Octubre de 1973. Un informe cambia todo.
Sir James Lighthill, un economista británico, entrega un documento de 40 páginas al Science Research Council del Reino Unido. El título es tan árido que parece una maniobra para que nadie lo lea: "Artificial Intelligence: A General Survey". Pero para los investigadores de IA de la época, es un acta de defunción.
Lighthill escribe lo que muchos funcionarios ya querían escuchar. La IA no funciona. Las promesas de los investigadores son humo. Se han gastado millones en investigación que no produce máquinas inteligentes. Hay que parar.
El Reino Unido corta la financiación ese mismo año. Estados Unidos, que había estado financiando IA con fuerza a través de DARPA, hace lo mismo. De un día para el otro, laboratorios cierran. Investigadores se quedan sin trabajo. El campo que prometía revolucionar el mundo es declarado imposible.
Pero el informe de Lighthill tenía un problema. Era parcialmente correcto, pero por las razones equivocadas.
La verdad incómoda del primer invierno (1974-1980)
Lighthill no se equivocaba al decir que la IA de los 60 había fracasado en su promesa. Los investigadores habían jurado máquinas superinteligentes. No llegaban. Los presupuestos se inflaban. Los resultados no llegaban.
Lo que Lighthill no vio fue que mientras el mundo los ignoraba, un grupo pequeño seguía trabajando en las sombras.
Geoffrey Hinton estaba en la Universidad de Toronto investigando redes neuronales cuando el campo estaba prácticamente enterrado. Yann LeCun hizo su doctorado en París a principios de los 80 y después se fue a Bell Labs, donde desarrolló las redes convolucionales que hoy son infraestructura estándar. Yoshua Bengio se sumó a fines de los 80 con la misma convicción que los otros dos: las matemáticas subyacentes eran correctas, aunque nadie quisiera financiarlas.
En 1986 pasó algo pequeño pero transformador. Rumelhart, Hinton y Williams publicaron en Nature un paper sobre cómo entrenar redes profundas usando backpropagation. La idea no era del todo nueva — Paul Werbos la había desarrollado años antes — pero ahora convergía con hardware mejor y confianza teórica sólida. Fue, en retrospectiva, el acto fundacional del deep learning moderno.
El primer invierno no terminó porque alguien "descubriera" que la IA funcionaba. Terminó porque había resultados modestos en dominios específicos (reconocimiento de caracteres, análisis de imágenes simples) y porque la infraestructura computacional mejoraba lentamente pero sin pausa.
El segundo invierno: la promesa vacía de los sistemas expertos (1987-1993)
Los años 80 fueron raros. La IA estaba "volviendo", pero no como deep learning. Era la era de los sistemas expertos.
La idea era seductora. Tomás el conocimiento de un experto humano — un médico, un abogado, un ingeniero — y lo codificás en reglas que la computadora aplica. Un médico diagnostica tal enfermedad si ve los síntomas X, Y, Z. Registralo. Ahora la máquina también puede diagnosticar.
Y funcionó. Funcionó muy bien en demostración. Las corporaciones invirtieron miles de millones. El mercado de sistemas expertos llegó a estimaciones de USD 3 mil millones hacia 1988, según el libro de Daniel Crevier "AI: The Tumultuous History of the Search for Artificial Intelligence". Se vendió como la revolución que por fin había llegado.
Pero había un problema estructural. Los sistemas expertos eran frágiles. Un sistema que funcionaba en el 80% de los casos fallaba catastróficamente en el 20% restante. Costaba millones de dólares construirlos. Requería expertos humanos permanentemente para mantener las reglas al día. No escalaba.
Hacia 1987, las empresas se dieron cuenta. Los fondos desaparecieron. Otro invierno. Otros seis años en que la IA fue considerada imposible.
Lo que pasaba en silencio mientras el mundo dudaba
Acá está el patrón que casi nadie cuenta. Los dos inviernos ocurrieron mientras progreso técnico real se estaba acumulando sin fanfarria.
