McCarthy bautizó la IA en 1956 para conseguir fondos: ¿marketing o ciencia?

Por qué el nombre "inteligencia artificial" fue, ante todo, una decisión de marketing

En agosto de 1956, durante la Conferencia de Dartmouth, el matemático John McCarthy eligió bautizar como Artificial Intelligence un campo que hasta ese momento se repartía entre la cibernética, la teoría de autómatas y el procesamiento de información. Esa decisión no fue inocente: según reconstruyó el docente de la FCEIA de la Universidad Nacional de Rosario (UNR), Dante Zanarini, en su columna radial del programa El Día Está Después por Radio UNR, el nombre se pensó como una palanca de financiamiento para atraer a gigantes como IBM y a la Fundación Rockefeller.

La propuesta original, presentada el 31 de agosto de 1955 y firmada por McCarthy, Marvin Minsky, Nathaniel Rochester (IBM) y Claude Shannon (Bell Labs), pedía a la Fundación Rockefeller exactamente USD 13.500 para salarios, viajes y logística del taller de verano, según el archivo disponible en la web de Stanford. El documento señalaba que los participantes de IBM y Bell Labs serían cubiertos por sus propias empresas, mientras que académicos de Dartmouth y Harvard necesitaban el apoyo de la fundación. Esa arquitectura financiera dejó al descubierto un patrón que se repite至今: un nombre rimbombante es más fácil de vender que un programa técnico modesto.

Dartmouth 1956: el "convenio constitucional" de la IA

El taller de Dartmouth duró entre seis y ocho semanas y reunió a figuras como Ray Solomonoff, Herbert Simon, Allen Newell, John Nash y el propio McCarthy. Wikipedia lo describe como the Constitutional Convention of AI: un punto de partida simbólico más que un resultado científico cerrado. De hecho, McCarthy perdió la lista oficial de asistentes y el informe final nunca se publicó, como él mismo reconoció en una nota agregada en 1996 al documento original.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Ese carácter fundacional pero informal explica por qué la palabra inteligencia se instaló en el imaginario colectivo antes de que existiera una definición operativa de qué era "inteligente" en una máquina. La elección del término fue, en palabras de McCarthy recogidas por historiadores de la IEEE, una manera de mantenerse "neutral" frente a la cibernética de Norbert Wiener y la teoría de autómatas, evitando asociar el nuevo campo con un gurú o con una escuela ya establecida.

Las expectativas infladas y los "inviernos de la IA"

Zanarini advirtió en Radio UNR que ese bautismo desmedido generó expectativas imposibles de satisfacer y sembró el terreno para los conocidos AI winters: ciclos de desilusión, recortes de fondos y migración de investigadores a otros campos. La investigadora Grace Solomonoff (hija de Ray) publicó en IEEE Spectrum en 2023 un retrato del taller que insiste en su carácter exploratorio: la mayoría de los problemas abiertos en 1955 —cómo programar una computadora para usar lenguaje, formar conceptos o改进se a sí misma— siguen abiertos 70 años después.

La consecuencia práctica fue un patrón histórico que cualquier founder debería reconocer: vender la promesa antes de tener el producto. La Fundación Rockefeller y, más tarde, IBM y DARPA canalizaron dinero hacia proyectos que prometían replicar el razonamiento humano. Cuando los resultados no llegaron al ritmo prometido, el entusiasmo se evaporó dos veces (a finales de los 70 y a finales de los 80), y solo resurgió cuando una nueva camada de técnicas —primero los sistemas expertos, luego el machine learning, después el deep learning— ofreció un regreso tangible en tareas concretas.

Cómo funcionan hoy los LLMs: predicción de tokens, no razonamiento

Durante la charla radial, Zanarini resumió lo que hoy llamamos modelos de lenguaje grande (LLMs): sistemas que operan mediante predicción probabilística de tokens —palabras o secuencias— a partir de patrones en los datos de entrenamiento. La metáfora que usó es reveladora: funcionan como "una serie matemática compleja", no como un ente que razona. Esa diferencia entre simular inteligencia y ser inteligente es la misma grieta que el Test de Turing, propuesto por Alan Turing en 1950, nunca pudo cerrar del todo: que una máquina convenza a un humano en una conversación no demuestra que comprenda lo que dice.

Este punto importa porque redefine qué puede esperar un founder cuando integra IA en su producto. Los LLMs son extraordinariamente buenos en tareas de pattern matching y generación de texto plausible; no son agentes con modelo interno del mundo. Confundir la predicción de tokens con razonamiento autónomo es la fuente más común de sobreventa —y decepción— en proyectos actuales.

