Por qué Stallman rechaza llamar ‘IA’ a los LLM

El término ‘IA’ tiene 70 años: Stallman no niega la historia

Un LLM (Large Language Model) es un modelo de lenguaje entrenado con enormes cantidades de texto que aprende a predecir la siguiente palabra probable en una secuencia. Richard Stallman, fundador del movimiento del software libre y del Proyecto GNU, no discute la historia académica del término «Inteligencia Artificial». Reconoce que nació en el verano de 1956 en el taller de Dartmouth, donde el matemático John McCarthy lo acuñó como campo de investigación. Lo que rechaza es el uso comercial actual de esa etiqueta cuando se aplica a sistemas como los LLM.

En una entrevista publicada por FOSS Force en 2026, Stallman sostuvo que llamar «inteligencia artificial» a estos modelos funciona como base de una campaña de hype publicitario: exagera sus capacidades y hace que el público crea que sus respuestas tienen comprensión real. Por eso ha propuesto términos alternativos como «pretend intelligence» o, más provocador, «bullshit generators«, para describir sistemas que producen texto con apariencia sólida pero sin relación verificable con la verdad.

Por qué Stallman dice que los LLM «no entienden»

El núcleo de su argumento es epistemológico, no técnico. Para Stallman, inteligencia implica «la capacidad de conocer o comprender, al menos dentro de un dominio». Un programa que clasifica imágenes médicas con precisión puede tener inteligencia acotada. Un LLM, en cambio, no entiende el significado ni de lo que recibe como entrada ni de lo que entrega como salida: simplemente calcula qué palabra es probable que siga a otras.

En una transcripción de 2025, Stallman explicó que los LLM «juegan con texto»: miran enormes cantidades de palabras y predicen continuaciones probables. Eso puede generar frases gramaticales y convincentes, pero no implica comprensión semántica. La consecuencia práctica es conocida por cualquier founder que haya usado un chatbot: el sistema puede inventar citas, datos, autores, jurisprudencia o código con total fluidez.

Las alucinaciones: el problema que miden los benchmarks

Lo que Stallman describe como «producir texto sin relación con la verdad» tiene nombre técnico en la industria: alucinaciones. Los benchmarks independientes muestran que el problema está lejos de estar resuelto y, en algunos casos, ha empeorado con modelos más nuevos.

Según el índice AA-Omniscience que mide Artificial Analysis y recoge un análisis de TechTimes de julio de 2026 sobre Grok 4.5, la tasa de alucinaciones de ese modelo subió del 25% al 54% entre su versión anterior y la actual, aun cuando su precisión general mejoró del 35% al 52%. La lectura que hace el benchmark es directa: «los modelos más grandes saben más, pero lo afirman con más confianza injustificada». Para casos legales, financieros o de cara al cliente, eso significa que el modelo aciesta más, pero cuando falla, falla sonando seguro.

El mismo tipo de medición, recogida por Engadget al comparar modelos comerciales, muestra brechas grandes entre proveedores: Claude Fable 5 registra una tasa de alucinación del 55% en AA-Omniscience, mientras que ChatGPT 5.6 Sol alcanza el 89%. En el segmento medio, Claude Sonnet 5 se queda en 37% y ChatGPT 5.6 Terra en 85%. El patrón confirma el argumento de Stallman: aun los modelos punteros distan de poder llamarse «inteligentes» sin matices.

SaaSS: cuando la ‘IA’ corre en servidores que tú no controlas

Una parte central de la crítica de Stallman es de gobernanza, no solo semántica. La mayoría de los LLM comerciales no se entregan como programas que el usuario ejecuta, sino como servicios en línea: el usuario envía datos y prompts a servidores de una empresa y el programa queda bajo control del proveedor. GNU llama a este patrón SaaSS (Service as a Software Substitute): usar un servicio como sustituto de ejecutar tu propia copia del programa.

