
también una sociedad más justa, resiliente y en armonía con los límites naturales de
nuestro mundo.
93
Capítulo VI
Integración neuro-simbólica
La evolución de la inteligencia artificial ha estado históricamente marcada por
una oscilación pendular entre dos filosofías divergentes: el enfoque simbólico, basado
en la manipulación de reglas lógicas y representaciones explícitas, y el enfoque
conexionista o subsimbólico, que confía en el aprendizaje estadístico a partir de
grandes volúmenes de datos. En la actualidad, nos encontramos en lo que la
comunidad científica denomina el tercer verano de la IA, un periodo de avances sin
precedentes impulsado principalmente por el éxito de las redes neuronales profundas
y los modelos de lenguaje de gran escala (LLM). Sin embargo, a medida que estos
sistemas puramente estadísticos se enfrentan a desafíos críticos en términos de
explicabilidad, robustez lógica y eficiencia en el uso de datos, surge la integración
neuro-simbólica como el paradigma definitivo para alcanzar una inteligencia artificial
más general, fiable y capaz de razonar como el ser humano.
La tesis central que define el estado actual de la investigación sostiene que el
futuro de la IA no reside en la victoria de una de estas facciones, sino en su síntesis
técnica y conceptual. Esta integración busca amalgamar la capacidad de percepción y
reconocimiento de patrones de las redes neuronales con la estructura lógica, la
transparencia y la inferencia multihop del razonamiento simbólico. El objetivo es
transitar desde sistemas que simplemente imitan la inteligencia mediante asociaciones
estadísticas hacia arquitecturas que construyen activamente modelos del mundo,
manejan la causalidad y respetan restricciones formales en tiempo real.
6.1 Marco teórico y taxonomía de la integración
La inteligencia artificial neuro-simbólica (NeSy) se define formalmente como
94
un marco que fusiona los dominios de la IA simbólica y de las redes neuronales para
crear modelos híbridos superiores. Este movimiento se inspira profundamente en la
psicología cognitiva, en particular en la teoría de los dos sistemas de Daniel
Kahneman (Villalobos et al., 2025). Mientras que el Sistema 1 es rápido, intuitivo,
paralelo y capaz de procesar señales sensoriales complejas —análogo a las redes
neuronales—, el Sistema 2 es lento, deliberado, secuencial y basado en reglas —
representado por el razonamiento simbólico—. La integración neuro-simbólica
pretende replicar esta sinergia en sistemas computacionales para superar las cajas
negras del aprendizaje profundo.
Para sistematizar el estudio de este campo en rápida expansión, investigadores
como Colelough y Regli han propuesto una taxonomía basada en cinco áreas
fundamentales de investigación, cuya distribución de esfuerzos revela las prioridades
actuales de la comunidad científica (ver Tabla 15).
Tabla 15: Taxonomía basada en cinco áreas fundamentales de investigación
Área de Investigación
Descripción de la Integración
Distribución de Esfuerzos (2020-
2024)
Aprendizaje e Inferencia
Combinación de procesos de
aprendizaje y de razonamiento,
mediante lógica diferenciable y
razonamiento dinámico
multisectorial.
63%
Representación del
Integración de representaciones
simbólicas y neuronales;
44%
95
Conocimiento
desarrollo de grafos de
conocimiento de sentido común.
Lógica y Razonamiento
Incorporación de métodos
basados en la lógica (booleana,
difusa o probabilística) en las
arquitecturas neuronales.
35%
Explicabilidad y Confianza
Desarrollo de modelos
interpretables que permitan
auditorías y verifiquen la
fiabilidad de las decisiones.
28%
Metacognición
Sistemas capaces de monitorear,
evaluar y ajustar de forma
autónoma sus propios procesos
de razonamiento.
5%
Esta distribución estadística evidencia que, aunque existe un sólido cuerpo de
trabajo en aprendizaje e inferencia, persiste una brecha crítica en áreas como la
metacognición y la confianza, elementos vitales para el despliegue de la IA en
entornos de alto riesgo y para la consecución de una autonomía adaptativa real.
Clasificaciones arquitectónicas según el grado de acoplamiento
1. Arquitecturas en Cascada o Pipeline: El componente neuronal actúa como un
preprocesador sensorial que transforma datos no estructurados (imágenes,
audio) en símbolos sobre los cuales opera un razonador lógico tradicional.