Comparables históricos: IA, energía nuclear y revoluciones industriales

Zanarini cerró la columna comparando el miedo social a la IA con reacciones análogas ante la energía nuclear y las revoluciones industriales: ciclos de fascinación, pánico moral y posterior domesticación regulatoria. La analogía es útil porque ninguno de esos saltos tecnológicos desapareció por el miedo; todos terminaron incorporados —con costos, regulación y nuevas profesiones— al tejido productivo.

Para ponerlo en cifras verificables: el sector de IA movió en 2024 inversiones por más de USD 110.000 millones a nivel global según el índice AI Index de Stanford, mientras que el gasto corporativo en IA generativa superó los USD 20.000 millones según reportes de IDC recogidos por Reuters. Son montos que confirman que la actual tercera ola de IA ya no depende del nombre-marketeting de McCarthy, sino de casos de uso con retorno medible. Quienes recuerden que detrás de cada token predicho hay gasto energético real —entrenar un modelo grande consume del orden de gigawatts-hora— estarán mejor posicionados para tomar decisiones de arquitectura informadas.

¿Qué significa esto para tu startup?

1. Audita qué parte de tu stack de IA es realmente "inteligente" y cuál solo predice

Antes de vender una feature como "IA que entiende a tu cliente", valida qué componentes son LLMs (predicción de tokens), cuáles son reglas deterministas y cuáles son modelos clásicos de machine learning. Esa auditoría define el riesgo real: un LLM alucina; una regla determinista no. Si tu propuesta de valor depende de la palabra "inteligencia", estás heredando la deuda de marketing que McCarthy abrió en 1956.

Acción concreta: redacta una matriz interna con cada componente de IA de tu producto, clasifícalo en {LLM, modelo clásico, reglas, humano-en-el-bucle} y asigna a cada uno un SLA distinto. Es la única manera de no engañar a tu equipo de ventas —y a tus inversores— sobre qué promete tu producto.

2. No bautices tu categoría: la primera impresión dura 70 años

McCarthy eligió Artificial Intelligence con fines de financiamiento y arrastró al campo entero con expectativas que tardaron décadas en estabilizarse. En tu startup ocurre lo mismo: si eliges un nombre grandilocuente para una capacidad concreta, pagarás el costo cada vez que un lead pregunte "¿pero esto realmente hace X?".

Acción concreta: nombra tu producto describiendo el efecto, no la tecnología. Ejemplos: OCR de facturas, resúmenes de llamadas, agenda automática comunican valor; cognitive engine o AI brain prometen lo que tu software todavía no entrega.

3. Invierte en educación crítica sobre IA dentro del equipo

Zanarini insistió en que escuelas y universidades deben enseñar la infraestructura matemática y el consumo energético real detrás de la IA. En una startup, eso se traduce a un mínimo de literacy técnica: tu equipo de producto debe poder estimar cuántos tokens consume una feature, qué pasa cuando suben de modelo y cuándo conviene un modelo chico bien afinado en lugar de un frontier model.

Acción concreta: dedica una sesión mensual interna a desarmar un mito de IA concreto (p. ej. "los LLMs razonan", "más parámetros = más precisión", "la IA es neutral") usando una demo reproducible. Es la mejor defensa contra futuras sorpresas regulatorias —la EU AI Act ya exige documentación de riesgo— y contra la autocomplacencia técnica.

4. Separa tu narrativa de inversor de tu narrativa de usuario

La columna de Radio UNR recordó que el marketing del nombre Artificial Intelligence atrajo dinero para Dartmouth. En tu ronda, la historia de "agentes inteligentes" puede cerrar cheques, pero la historia de "ahorramos 40% de horas de back-office" cierra clientes. Si repites la primera a los segundos, perderás ambos.

Acción concreta: mantén dos pitches: uno para inversores (visión ambiciosa, métricas de adopción) y uno para usuarios (beneficio operativo medible, sin jerga de IA cuando no aporta). Cuando confundes los dos, terminas vendiendo humo —el mismo error que Zanarini le achaca a la elección original de McCarthy.

La próxima entrega: ajedrez, Deep Blue y la mitología de la supercomputadora

Zanarini anunció que la siguiente columna explorará la derrota de Garry Kasparov frente a Deep Blue de IBM en 1997, un episodio que muchos presentan como el momento en que la IA "superó" a un campeón humano. La lectura crítica importa: Deep Blue no razonaba, ejecutaba una búsqueda masiva con función de evaluación heurística —otra muestra de que el marketing del nombre suele ocultar la técnica real.