La Evolución de la Inteligencia Artificial vista por el Auditor: De las Reglas Explícitas a los Modelos Autónomos

La Inteligencia Artificial no nació con ChatGPT. Cuando un auditor se sienta frente a un sistema "inteligente" en 2026, lo que tiene delante es el sedimento de siete décadas de paradigmas superpuestos: reglas escritas a mano en los años sesenta, modelos estadísticos de los noventa y redes neuronales gigantes de la última década, conviviendo a menudo en la misma organización. Entender esa estratigrafía no es un ejercicio de nostalgia técnica: es lo que permite al auditor contextualizar sistemas heredados, comprender por qué se diseñaron como se diseñaron y anticipar dónde estará el próximo riesgo.

Este artículo recorre la historia de la IA a través de una lente muy concreta —la del auditor de sistemas, riesgos y decisiones de diseño— y muestra cómo cada gran transición paradigmática reconfiguró los controles, la trazabilidad y las amenazas.

Tres grandes transiciones que todo auditor debe reconocer

Antes de la cronología, conviene fijar el mapa conceptual. La historia de la IA puede leerse como tres formas radicalmente distintas de "fabricar" comportamiento inteligente, y cada una impone una filosofía de auditoría diferente:

• IA simbólica: el conocimiento se codifica explícitamente en reglas y símbolos que un humano escribe. El comportamiento es deducible leyendo el código. Auditar es leer reglas.
• Aprendizaje estadístico: el conocimiento se infiere de los datos; el sistema aprende parámetros en lugar de recibir reglas. El comportamiento depende del dataset. Auditar es validar datos, supuestos y métricas.
• Modelos generativos y fundacionales: el conocimiento emerge de miles de millones de parámetros entrenados sobre corpus masivos. El comportamiento es probabilístico y emergente, a menudo no reproducible. Auditar es gobernar la incertidumbre de forma continua.

El salto de una era a la siguiente no borró la anterior: añadió una capa de opacidad. El auditor moderno debe manejar las tres lógicas a la vez.

Línea de tiempo: hitos tecnológicos y su huella en la auditoría

1950–1969: IA simbólica y reglas explícitas

La era fundacional. En 1950, Alan Turing propone su famoso test como criterio operativo de "inteligencia". A finales de esa década aparecen el primer programa de damas de Arthur Samuel —que introduce la idea de una máquina que mejora con la experiencia— y el lenguaje LISP (John McCarthy, 1958), que se convertirá en la lingua franca de la IA simbólica durante décadas.

Paradigma dominante: sistemas basados en reglas. El conocimiento se representa como símbolos y condiciones explícitas del tipo "si se cumple X, entonces haz Y".

Impacto en auditoría: este es el mundo ideal del auditor. La lógica es transparente y determinista: dada la misma entrada, el sistema produce siempre la misma salida, y el porqué está escrito, literalmente, en las reglas. La trazabilidad es directa —se puede seguir la cadena de decisiones línea a línea— y los controles se centran en verificar que las reglas sean correctas, completas y coherentes.

Conexión con hoy: esto no es historia muerta. Los motores de reglas de negocio, los sistemas COBOL de la banca, los validadores de pólizas de seguros y buena parte de la lógica de core empresarial siguen siendo simbólicos. Cuando un auditor revisa un sistema heredado de scoring o de liquidación, está auditando, en esencia, IA simbólica de los años sesenta. La buena noticia: sigue siendo trazable. La mala: suele estar mal documentada y nadie recuerda por qué se escribió cierta regla.

1970–1986: el primer invierno y el auge de los sistemas expertos

Las promesas incumplidas de la década anterior provocan el primer "invierno de la IA": recortes de financiación y esceptismo. Pero de ahí surge una aplicación comercialmente viable: los sistemas expertos. MYCIN (Stanford, años setenta) diagnostica infecciones bacterianas y recomienda antibióticos con un rendimiento comparable al de los especialistas; XCON (DEC, principios de los ochenta) configura pedidos de ordenadores VAX y ahorra millones a la compañía.

Paradigma: procesamiento simbólico del conocimiento a gran escala. Una base de conocimiento (cientos o miles de reglas extraídas de expertos humanos) separada de un motor de inferencia que las encadena.

Impacto en auditoría: aparece por primera vez el reto de la escala del conocimiento codificado a mano. Auditar MYCIN significaba una revisión documental exhaustiva de cada regla y de su procedencia: ¿quién la definió?, ¿sigue vigente el criterio clínico?, ¿hay reglas contradictorias? El riesgo dominante ya no es la opacidad —el sistema sigue siendo explicable— sino el mantenimiento: con miles de reglas interdependientes, cada cambio puede tener efectos colaterales imprevistos, y la base de conocimiento se degrada a medida que los expertos originales se marchan. El auditor descubre aquí el concepto de deuda de conocimiento.

1987–2010: el renacimiento del aprendizaje estadístico

El segundo gran giro. En lugar de escribir reglas, se deja que el sistema las infiera de los datos. Se consolidan las redes neuronales entrenadas con backpropagation (popularizada a mediados de los ochenta) y, sobre todo, las máquinas de vectores de soporte (SVM) y otros métodos estadísticos que dominan los noventa y dos mil por su solidez matemática.

Paradigma: modelos estadísticos que aprenden parámetros a partir de ejemplos. Nacen las primeras "cajas negras": el modelo funciona, pero su comportamiento ya no se lee en un conjunto de reglas legibles, sino en matrices de pesos numéricos sin significado directo.