2. Arquitecturas Anidadas: Un algoritmo simbólico tradicional sirve como marco
96
computacional principal, pero llama a una red neuronal como una subrutina
especializada para tareas específicas que resultan difíciles de codificar mediante
reglas explícitas, como el reconocimiento visual en sistemas de navegación.
3. Integración Directa mediante Funciones de Pérdida (Semantic Loss): Se
utilizan reglas simbólicas para regularizar el entrenamiento de la red neuronal.
La lógica no reside en la arquitectura, sino que actúa como una restricción
durante el aprendizaje para asegurar que las predicciones de la red respeten leyes
físicas o normativas legales.
4. Compilación Lógica en Arquitectura (Wired/Monolithic): El conocimiento
simbólico se compila directamente en la estructura de la red neuronal. En estos
sistemas, cada neurona o capa tiene una interpretación lógica definida, lo que
garantiza la transparencia desde el diseño.
5. Representaciones Tensoriales de Lógica (Monolithic Tensor): Se utilizan
tensores y operaciones diferenciables para representar funciones lógicas, lo que
permite un entrenamiento de extremo a extremo mientras se mantiene la
estructura de las fórmulas de primer orden.
Ecosistemas de razonamiento y marcos de trabajo destacados
El desarrollo de la IA neurosimbólica ha dado lugar a marcos de trabajo
robustos que ya demuestran su eficacia en tareas complejas de razonamiento y
percepción. Estos proyectos no solo son teóricos, sino que también incluyen
implementaciones de software que permiten a los investigadores razonar mientras
aprenden y aprender mientras razonan.
Redes Neuronales Lógicas (Logical Neural Networks - LNN)
Las Redes Neuronales Lógicas, desarrolladas por IBM Research, representan
uno de los intentos más rigurosos de unificar el aprendizaje neuronal con la lógica
formal. En una LNN, cada neurona tiene una correspondencia exacta, uno a uno, con
97
un componente de una fórmula lógica en un sistema de lógica real ponderada. A
diferencia de las redes convencionales, donde los pesos son opacos, las LNN
mantienen una interpretabilidad total: el grafo de la red refleja directamente la
estructura de las fórmulas lógicas que representa (Sarmiento, 2020).
Las innovaciones clave de las LNN incluyen:
● Funciones de activación restringidas: Implementan funciones de verdad de
operadores lógicos como And, Or, Not, Implies y cuantificadores de lógica de
primer orden como Forall y Exists.
● Inferencia mediante límites (Bounds): En lugar de valores escalares simples, las
LNN operan con límites sobre los valores de verdad. Esto permite al sistema
expresar estados de conocimiento parciales, desconocidos o contradictorios.
● Inferencia bidireccional: La red puede procesar información tanto hacia arriba
(deducción) como hacia abajo (abducción), lo que permite, por ejemplo, probar
una premisa si se conoce la conclusión y el resto del argumento.
● Resiliencia a la inconsistencia: El entrenamiento minimiza una función de
pérdida que captura las contradicciones lógicas, lo que hace que el sistema sea
robusto frente a bases de conocimiento con información contradictoria.
6.2 DeepProbLog: Integración de lógica probabilística y
aprendizaje profundo
DeepProbLog es un lenguaje de programación lógica probabilística que
extiende el marco de ProbLog mediante la introducción de predicados neuronales.
Este sistema permite que las probabilidades de los hechos lógicos sean determinadas
por redes neuronales que procesan datos sensoriales, creando una interfaz fluida entre
la percepción de bajo nivel y el razonamiento de alto nivel.
La arquitectura de DeepProbLog permite el aprendizaje de extremo a extremo
98
a partir de ejemplos, incluso cuando los predicados neuronales internos no están
etiquetados explícitamente. Por ejemplo, en una tarea de suma de dígitos manuscritos,
el sistema solo necesita el resultado final de la suma para entrenar las redes
encargadas de reconocer los dígitos individuales, utilizando el conocimiento previo
de las reglas de la aritmética para guiar el proceso de aprendizaje (Iovane & Iovane,
2026). Este enfoque ha demostrado ser significativamente más eficiente en el uso de
datos que los métodos puramente neuronales, lo que permite una generalización
superior a tareas más complejas sin necesidad de un reentrenamiento extensivo.