Para Stallman, eso entrega poder sobre la computación del usuario a quien controla el servidor. El caso reciente más visible lo protagonizó Anthropic en febrero de 2026, cuando su contrato con el Departamento de Guerra de EEUU se cayó tras negarse a permitir usos de vigilancia masiva interna y armas totalmente autónomas; la empresa fue designada «supply chain risk» y, horas más tarde, OpenAI firmó un acuerdo similar con salvaguardas distintas. El episodio, reportado por Engadget, ilustra exactamente el riesgo que Stallman describe: la decisión sobre qué hace tu «IA» no la tomas tú, la toma quien controla el servidor.

Software libre vs open source: la distinción importa

Stallman tampoco acepta el atajo de llamar «open» a un modelo de IA. En la entrevista de 2026, corrigió la pregunta cuando le hablaron de modelos «open»: dijo que no le interesaba si eran «open source», sino si eran libres. Para él, publicar pesos o subir el código a GitHub no garantiza libertad si el usuario no puede estudiar el programa, modificarlo, ejecutarlo localmente y compartir versiones modificadas.

El ecosistema empieza a reflejar esa tensión. Un análisis de agosto de 2026 en The Next Platform distingue tres categorías: modelos cerrados (OpenAI, Anthropic, Google, AWS), modelos open weight (Meta con Llama 4, Moonshot, Alibaba, DeepSeek, Mistral, Google, e incluso OpenAI en algunos lanzamientos) y modelos plenamente open source como Nemotron 3 de Nvidia o versiones más antiguas como Llama 3. Que un modelo sea open weight no significa que sea libre: los pesos pueden descargarse, pero los datos de entrenamiento, el código de entrenamiento y las restricciones de licencia siguen fuera del alcance del usuario.

Qué significa esto para tu startup

Stallman no está contra la tecnología. Trabajó en el MIT AI Lab desde 1971 y fue parte de una comunidad de intercambio de software antes de iniciar GNU. Su objeción es política y operativa, y obliga a preguntas concretas que un founder debería hacerse antes de integrar cualquier LLM en producto:

• Evalúa con tus propios datos, no con benchmarks ajenos. Si tu caso de uso es médico, legal o financiero, mide tasa de alucinaciones en un set representativo antes de confiarle decisiones reales. Los números de AA-Omniscience son referencia, no garantía.
• Pregunta quién controla el servidor. Si dependes de un LLM vía API, estás aceptando las decisiones comerciales y políticas de ese proveedor. Para casos sensibles, modelos open weight ejecutables on-prem (Nemotron, Llama 4, Mistral) ofrecen más control, aunque con costes de infraestructura y operación distintos.
• Trata la salida como borrador, no como verdad. Implementa un paso de verificación humana para cualquier output que afecte a usuarios: resúmenes, código en producción, comunicaciones a clientes, decisiones automatizadas.
• Cuida el lenguaje en tu marketing. Si vendes un producto que usa un LLM, decir que es «IA inteligente» crea expectativas que tu sistema quizá no cumpla y que, como recuerda Stallman, pueden convertirse en daño reputacional si falla.

La crítica de Stallman es incómoda porque cuestiona una palabra que ya domina titulares, rondas de inversión y pitches. Pero obliga a separar entusiasmo de responsabilidad, algo especialmente útil cuando estás decidiendo dónde poner el próximo peso de tu presupuesto técnico.

Fuentes

• Por qué Richard Stallman rechaza el término Inteligencia Artificial – SomosLibres.org
• Grok 4.5 Cuts Coding-Agent Cost 80%: Near-Frontier Speed, Higher Hallucinations – TechTimes
• Claude Vs ChatGPT: How These AI Assistants Differ – Engadget
• The War Between Open Source, Open Weight, And Closed AI Models – The Next Platform

Artículos relacionados:

LLM 0.32: trazas de razonamiento y herramientas para agentes IA Paradoja Stallman: Web3 como Teatro del Open Source – Ecosistema Startup Comunidades programación hobby rechazan LLM: por qué el aprendizaje importa más que la IA LLM: código plausible no es código correcto Simon Willison publica llm 0.33 con plantillas combinables