Sistemas expertos: cuando la IA se convirtió en negocio (años 80)

Durante la mayor parte de los años 70, la inteligencia artificial era una disciplina universitaria con presupuestos modestos y promesas ambiciosas. A mediados de los 80, se había convertido en una industria de miles de millones de dólares. La tecnología que impulsó esta transformación fue el sistema experto, y la historia de su auge y caída sigue siendo una de las lecciones más instructivas de la IA.

Qué eran los sistemas expertos

Un sistema experto es un programa que imita la toma de decisiones de un especialista humano. Tiene dos componentes centrales:

• Una base de conocimiento, cientos o miles de reglas “si-entonces” que codifican experiencia de dominio (si el paciente tiene fiebre y rigidez de nuca, considerar meningitis).
• Un motor de inferencia, software que encadena las reglas para llegar a conclusiones, a veces con puntuaciones de confianza para manejar la incertidumbre.

La idea fue acuñada por Edward Feigenbaum en Stanford, quien argumentó que “los sistemas inteligentes derivan su poder del conocimiento que poseen, no de los formalismos e inferencias específicos que usan.” Esto representó una ruptura deliberada con la investigación previa en IA, que había intentado construir solucionadores de problemas de propósito general. Los sistemas expertos eran especializados, prácticos y, crucialmente, comercialmente viables.

Los pioneros

Los primeros sistemas expertos notables surgieron de Stanford en los años 70:

• DENDRAL (desde 1965) identificaba moléculas orgánicas a partir de datos espectrográficos, el primer sistema que demostró que codificar conocimiento especializado podía superar a las heurísticas generales.
• MYCIN (desde 1972) diagnosticaba infecciones bacterianas y recomendaba antibióticos. Nunca se desplegó clínicamente, pero mostró que el razonamiento bajo incertidumbre podía formalizarse. En pruebas ciegas, MYCIN igualó o superó la precisión de especialistas en enfermedades infecciosas.

El boom

La explosión comercial comenzó alrededor de 1980, cuando Digital Equipment Corporation (DEC) desplegó XCON (también conocido como R1), un sistema experto para configurar pedidos de minicomputadoras VAX. A mediados de los 80, XCON contenía miles de reglas y se le atribuía un ahorro de 40 millones de dólares anuales para DEC.

Sistemas similares aparecieron en exploración petrolera, finanzas, manufactura y logística. Surgió una nueva profesión, el ingeniero de conocimiento, cuyo trabajo era extraer experiencia de especialistas humanos y codificarla como reglas. Dos tercios de las empresas Fortune 500 usaban sistemas expertos a finales de los 80.

El boom se amplificó por la competencia internacional. En 1982, Japón lanzó el Proyecto de Computadoras de Quinta Generación, una iniciativa gubernamental de diez años para construir máquinas capaces de inferencia lógica y comprensión del lenguaje natural. Los gobiernos occidentales entraron en pánico y respondieron con sus propios programas de financiación masiva.

El colapso

A finales de los 80, las grietas eran visibles: extraer reglas de expertos era lento y frágil; los sistemas eran rígidos y fallaban impredeciblemente en los bordes; el mantenimiento se volvió inmanejable; y el hardware dedicado no podía competir con estaciones de trabajo cada vez más potentes. El proyecto japonés terminó sin cumplir sus promesas. El mercado de máquinas Lisp colapsó. Llegó el segundo invierno de la IA.

Por qué importa

Los sistemas expertos demostraron que la IA específica de dominio podía generar valor comercial real. Pero también mostraron los límites de la IA simbólica: las reglas codificadas a mano no escalan con el desorden del mundo real. Cuando el aprendizaje automático regresó en los años 90 y 2000, triunfó donde los sistemas expertos habían fracasado: aprendiendo patrones de los datos en lugar de codificarlos manualmente. Los modelos de lenguaje actuales son, en cierto sentido, la respuesta al cuello de botella de la adquisición de conocimiento.