El Aprendiz de Conceptos Neuro-Simbólico (NS-CL)
El modelo NS-CL, desarrollado por investigadores del MIT y de Stanford,
propone un paradigma en el que la percepción visual y la comprensión del lenguaje
se aprenden de forma conjunta y recíproca. El sistema consta de tres módulos
principales: un módulo de percepción que extrae representaciones centradas en
objetos, un analizador semántico que traduce preguntas de lenguaje natural en
programas simbólicos ejecutables, y un ejecutor de programas cuasi-simbólicos que
opera sobre las representaciones visuales.
Una de las características más potentes del NS-CL es su capacidad de
aprendizaje continuo y de generalización compositiva. Al representar el conocimiento
como conceptos modulares y combinables, el sistema puede responder preguntas
complejas sobre escenas que contienen objetos o combinaciones de atributos que
nunca vio durante el entrenamiento (Liang et al., 2025). Además, el uso de un
aprendizaje por currículo permite que el sistema navegue eficazmente por el vasto
espacio compositivo del lenguaje y de la visión, comenzando con conceptos básicos y
escalando hacia razonamientos abstractos.
99
Superación de las limitaciones de los modelos de lenguaje de gran escala
(LLM)
El auge de los LLM ha generado un debate sobre si el escalado masivo de datos
y parámetros es suficiente para alcanzar la inteligencia artificial general (AGI). Los
críticos sostienen que los LLM son loros estocásticos que predicen el siguiente token
a partir de correlaciones estadísticas, pero carecen de una comprensión real del
contexto, de la causalidad y del mundo físico (Scotto, 2025). En este sentido, la IA
neurosimbólica se presenta como el camino necesario para dotar a las máquinas de un
mundo-modelo sólido y de un razonamiento fiable (ver Tabla 16).
Tabla 16: Limitación de los LLM
Limitación de los LLM puros
Solución Neuro-Simbólica
Impacto esperado
Alucinaciones y falsedades
Integración de reglas explícitas y
de bases de conocimiento
verificadas.
Reducción drástica de la
información generada en entornos
críticos.
Opacidad (Caja Negra)
Explicaciones lógicas, paso a
paso, de cada decisión.
Cumplimiento de auditorías
legales y normativas, como el
GDPR.
Ineficiencia de datos
Uso de conocimiento previo para
aprender con menos ejemplos.
Reducción del 50% al 75% en los
tiempos de migración y de
entrenamiento.
100
Fragilidad lógica
Aplicación del razonamiento
formal y de las leyes de
causalidad.
Capacidad para realizar
razonamientos de varios pasos sin
errores triviales.
Falta de sentido común
Inclusión de grafos de
conocimiento de sentido común
(ConceptNet).
Comportamiento más alineado con
las expectativas humanas
intuitivas.
La IA neuro-simbólica aborda directamente el problema de las alucinaciones
al embeber reglas lógicas que restringen la salida de los modelos neuronales,
asegurando que los resultados sean factualmente precisos y lógicamente consistentes.
El consenso de los expertos sugiere un cambio de modelos monolíticos gigantescos a
ecosistemas modulares, donde la IA simbólica actúa como el centro consciente de
procesamiento lento y deliberado, mientras que los componentes neuronales
gestionan la percepción rápida (Parellada & Rovira, 2025).
6.3 Aplicaciones de alto impacto en sectores regulados
La necesidad de una inteligencia confiable y explicable es particularmente
aguda en sectores en los que las decisiones tienen consecuencias legales, financieras o
de seguridad personal. La IA neuro-simbólica está demostrando ser la solución ideal
para estos entornos de alto riesgo.
Finanzas, auditoría y cumplimiento regulatorio
En el sector financiero, la transparencia y la rendición de cuentas son requisitos
ineludibles. Los modelos neuro-simbólicos permiten no solo detectar patrones de
fraude complejos, sino también justificar ante los reguladores por qué se ha marcado
101
una transacción específica.
Salud, medicina de precisión y biotecnología
En medicina, la IA neurosimbólica facilita la creación de sistemas capaces de
razonar sobre guías clínicas y la literatura médica para ofrecer diagnósticos y
recomendaciones de tratamiento personalizadas. A diferencia de los modelos
neuronales puros, que pueden emitir diagnósticos basados en correlaciones espurias,
los sistemas NeSy pueden rastrear sus conclusiones hasta la evidencia biológica o
médica comprobable. El uso de arquitecturas neurosimbólicas en el descubrimiento
de fármacos permite no solo identificar candidatos prometedores, sino también
proporcionar explicaciones sobre por qué se espera que una molécula interactúe con
un objetivo biológico específico. Esto reduce drásticamente los costos y los tiempos de
desarrollo, lo que permite una validación experimental más dirigida y eficiente.