Entre 1974 y 1980, cuando la IA oficial estaba "muerta", Hinton y otros desarrollaban teoría sobre redes recurrentes. LeCun refinaba el backpropagation aplicado a imágenes. Bengio, un poco después, exploraría arquitecturas que podrían procesar lenguaje.
Durante el segundo invierno (1987-1993) pasaba algo aún más importante. Internet empezaba a expandirse. Había datos digitales reales por primera vez a escala masiva. Las computadoras personales se volvían más rápidas. Y las GPUs — procesadores diseñados originalmente para videojuegos — empezaban a evolucionar de formas que eventualmente acelerarían redes neuronales por órdenes de magnitud. Nvidia, la empresa que terminaría siendo central para la explosión actual de IA, fue fundada en 1993. Justo al final del segundo invierno.
¿Y a vos qué te cambia esto?
La lección es directa. Mirá el patrón, no el ruido.
El ruido es: "¿Cree el mundo en la IA?" "¿Hay dinero especulativo?" "¿Qué prometió hoy el último CEO?"
El patrón es: "¿Hay trabajo técnico serio siendo construido?" "¿Hay resultados medibles, aunque sean chicos?" "¿Hay gente usando herramientas que funcionan?"
Los inviernos no mataron la IA porque el progreso real no dependía del hype. Dependía de investigadores que sabían que estaban en lo correcto aunque nadie los creyera.
La pregunta que te dejo
Hoy, cuando leas titulares sobre "la IA va a cambiar todo" o "la IA está sobrevaluada", te podés hacer la misma pregunta que este artículo sugiere mirando hacia atrás. ¿Dónde está pasando trabajo real? ¿Qué está construyendo la gente que no sale en los diarios? Si querés una respuesta concreta sobre por qué Anthropic cree que estamos en un momento distinto a los inviernos anteriores, leé el #0027 sobre la carrera de los modelos frontera.
El día que un economista declaró muerta a la IA
En 1973, un economista británico llamado Sir James Lighthill entregó un informe de 40 páginas al gobierno del Reino Unido. El título era seco: "Inteligencia Artificial: una evaluación crítica". Adentro decía algo brutal: la IA no funciona, los investigadores prometen humo, corten los fondos. El gobierno británico cortó. Estados Unidos siguió. Laboratorios cerraron. Investigadores perdieron el trabajo. El mundo dejó de creer.
Eso se llamó el primer "invierno de la IA". Duró casi una década.
Y después pasó de nuevo
Los años 80 parecieron un renacer. Aparecieron los "sistemas expertos" — programas que encerraban el conocimiento de médicos o ingenieros en reglas del tipo "si pasa esto, hacé aquello". Las empresas gastaron miles de millones. Parecía que la IA por fin había llegado. Hasta que no. Los sistemas eran frágiles. Se rompían apenas salías del dominio para el que estaban diseñados. En 1987 la plata se evaporó. Segundo invierno. Otros seis años de silencio.
Lo que nadie contaba
Pero mientras afuera se decía que la IA estaba muerta, adentro pasaba otra cosa. Geoffrey Hinton, en Toronto, seguía trabajando en redes neuronales. Le rechazaban los papers. No lo financiaban. En 1986, él y dos colegas publicaron en Nature una forma de entrenar redes profundas — el algoritmo de backpropagation. Pocos le prestaron atención. Hoy es la base de Claude, de ChatGPT, de todo lo que usás.
Yann LeCun, en Bell Labs, trabajaba en redes convolucionales para reconocer cheques bancarios. Yoshua Bengio se sumó después. Tres personas sosteniendo una idea que el mundo había descartado. Treinta años después, les dieron el equivalente al Nobel de computación por ese trabajo.
