Durante años, la receta del avance en IA fue sencilla: modelos cada vez más grandes y más datos. Entre 2018 y 2023 eso funcionó de maravilla. Hoy, en 2025, el panorama es distinto: la IA no ha tocado techo, pero el motor del progreso ya no es solo “hacerlo más grande”. Aparecen límites más “terrenales”: datos, dinero, energía, y sobre todo fiabilidad (que la IA no se invente cosas). El futuro depende menos del músculo y más del ingenio: nuevas técnicas, mejores conjuntos de datos y sistemas que verifiquen lo que dicen.
Los nuevos “techos bajos”: dónde aprieta el zapato
1. Datos: no es que se acaben, es que faltan buenos
Internet es inmenso, sí, pero los textos de alta calidad (libros, artículos revisados, manuales) no crecen al ritmo que exige entrenar modelos gigantes. Por eso crece el interés por datos sintéticos (texto generado por otras IAs): son útiles si se combinan y controlan bien; mal usados pueden llevar a la “autofagia” de los modelos (aprenden sus propios errores).
2. Cómputo y coste: cada salto cuesta más
El “caballo de fuerza” de la IA —los chips y el tiempo de entrenamiento— se ha disparado en coste. Entrenar o actualizar un modelo puntero ya es cosa de muy pocas empresas. Esto no bloquea el progreso, pero lo hace más selectivo: conviene exprimir la eficiencia y reservar los “cañones” para problemas donde de verdad compensen.
3. Energía e infraestructura: vatios y cables importan
Los centros de datos consumen cada vez más electricidad y no siempre hay potencia disponible donde hace falta. Es un freno silencioso: aunque tengas el dinero y el modelo, igual no tienes enchufe. Esto empuja a buscar chips más eficientes, mejor programación y a mover trabajo a dispositivos locales cuando sea posible.
4. Las “leyes del escalado”: no basta con más parámetros
Una idea clave (popularizada con “Chinchilla”) dice que para entrenar bien un modelo debes escalar a la vez el tamaño y los datos. Muchos modelos ya juegan en esa zona “óptima”. Resultado: solo aumentar parámetros rinde menos si no traes más y mejores ejemplos.
Limitaciones técnicas que siguen ahí:
- Alucinaciones (inventarse cosas): en consultas corrientes los chatbots parecen impecables; en temas raros o delicados, aún fallan. Conectar la IA a fuentes externas y obligarla a citar ayuda, pero no borra el problema.
- Razonamiento largo y planificación: mejorar un sudoku es una cosa; planificar 20 pasos con condiciones cambiantes, otra. Las IAs resuelven cada vez más rompecabezas, pero su robustez cae en tareas largas o cuando las preguntas son maliciosas.
- Interpretabilidad: seguimos sin saber por qué el modelo responde lo que responde. En sanidad, justicia o administración, esa opacidad frena despliegues: ¿cómo certificas un sistema que no puedes auditar por dentro?
Además la tendencia brain-like en hardware de IA va hacia apilar (3D) y acercar: memoria-cómputo-sensor en el mismo volumen, interconexión fotónica 3D y procesamiento por eventos (SNN). Eso recicla la lección del cerebro: la energía se gana moviendo menos datos.
5. El factor externo: regulación y confianza pública
En Europa, el AI Act ya está en marcha con fechas escalonadas. Para el público general, dos ideas:
- Habrá más transparencia: qué datos se usan, cuánta energía se consume, cómo se evalúan riesgos.
- Los usos de alto riesgo (por ejemplo, en decisiones que afectan a derechos o a la seguridad) deberán cumplir requisitos estrictos antes de salir a producción.
¿Es un freno? Sí y no. A corto plazo, eleva costes de cumplimiento. A medio, mejora la confianza y reduce sustos: menos titulares de “la IA se equivocó y…”.
6. Entonces, ¿dónde está el progreso real ahora?
6.1 De “un modelo” a un sistema
La IA ya no es un cerebro aislado: es modelo + herramientas.
- RAG (búsqueda con lectura y citación): la IA lee fuentes y responde con referencias.
- Verificación automática: el sistema comprueba su propia respuesta con cálculos, búsquedas o reglas.
- Agentes con presupuesto: en lugar de soñar despierta, la IA planifica pocos pasos, evalúa y corta cuando conviene.
Efecto: menos inventiva “creativa” cuando no toca, más utilidad profesional (documentos, informes, soporte técnico).
6.2. Eficiencia de entrenamiento: hacer más con menos
- MoE (Mixture of Experts): un “equipo” de expertos donde solo trabajan unos pocos por pregunta: menos cómputo por respuesta, mismo nivel de calidad.
- Destilación y poda: se entrena un modelo grande y luego se extrae una versión más ligera casi igual de buena.
- Currículos y datos de alta señal: enseñar paso a paso, con ejemplos verificables, sube la calidad sin romper la hucha.
6.3. Datos sintéticos… bien gobernados
Generar ejemplos con IA sí funciona si se mezclan con datos reales, se etiquetan y se controla la diversidad. No es “relleno barato”; es una técnica que, bien usada, amplia cobertura en nichos donde no hay suficientes datos públicos.
7. ¿Qué significa todo esto para ti (empresa, administración o ciudadano)?
Si diriges un proyecto con IA:
- Define el margen de error aceptable por caso de uso (no es lo mismo un chatbot de atención que un informe legal).
- Arquitectura con los pies en el suelo: conecta la IA a fuentes confiables y añade verificación. En tareas críticas, persona en el bucle.
- Evalúa en tu contexto: no te fíes de rankings genéricos; mide factualidad, cobertura, deriva, coste y latencia con tus propios datos.
- Optimiza el coste de uso: usa cachés, modelos pequeños locales para lo masivo, y deja los gigantes para los picos de complejidad.
- Cumple y cuenta: inventario de sistemas, origen de datos claro, políticas de retención y un mínimo de transparencia ante usuarios.
Si eres usuario final:
- Desconfía de las respuestas sin fuentes.
- Pide que el sistema explique cómo llegó a su conclusión (aunque sea a nivel de pasos, no de neuronas).
Recuerda: la IA no es infalible; úsala como asistente, no como oráculo.
8. En pocas palabras
La IA no ha tocado techo. Lo que ha cambiado es el estilo de escalado: antes valía con más tamaño y más datos; ahora manda la calidad, la eficiencia y la verificación. Los límites que más pesan hoy no son filosóficos, sino económicos (cómputo), energéticos (potencia), de datos (calidad) y de fiabilidad. Por eso el avance de 2025 en adelante será menos un “salto mágico” de un modelo omnisciente y más una ingeniería cuidadosa: sistemas que citan, comprueban, planifican y saben decir “no lo sé”.
¿Buenas noticias? Sí: esta transición hace a la IA más útil y más segura para el trabajo diario. ¿Desafíos? También: toca invertir en gobernanza, evaluación y datos de calidad. Es menos glamuroso que anunciar “el modelo más grande del mundo”, pero probablemente más importante para que la IA funcione de verdad en tu día a día.