Seguridad crítica y verificación industrial
La verificación de cumplimiento en sistemas industriales, como paneles de
control eléctrico, es una tarea que requiere una precisión absoluta y el estricto respeto
a las normativas de seguridad. La IA neuro-simbólica permite procesar
simultáneamente esquemas eléctricos, fotografías de instalaciones y diagramas de
cableado. Mientras el componente neuronal identifica objetos y conexiones, el
componente simbólico razona sobre las reglas de seguridad y los protocolos,
detectando problemas de cumplimiento en minutos en lugar de horas.
En el ámbito marítimo y de aviación, la integración de datos de sensores en
tiempo real con reglas de seguridad predefinidas asegura que las decisiones
autónomas estén fundamentadas lógicamente, minimizando el riesgo de maniobras
peligrosas derivadas de interpretaciones erróneas de los datos estadísticos. Si un
sistema recomienda cambiar la ruta de un vuelo debido a una anomalía, el
102
componente simbólico puede explicar la causa de forma humana y facilitar la
colaboración entre pilotos y máquinas.
6.4 Desafíos sistémicos: hardware, escalabilidad y brechas de
investigación
A pesar de su innegable potencial, la adopción masiva de la IA neurosimbólica
enfrenta obstáculos técnicos significativos, especialmente en lo que respecta a la
infraestructura de cómputo y a la estandarización de la investigación.
La divergencia entre algoritmos y hardware
La trayectoria actual del hardware de IA está optimizada casi exclusivamente
para el aprendizaje profundo, centrándose en la multiplicación de matrices y en
convoluciones masivamente paralelas en GPUs. Por el contrario, las operaciones
simbólicas y lógicas suelen ser memory-bound (limitadas por el ancho de banda de
memoria) y presentan un flujo de control complejo y accesos irregulares a los datos.
Esta ineficiencia del hardware para procesar operaciones simbólicas genera
cuellos de botella que dificultan la escalabilidad de estos sistemas. Para superar esto,
los investigadores sugieren soluciones de optimización en las capas de software y de
hardware, incluyendo el desarrollo de aceleradores específicos para la lógica neuro-
simbólica y de arquitecturas de vectores simbólicos (VSA).
El vacío en metacognición y autorregulación
Una de las revelaciones más impactantes de las revisiones sistemáticas de 2024
es la escasez de investigación sobre la metacognición en el campo de la IA. La
metacognición, definida como la capacidad de pensar sobre el propio pensamiento, es
crucial para que los sistemas de IA puedan monitorear su rendimiento, detectar
cuándo su razonamiento es erróneo y ajustar sus procesos de aprendizaje de forma
103
autónoma.
El descuido en esta área limita la autonomía y la fiabilidad de los sistemas en
entornos dinámicos, donde la capacidad de corregir errores en tiempo real resulta
fundamental para mantener la confianza del usuario. La integración de marcos de
metacognición permitiría que la IA actuara como un controlador superior que
dirigiera eficazmente los recursos del sistema hacia la subtarea correcta, mejorando la
toma de decisiones complejas y la resolución de problemas.
Hacia el horizonte de 2026: Agentic AI y el camino a la AGI
Hoy en día, se espera que la IA neurosimbólica alcance un punto de madurez
comercial en el que la discusión pase de si la IA puede realizar una tarea a si puede
razonar de forma responsable y justificar sus decisiones. Esta evolución está
intrínsecamente ligada al surgimiento de la Agentic AI, ecosistemas de agentes de
razonamiento que colaboran entre sí, cada uno con roles explícitos y pistas de
auditoría claras.
El marco G-I-A y la soberanía del razonamiento
La evaluación de los futuros sistemas neuro-simbólicos se centrará en el marco
G-I-A (Grounding, Instructibility, Alignment).
● Grounding (Fundamentación): La capacidad de vincular el reconocimiento de
patrones con conceptos del mundo real y con restricciones físicas.
● Instructibility (Instructibilidad): La posibilidad de que los sistemas adapten su
comportamiento en respuesta al feedback de expertos humanos sin necesidad de
un reentrenamiento masivo.
● Alignment (Alineación): Asegurar que las decisiones de la IA no solo sean
estadísticamente precisas, sino que también cumplan con los objetivos
organizacionales, legales y éticos.