Por qué hoy cuenta
La gente tiende a repetir los mismos ciclos. Alguien hace una promesa grande. Pasan años. La promesa no llega como se dijo. La confianza cae. El dinero se va. Y mientras afuera todos miran otra cosa, adentro alguien sigue construyendo.
Vos, como profesional que usa IA, no controlás esos ciclos. Pero podés reconocerlos.
Para llevarte:
Tres ideas. Primero, la IA sobrevivió dos veces porque los que creían en ella siguieron construyendo en silencio — Hinton, LeCun, Bengio. No esperaban que el mundo les creyera; sabían que estaban en lo correcto. Segundo, el verdadero progreso pasó sin bombo mediático. Mientras todos hablaban de promesas, ellos resolvían problemas matemáticos concretos. Tercero, hoy es distinto porque no se puede apagar lo que ya funciona. Gmail filtra spam con IA desde 2005. Google Search usa deep learning hace años. Eso no desaparece porque alguien pierda la confianza.
Octubre de 1973. Un informe cambia todo.
Sir James Lighthill, un economista británico, entrega un documento de 40 páginas al Science Research Council del Reino Unido. El título es tan árido que parece una maniobra para que nadie lo lea: "Artificial Intelligence: A General Survey". Pero para los investigadores de IA de la época, es un acta de defunción.
Lighthill escribe lo que muchos funcionarios ya querían escuchar. La IA no funciona. Las promesas de los investigadores son humo. Se han gastado millones en investigación que no produce máquinas inteligentes. Hay que parar.
El Reino Unido corta la financiación ese mismo año. Estados Unidos, que había estado financiando IA con fuerza a través de DARPA, hace lo mismo. De un día para el otro, laboratorios cierran. Investigadores se quedan sin trabajo. El campo que prometía revolucionar el mundo es declarado imposible.
Pero el informe de Lighthill tenía un problema. Era parcialmente correcto, pero por las razones equivocadas.
La verdad incómoda del primer invierno (1974-1980)
Lighthill no se equivocaba al decir que la IA de los 60 había fracasado en su promesa. Los investigadores habían jurado máquinas superinteligentes. No llegaban. Los presupuestos se inflaban. Los resultados no llegaban.
Lo que Lighthill no vio fue que mientras el mundo los ignoraba, un grupo pequeño seguía trabajando en las sombras.
Geoffrey Hinton estaba en la Universidad de Toronto investigando redes neuronales cuando el campo estaba prácticamente enterrado. Yann LeCun hizo su doctorado en París a principios de los 80 y después se fue a Bell Labs, donde desarrolló las redes convolucionales que hoy son infraestructura estándar. Yoshua Bengio se sumó a fines de los 80 con la misma convicción que los otros dos: las matemáticas subyacentes eran correctas, aunque nadie quisiera financiarlas.
En 1986 pasó algo pequeño pero transformador. Rumelhart, Hinton y Williams publicaron en Nature un paper sobre cómo entrenar redes profundas usando backpropagation. La idea no era del todo nueva — Paul Werbos la había desarrollado años antes — pero ahora convergía con hardware mejor y confianza teórica sólida. Fue, en retrospectiva, el acto fundacional del deep learning moderno.
El primer invierno no terminó porque alguien "descubriera" que la IA funcionaba. Terminó porque había resultados modestos en dominios específicos (reconocimiento de caracteres, análisis de imágenes simples) y porque la infraestructura computacional mejoraba lentamente pero sin pausa.
El segundo invierno: la promesa vacía de los sistemas expertos (1987-1993)
Los años 80 fueron raros. La IA estaba "volviendo", pero no como deep learning. Era la era de los sistemas expertos.
La idea era seductora. Tomás el conocimiento de un experto humano — un médico, un abogado, un ingeniero — y lo codificás en reglas que la computadora aplica. Un médico diagnostica tal enfermedad si ve los síntomas X, Y, Z. Registralo. Ahora la máquina también puede diagnosticar.