104
La integración del razonamiento causal se considera el avance más
transformador de esta era, al permitir estrategias de defensa cibersegura proactivas y
una comprensión profunda de las relaciones causa-efecto que trascienden la mera
correlación. Sin embargo, los expertos también advierten sobre las implicaciones del
doble uso de estos sistemas, ya que la autonomía avanzada podría utilizarse para
orquestar ciberataques más sofisticados y adaptativos.
La integración neuro-simbólica representa mucho más que una tendencia
tecnológica pasajera; es la base necesaria para la próxima generación de inteligencia
artificial a escala empresarial y social. Al fusionar la adaptabilidad y el poder de
aprendizaje de las redes neuronales con el rigor y la transparencia de la lógica
simbólica, estamos construyendo sistemas que no solo imitan la fluidez humana, sino
que también heredan nuestra capacidad de juicio y responsabilidad (Villalobos et al.,
2025).
El éxito de este paradigma dependerá de la colaboración interdisciplinaria
entre neurocientíficos, lógicos, ingenieros de hardware y expertos en ética. A medida
que los costos de entrenamiento de los modelos puramente neuronales se vuelven
insostenibles y la presión regulatoria aumenta, la IA neuro-simbólica ofrece una
alternativa eficiente, explicable y robusta. En última instancia, la transición de una IA
que reconoce patrones a otra que comprende significados marcará el inicio de una
nueva era en la interacción entre humanos y máquinas, donde la tecnología actúa
como un socio de decisión confiable y no simplemente como una herramienta
estadística opaca.
105
Conclusión
A pesar de los avances, este libro dedica secciones críticas a los desafíos
que aún persisten en 2026. La brecha de habilidades es quizás el mayor
obstáculo para la implementación exitosa de la inteligencia artificial; mientras
la tecnología avanza a un ritmo exponencial, la alfabetización digital de la
fuerza laboral y de los tomadores de decisiones a menudo se queda atrás. El
62% de las organizaciones reportan carecer de las habilidades necesarias para
gestionar datos de IA, lo que genera riesgos de seguridad e ineficiencias
operativas.
La ética de la IA también se enfrenta a dilemas complejos relacionados
con la privacidad y la propiedad intelectual. La formación de modelos de IA
con datos protegidos por derechos de autor sigue siendo un terreno de
disputas legales intensas, al igual que el uso de deepfakes para la
desinformación política y el acoso personal. La responsabilidad en la toma de
decisiones automatizada —quién es responsable cuando un agente de IA causa
un daño— es una pregunta que los marcos legales están empezando a
responder, pero que aún requiere una deliberación profunda sobre la agencia
y la personalidad jurídica de los sistemas autónomos.
Hoy estamos presenciando el surgimiento de la inteligencia
ecosistémica, donde la IA ya no es un sistema aislado, sino el pegamento que
mantiene unidos los mundos físico y digital. Las ciudades inteligentes, las
cadenas de suministro resilientes y las redes de salud adaptativas operan como
organismos vivos en los que los agentes inteligentes colaboran entre sí y con
106
los humanos para resolver problemas en tiempo real.
Este libro ha sido diseñado para guiar al lector a través de este laberinto
de innovaciones y desafíos técnicos en torno al aprendizaje profundo, las
arquitecturas neurosimbólicas y los marcos de gobernanza y, en síntesis,
proporcionar las herramientas conceptuales y técnicas para construir sistemas
poderosos, confiables, justos y profundamente humanos. Pues, este es el ciclo
en el que la humanidad decidió que la tecnología debe servir para elevar
nuestra capacidad de razonamiento, creatividad y compasión.
En conclusión, la transición de la magia algorítmica a la ingeniería de
sistemas confiables ha comenzado. Aquellos que actúen ahora para alinear sus
desarrollos con estos estándares de responsabilidad no solo mitigarán riesgos,
sino que también ganarán una ventaja competitiva en un mundo donde la
confianza es el activo más valioso de la era digital.
En América Latina, la transformación es igualmente profunda, aunque
enfrenta desafíos de infraestructura y de financiamiento. Países como Costa
Rica y Panamá están liderando la tropicalización del marco regulatorio
europeo, adaptando las categorías de riesgo a las necesidades locales y
promoviendo una IA que ayude a revitalizar las lenguas indígenas y a proteger
la biodiversidad amazónica. Por lo tanto, la colaboración regional es clave, con
redes como el AI Global Education Network (AIGEN) que facilitan la
transferencia de conocimiento y el desarrollo de modelos de lenguaje
adaptados a las variantes lingüísticas y culturales de la región.
Finalmente, la evolución técnica de la inteligencia artificial avanza en
paralelo con una maduración sin precedentes de los marcos legales y éticos.
Hemos pasado de la era de la autorregulación industrial a una fase de
107
aplicación estricta de leyes vinculantes. El enfoque regulatorio global ha
convergido hacia un modelo basado en el riesgo, en el que la intensidad de las
obligaciones legales es proporcional al impacto potencial del sistema de IA
sobre los derechos fundamentales y la seguridad física de las personas.
108
Bibliografía
Ahangar, M.N., Farhat, Z.A., & Sivanathan, A. (2025). AI Trustworthiness in
Manufacturing: Challenges, Toolkits, and the Path to Industry 5.0. Sensors
(Basel, Switzerland), 25(14), 4357. https://doi.org/10.3390/s25144357
Amzil, K., Saidi, R. & Cherif, W. (2025). Mejora de procesos industriales críticos
con modelos de inteligencia artificial. Actas de Ingeniería , 112 (1), 75.
https://doi.org/10.3390/engproc2025112075
Aparicio, B. (2025). Directrices de la Unión Europea sobre prácticas prohibidas
de Inteligencia Artificial. Revista CESCO de Derecho de Consumo. 53.
https://doi.org/10.18239/RCDC_2025.53.3678
Araya Paz, C. (2021). Transparencia algorítmica ¿un problema normativo o
tecnológico?. CUHSO (Temuco), 31(2), 306-
334. https://dx.doi.org/10.7770/cuhso-v31n2-art2196
Arguedas Vega, D. (2024). Robótica y Cirugía: Innovaciones y Tendencias
Actuales en la Práctica Quirúrgica. Revista Veritas De Difusão Científica, 5(2),
464–478. https://doi.org/10.61616/rvdc.v5i2.97
Baleriola Escudero, E., Piñones Valenzuela, R., Rivera-Aguilera, G., Cáceres
Serrano, P., & Tirado-Serrano, F.J. (2025). Tecnología y gubernamentalidad
algorítmica: Transformaciones sociales y políticas en la Era de la Inteligencia
Artificial. Psicoperspectivas, 24(2).
https://www.dx.doi.org/10.5027/psicoperspectivas-vol24-issue1-fulltext-3547
109
Belkadi, A. & Bachiri, M. (2025). Hacia una Industria 5.0 Potenciada por la IA:
Un Marco Teórico. Actas de Ingeniería , 112 (1), 2.
https://doi.org/10.3390/engproc2025112002
Da Costa Pimenta, C.C., Zarzuelo Prieto, D., Balan Garcia, A., Goicochea
Calderón, J.A., & Beltrán Sánchez, S. (2025). Industria 4.0: Impacto de la
Digitalización y la Automatización en la Transformación Social e
Industrial. Revista Inclusiones, 12(1), 216–243. https://doi.org/10.58210/fprc3592
Enriquez, D.W., & Raraz, J.G. (2024). Uso de la inteligencia artificial en el
laboratorio clínico y la diabetes, en países en vías de desarrollo: El control de
la calidad y la estimación de la glucosa a partir de la hemoglobina glicada.
(2024). Revista Médica Basadrina, 18(1), 48-
51. https://doi.org/10.33326/26176068.2024.1.1977
Escobar, A.L., & Giraldo Suárez, E. (2005). Implementación de algoritmos de
recorrido de grafos para el cálculo de la regulación en redes de distribución
radiales. Scientia Et Technica. 21(27), 33-35
Estrada Merino, A. (2025). Inteligencia artificial: hacia una gobernanza
ética. Acta Herediana, 68(2), 33–40. https://doi.org/10.20453/ah.v68i2.7505
Frankish, K., & Ramsey, W.M. (2014). The Cambridge handbook of artificial
intelligence. Cambridge: Cambridge University Press
Garikapati, K., Torres Manrique, J.I., & Goyal, R. (2025). Contribución de la IA
a la gobernanza de la sostenibilidad medioambiental en India y Perú: estudio
comparativo. Revista Oficial Del Poder Judicial, 17(23), 83-112.