Y funcionó. Funcionó muy bien en demostración. Las corporaciones invirtieron miles de millones. El mercado de sistemas expertos llegó a estimaciones de USD 3 mil millones hacia 1988, según el libro de Daniel Crevier "AI: The Tumultuous History of the Search for Artificial Intelligence". Se vendió como la revolución que por fin había llegado.
Pero había un problema estructural. Los sistemas expertos eran frágiles. Un sistema que funcionaba en el 80% de los casos fallaba catastróficamente en el 20% restante. Costaba millones de dólares construirlos. Requería expertos humanos permanentemente para mantener las reglas al día. No escalaba.
Hacia 1987, las empresas se dieron cuenta. Los fondos desaparecieron. Otro invierno. Otros seis años en que la IA fue considerada imposible.
Lo que pasaba en silencio mientras el mundo dudaba
Acá está el patrón que casi nadie cuenta. Los dos inviernos ocurrieron mientras progreso técnico real se estaba acumulando sin fanfarria.
Entre 1974 y 1980, cuando la IA oficial estaba "muerta", Hinton y otros desarrollaban teoría sobre redes recurrentes. LeCun refinaba el backpropagation aplicado a imágenes. Bengio, un poco después, exploraría arquitecturas que podrían procesar lenguaje.
Durante el segundo invierno (1987-1993) pasaba algo aún más importante. Internet empezaba a expandirse. Había datos digitales reales por primera vez a escala masiva. Las computadoras personales se volvían más rápidas. Y las GPUs — procesadores diseñados originalmente para videojuegos — empezaban a evolucionar de formas que eventualmente acelerarían redes neuronales por órdenes de magnitud. Nvidia, la empresa que terminaría siendo central para la explosión actual de IA, fue fundada en 1993. Justo al final del segundo invierno.
¿Y a vos qué te cambia esto?
La lección es directa. Mirá el patrón, no el ruido.
El ruido es: "¿Cree el mundo en la IA?" "¿Hay dinero especulativo?" "¿Qué prometió hoy el último CEO?"
El patrón es: "¿Hay trabajo técnico serio siendo construido?" "¿Hay resultados medibles, aunque sean chicos?" "¿Hay gente usando herramientas que funcionan?"
Los inviernos no mataron la IA porque el progreso real no dependía del hype. Dependía de investigadores que sabían que estaban en lo correcto aunque nadie los creyera.
La pregunta que te dejo
Hoy, cuando leas titulares sobre "la IA va a cambiar todo" o "la IA está sobrevaluada", te podés hacer la misma pregunta que este artículo sugiere mirando hacia atrás. ¿Dónde está pasando trabajo real? ¿Qué está construyendo la gente que no sale en los diarios? Si querés una respuesta concreta sobre por qué Anthropic cree que estamos en un momento distinto a los inviernos anteriores, leé el #0027 sobre la carrera de los modelos frontera.
Un patrón que el relato oficial raramente nombra
La historiografía dominante trata los dos inviernos de la IA (1974-1980 y 1987-1993) como períodos de fracaso tecnológico. Es una caracterización que empobrece el fenómeno. Los inviernos fueron, más precisamente, períodos de contracción financiera e institucional ocurridos mientras progreso técnico fundamental continuaba sin visibilidad pública. Entender esa diferencia no es un ejercicio académico. Es la única forma de leer con precisión los ciclos de hype y corrección que seguimos viendo hoy.
Primer invierno (1973-1980): la brecha entre promesa narrativa y factibilidad técnica
El Informe Lighthill de 1973 fue, técnicamente, una intervención política ejecutada en lenguaje académico. Su argumento central descansaba en una distinción útil: la diferencia entre "complejidad de diseño" — cuán complicado es construir algo — y "complejidad combinatoria" del problema — cuán inherentemente difícil es el problema subyacente. Las máquinas de los 60 podían jugar ajedrez en tableros acotados, pero fracasaban en la generalización a problemas nuevos de estructura abierta.
Lighthill tenía razón en su diagnóstico inmediato. Las promesas que McCarthy, Minsky, Simon y otros habían hecho a fines de los 50 y en los 60 — máquinas superinteligentes en una o dos décadas — eran matemáticamente insostenibles con la arquitectura von Neumann disponible y sin los datasets que todavía no existían. El error no fue de dirección de investigación. Fue de calendario.
La respuesta institucional fue severa. DARPA cortó fondos. El Reino Unido desfinanció sistemáticamente. El campo entró en lo que los historiadores llaman "primer invierno". Pero — y este es el punto — el colapso financiero no fue total. Fue redistributivo. Pequeños laboratorios en la Universidad de Toronto, la ENS de París, Bell Labs, continuaron investigación sostenida a niveles de subsistencia.
Lo que ocurrió en estos laboratorios fue técnicamente transformador:
- Hinton desarrolló arquitecturas de redes recurrentes con fundamentación teórica rigurosa.
- Rumelhart, Hinton y Williams (1986, Nature 323) publicaron el paper que demostró que backpropagation podía entrenar redes multicapa de forma práctica, resolviendo el problema teórico central que había bloqueado el campo desde la crítica de Minsky y Papert al perceptrón en 1969.
- LeCun integró convoluciones en arquitecturas para procesar imágenes con invariancia espacial.
Estos avances NO fueron acelerados por financiación pública. Fueron sostenidos por confianza teórica — una fe en la matemática subyacente — que el dinero especulativo de los 60 había erosionado y que solo quedaba en puñados de laboratorios descentralizados.
El invierno terminó alrededor de 1980-1982 no porque se "descubriera" que la IA funcionaba, sino por convergencia de tres factores: demostración de capacidades limitadas pero reales en dominios específicos (especialmente reconocimiento óptico de caracteres); mejora de infraestructura computacional con la llegada de minicomputadoras y después PCs; y entrada de dinero corporativo — no solo público — para aplicaciones prácticas.
Segundo invierno (1987-1993): la ilusión de generalidad en los sistemas expertos
El período 1980-1987 fue de resurgimiento cauto. Los sistemas expertos emergieron como la primera aplicación comerciable de IA. Su propuesta: codificar reglas de decisión de expertos humanos en máquinas de inferencia.
El modelo tenía validez restringida. Funcionaba en dominios altamente especializados con decisiones booleanas claras y bases de conocimiento que cambian lentamente. MYCIN diagnosticaba enfermedades infecciosas con precisión comparable a especialistas humanos. XCON, usado en Digital Equipment Corporation desde 1980, configuraba pedidos de computadoras y le ahorró a la empresa un estimado de USD 40 millones al año según documentación interna de DEC. El mercado de sistemas expertos alcanzó unos USD 3 mil millones hacia 1988, según Crevier (1993).
Pero la promesa que la industria vendió — aunque raramente se articulaba de forma explícita — era que una arquitectura de reglas codificadas podía escalar hacia dominios abiertos. No podía. Tres problemas sistémicos la condenaban:
- Ausencia de generalización. Un sistema entrenado en diagnósticos de enfermedad A con 80% de cobertura fallaba catastróficamente en el 20% restante y totalmente fuera del dominio de entrenamiento.
- Explosión combinatoria en mantenimiento. Sistemas con miles de reglas desarrollaban interacciones impredecibles entre ellas. El debugging requería expertise humana constante.
- Costo de adquisición de conocimiento. Extraer reglas de expertos humanos (knowledge elicitation) es laborioso, caro, y requiere continuidad. Cualquier cambio en la base de conocimiento requería recaptura completa.
Hacia 1986-1987, la adopción corporativa de sistemas expertos se estancó. El ROI esperado no se materializaba. Hacia 1987-1988, la financiación se evaporó. Segundo invierno.