110
https://doi.org/10.35292/ropj.v17i23.1138
Ge, M., Ohtani, K., Niu, Y., Zhang, Y., & Takeda, K. (2025). VLA-MP: A Vision-
Language-Action Framework for Multimodal Perception and Physics-
Constrained Action Generation in Autonomous Driving. Sensors, 25(19), 6163.
https://doi.org/10.3390/s25196163
Iovane, G. y Iovane, G. (2026). Sofimática y tiempo complejo 2D para mitigar
las alucinaciones en los LLM para nuevos sistemas de información inteligentes
en la transformación digital. Applied Sciences , 16 (1), 288.
https://doi.org/10.3390/app16010288
Liang, B., Wang, Y. y Tong, C. (2025). Razonamiento de IA en la era del
aprendizaje profundo: De la IA simbólica a la IA neuronal-
simbólica. Matemáticas , 13 (11), 1707. https://doi.org/10.3390/math13111707
Linares, F. (2024). Inteligencia Artificial y Ciberdefensa. Revista Seguridad y
Poder Terrestre. 3(4), 139-150. https://doi.org/10.56221/spt.v3i4.72
Llacsa Puma, L.J., Meleán Romero, R.A., Guadalupe-Zevallos, O.G., & Mamani
Cachicatari, G. (2026). Marco legal para regular el uso de la inteligencia
artificial en educación: Reflexiones sobre derechos fundamentales en edades
tempranas. Cuestiones Políticas, 44(84), 75-85.
https://doi.org/10.5281/zenodo.18735101
McKinsey & Company. (2024). «What is artificial general intelligence (AGI)?,»
21 marzo 2024. [En línea]. Available: https://www.mckinsey.com/featured-
insights/mckinsey-explainers/what-is-artificial-general-intelligence-agi
111
Mendizábal, G., Sánchez, A., & Kurkzyn, P. (2019). Industria 4.0. Trabajo y
seguridad. Ciudad de México: Universidad Nacional Autónoma de México.
https://archivos.juridicas.unam.mx/www/bjv/libros/12/5645/20.pdf
Naciones Unidas (UN). (2024). Gobernanza de la Inteligencia Artificial en beneficio
de la Humanidad: Informe final. New York: United Nations Publications.
https://www.un.org/sites/un2.un.org/files/governing_ai_for_humanity_final_
report_es.pdf
OECD/CAF. (2022), Uso estratégico y responsable de la inteligencia artificial en el
sector público de América Latina y el Caribe, Estudios de la OCDE sobre Gobernanza
Pública, OECD Publishing, Paris, https://doi.org/10.1787/5b189cb4-es
Okdem, S. & Okdem, S. (2024). Inteligencia artificial en ciberseguridad: Una
revisión y un estudio de caso. Applied Sciences, 14 (22), 10487.
https://doi.org/10.3390/app142210487
Parellada Guillamón, S., & Rovira Martorell, J. (2025). Gubernamentalidad
neuroalgorítmica: Inteligencia Artificial y producción de
neurosujetos. Psicoperspectivas, 24(2), 1-19.
https://dx.doi.org/10.5027/psicoperspectivas-vol24-issue2-fulltext-3460
Pérez-Domínguez, L.A. (2024). Las principales tecnologías de la era de la
industria 5.0. Revista Ingenio, 21(1), 60–70.
https://doi.org/10.22463/2011642X.4352
Porcelli, A.M. (2020). La inteligencia artificial y la robótica: sus dilemas sociales,
éticos y jurídicos. Derecho global. Estudios sobre derecho y justicia, 6(16), 49-105.
112
https://doi.org/10.32870/dgedj.v6i16.286
Reyes, A.Y., Jiménez, C.P. & Poblano, E.R. (2025). Aplicaciones de la Inteligencia
Artificial en la Administración de las Organizaciones. Jalisco: Editorial Centro de
Estudios e Investigaciones para el Desarrollo Docente CENID.
https://dialnet.unirioja.es/descarga/libro/1017142.pdf
Rodríguez-Martínez, E.A., Flores-Fuentes, W., Achakir, F., Sergiyenko, O. y
Murrieta-Rico, F.N. (2025). Navegación y percepción basadas en visión para
robots autónomos: Sensores, SLAM, estrategias de control y aplicaciones
multidominio: Una revisión. Eng, 6 (7), 153.
https://doi.org/10.3390/eng6070153
Russel, S.J., & Norvig, P. (2004). Inteligencia artificial: un enfoque moderno.