La fenomenología técnica de los inviernos: progreso en clandestinidad
Ambos inviernos coincidieron con avances técnicos que no recibieron atención pública. Durante el primero, Hopfield (1982) — aunque publicado al final del período — se desarrolló durante él. LeCun perfeccionaba convoluciones. Judea Pearl desarrollaba las redes bayesianas que resolverían las fragilidades lógicas de los sistemas simbólicos tempranos; su trabajo fue publicado como libro en 1988 y le valdría el Premio Turing en 2011. El crecimiento exponencial de datos digitales (email, primeras bases de datos relacionales) creaba el "combustible" que más tarde entrenaría redes profundas.
Durante el segundo invierno, Bengio, LeCun y Hinton desarrollaban arquitecturas de lenguaje y visión. El crecimiento exponencial de internet en los 90 empezó a generar corpus sin precedentes. Nvidia fue fundada en 1993 — las GPUs que eventualmente acelerarían la computación matricial de redes neuronales comenzaban su evolución. Avances en estadística bayesiana y modelos gráficos probabilísticos proveyeron el andamiaje matemático que el campo necesitaba.
El patrón es claro. Ambos inviernos fueron períodos donde financiación especulativa y hype se desinflaron, mientras infraestructura técnica fundamental se fortalecía.
El mecanismo de resurgimiento: convergencia de capacidad técnica, datos y hardware
Los inviernos terminaron cuando tres factores convergieron. Primero, teoría técnica madurada: backpropagation funcionaba, las redes bayesianas funcionaban, las convoluciones funcionaban. Segundo, datos reales disponibles: internet proveía corpus de texto, imágenes y datos estructurados a escala masiva. Tercero, hardware suficiente: las computadoras secuenciales se habían vuelto rápidas y las GPUs empezaban a existir como categoría.
Sin dinero especulativo, pero con estos tres factores, el campo resurgió a comienzos de los 90. El deep learning — aunque el término no se popularizaría hasta 2006 — empezó a demostrar resultados concretos en visión y lenguaje.
La tesis del blog sobre los ciclos presentes y futuros
Acá va lo que este blog cree después de revisar cuidadosamente la fenomenología histórica. Los ciclos de hype y corrección en IA no son ruido — son estructurales. Ocurren cuando la promesa narrativa supera sistemáticamente la capacidad técnica demostrable. La corrección es inevitable. Pero — y este es el insight que cambia la lectura — la corrección especulativa no es lo mismo que el fracaso técnico. Los inviernos ocurrieron mientras el progreso técnico real se acumulaba. La narrativa colapsó; la construcción continuó.
La implicación práctica para quien usa IA hoy es directa y útil. Primero, esperá correcciones especulativas. Son inevitables cuando la promesa supera la realidad, como ocurre en 2024-2026 con parte del mercado de modelos. Segundo, no confundas corrección con fracaso. Cuando el dinero se retire de proyectos sobrevalorados, la infraestructura que realmente funciona — modelos en Gmail, búsqueda, análisis médico, asistentes de código — seguirá ahí y se seguirá profundizando. Tercero, el trabajo que hacés ahora para aprender a usar estas herramientas se paga independientemente del ciclo. Hinton trabajó 30 años sin reconocimiento. Cuando el reconocimiento llegó, el trabajo ya estaba hecho.
Un invierno completo al estilo 1974 o 1987 es hoy improbable. La diferencia estructural es que la IA ya está embebida en infraestructura crítica — Gmail, Search, diagnóstico médico asistido, herramientas de productividad que se facturan en ingresos reales. Eso proporciona financiación corporativa independiente de especulación, datos masivos para entrenar, hardware (TPUs, GPUs) diseñado específicamente para esta carga, e instituciones con horizontes temporales largos. Una corrección especulativa es casi segura. Un invierno completo es poco probable, porque la infraestructura de progreso técnico es sustancialmente más robusta que en 1973 o 1987.
La pregunta no es si va a haber turbulencia. La pregunta es si vas a saber leerla cuando llegue.