Madrid: Pearson Educación.
http://jdelagarza.fime.uanl.mx/IA/Libros/inteligencia-artificial-un-enfoque-
moderno-stuart-j-russell.pdf
Sarmiento-Ramos, J. (2020). Aplicaciones de las redes neuronales y el deep
learning a la ingeniería biomédica. Rev. UIS Ing. 9(14), 1-18.
https://doi.org/10.18273/revuin.v19n4-2020001
Scotto, V. (2025). Límites y desafíos de los grandes modelos de lenguaje para
la escritura académica y científica: una revisión crítica en función del “uso
experto”. Signo y Seña. 47, 61-84
Shafique, M.N., Adeel, U., & Rashid, A. (2024). The Synergy Between Industry
5.0 and Circular Economy for Sustainable Performance in the Chinese
113
Manufacturing Industry. Sustainability, 16(22), 9952.
https://doi.org/10.3390/su16229952
Shentu, X. (2024). A review on legal issues of medical robots. Medicine, 103(21),
e38330. https://doi.org/10.1097/MD.0000000000038330
Silva, L.A. da, Vasconcelos, E.S., Paiva, L.F.R. de, Collaço, M.H. do V.R.,
Joaquim, W.M., Lima, A.D. de, Goulart, C.S., & Teixeira, E.P. (2025). Consumo
energético dos data centers e a métrica da energia primária: análise global
2000–2024 e projeções até 2030. Observatório de la Economía
Latinoamericana, 23(10), e11812. https://doi.org/10.55905/oelv23n10-063
Smuha, N.A. (2025). The Cambridge Handbook of the Law, Ethics and Policy of
Artificial Intelligence. Cambridge: Cambridge University Press
Sprockel, J., Fandiño, A., Chaves, W.G., Benavides, C.O., & Diaztagle, J.J.
(2023). Ensamble de redes neuronales artificiales ponderado mediante
características operativas para el pronóstico de la insuficiencia cardiaca
aguda. Revista Colombiana de Cardiología, 30(5), 235-242.
https://doi.org/10.24875/rccar.22000065
Taherdoost, H. (2024). Más allá de lo supervisado: El auge del aprendizaje
autosupervisado en sistemas autónomos. Información , 15 (8), 491.
https://doi.org/10.3390/info15080491
Tejada Díaz, N.L., Gisbert Soler, V., & Pérez Molina, A.I. (2017). Metodología
de estudio de tiempo y movimiento; introducción al GSD. 3C Empresa,
investigación y pensamiento crítico. Edición Especial, 39-49.
114
http://dx.doi.org/10.17993/3cemp.2017.especial.39-49
Villalobos-Murillo, J., Garita González, G., & Alfaro Ramírez, B.J. (2025).
Inteligencia Artificial: marco de competencias para orientar prácticas
supervisadas y aplicaciones de redes neuronales en estudiantes de
Computación. Spirat. Revista Académica De Docencia Y Gestión
Universitaria, 3(NE1), e5378. https://doi.org/10.20453/spirat.v3iNE1.5378
Voeneky, S., Kellmeyer, P., Mueller, O., & Burgard, W. (2022). The Cambridge
Handbook of Responsible Artificial Intelligence: Interdisciplinary Perspectives.
Cambridge: Cambridge University Press
Walker, P.B., Haase, J.J., Mehalick, M.L., Steele, C.T., Russell, D.W. &
Davidson, I.N. (2025). Aprovechamiento de la metacognición para una IA
segura y responsable. Technologies, 13 (3), 107.
https://doi.org/10.3390/technologies13030107
Wang, Y., Zhou, W., Rao, Y., & Guan, H. (2025). A Knowledge and Semantic
Fusion Method for Automatic Geometry Problem Understanding. Applied
Sciences, 15(7), 3857. https://doi.org/10.3390/app15073857
Watson, E., Viana, T., Zhang, S., Sturgeon, B. y Petersson, L. (2024). Hacia un
marco integral de ajuste personal para la alineación de valores de la
IA. Electronics , 13 (20), 4044. https://doi.org/10.3390/electronics13204044
115
De esta edición de “Inteligencia artificial: un enfoque moderno y aprendizaje
profundo”, se terminó de editar en la ciudad de Colonia del Sacramento
en la República Oriental del Uruguay el 23 de febrero de 2026
116