Impacto en auditoría: aquí cambia todo. Por primera vez, el auditor no puede limitarse a leer el sistema; debe validar cómo aprendió. Surgen preguntas que definirán la disciplina durante los próximos treinta años: ¿Es representativo el dataset de entrenamiento? ¿Se respetaron los supuestos estadísticos del modelo? ¿Hay fuga de información entre entrenamiento y prueba? ¿Las métricas de validación reflejan el rendimiento real en producción? El foco de la auditoría se desplaza del código a los datos y la metodología, y nace el problema de la explicabilidad que nunca más abandonará la profesión.

2011–2019: deep learning y complejidad masiva

La confluencia de tres factores —grandes volúmenes de datos, potencia de las GPU y mejores algoritmos— desata la revolución del aprendizaje profundo. AlexNet (2012) pulveriza el estado del arte en reconocimiento de imágenes y marca el punto de inflexión. AlphaGo (2016) derrota al campeón mundial de Go, un hito que se creía a décadas de distancia. BERT (2018) transforma el procesamiento de lenguaje natural con representaciones contextuales profundas.

Paradigma: redes neuronales profundas con millones de parámetros, entrenadas sobre hardware especializado. La capacidad predictiva se dispara; la interpretabilidad se desploma.

Impacto en auditoría: la caja negra se vuelve opaca de verdad. El auditor se enfrenta a tres familias de riesgo nuevas y simultáneas:

• Sesgo: el modelo aprende y amplifica los prejuicios presentes en los datos (casos sonados de sistemas de contratación o de scoring crediticio discriminatorios).
• Opacidad: es imposible explicar una decisión individual leyendo los pesos; surgen técnicas de explicabilidad post hoc (LIME, SHAP) como herramientas de auditoría.
• Robustez: los modelos son frágiles ante entradas manipuladas. Nace la necesidad de pruebas adversariales —intentar engañar deliberadamente al modelo para medir su resistencia— como control estándar.

Los controles se sofistican: validación de equidad (fairness), documentación del linaje de datos, pruebas de estrés y monitorización del drift del modelo en producción. Auditar deja de ser un evento puntual y empieza a parecerse a una vigilancia continua.

2020–hoy: IA generativa y modelos fundacionales

La era actual. GPT-3 (2020) y GPT-4 (2023) demuestran que escalar modelos de lenguaje a cientos de miles de millones de parámetros produce capacidades emergentes no programadas explícitamente. Aparecen los modelos multimodales (texto, imagen, audio, vídeo), los agentes de IA capaces de planificar y ejecutar acciones de forma autónoma, y el paradigma de los foundation models reutilizables para múltiples tareas.

Paradigma: modelos gigantes preentrenados, con razonamiento emergente y grados crecientes de agencia autónoma. El comportamiento es probabilístico, no siempre reproducible, y capaz de generar contenido nuevo en lugar de solo clasificar.

Impacto en auditoría: emerge una categoría de riesgo sistémico que desborda los marcos anteriores:

• Alucinaciones: el modelo genera información falsa con total aplomo, un riesgo crítico en dominios regulados (salud, finanzas, legal).
• Fuga de datos (data leakage): información sensible filtrada vía prompts, memorizada en el entrenamiento o expuesta en las respuestas.
• Agencia excesiva (excessive agency): un agente con demasiados permisos puede ejecutar acciones irreversibles; el auditor debe verificar el principio de mínimo privilegio aplicado a entidades no humanas.
• Inyección de prompts y manipulación: nuevas superficies de ataque específicas de los LLM (recogidas ya en marcos como el OWASP Top 10 para LLM).

La respuesta es doble. Por un lado, nuevas exigencias regulatorias (el AI Act europeo, marcos de gestión de riesgo como el NIST AI RMF) que clasifican los sistemas por nivel de riesgo e imponen obligaciones de transparencia y supervisión humana. Por otro, el paso definitivo a la auditoría continua: como el comportamiento del modelo cambia con cada versión, cada fine-tuning y cada actualización del contexto, el control ya no puede ser una foto anual, sino una monitorización permanente con guardrails, registros de trazas y evaluaciones automatizadas.

Una comparación entre épocas

Era	Paradigma	¿Cómo se explica una decisión?	Riesgo dominante	Foco de la auditoría
1950–1969	Reglas simbólicas	Leyendo las reglas	Reglas incorrectas o incompletas	Revisión lógica y trazabilidad directa
1970–1986	Sistemas expertos	Rastreando la cadena de inferencia	Mantenimiento y deuda de conocimiento	Revisión documental de la base de reglas
1987–2010	ML estadístico	Con dificultad (primeras cajas negras)	Datos no representativos, supuestos erróneos	Validación de datasets y metodología
2011–2019	Deep learning	Solo post hoc (LIME, SHAP)	Sesgo, opacidad, fragilidad	Fairness, pruebas adversariales, control de drift
2020–hoy	Generativa / fundacional	Casi imposible; comportamiento emergente	Alucinación, fuga de datos, agencia excesiva	Auditoría continua, guardrails, cumplimiento regulatorio

La lectura horizontal de esta tabla cuenta la historia esencial: a mayor capacidad, menor explicabilidad y mayor necesidad de control continuo. Cada avance compró potencia a cambio de transparencia, y el trabajo del auditor ha sido, década tras década, recuperar parte de esa transparencia por otros medios.

Conclusión estratégica: la historia como herramienta de auditoría

Conocer la evolución de la IA no es cultura general para el auditor moderno; es una herramienta operativa. Le permite cuatro cosas concretas:

Identificar riesgos según el paradigma. Ante un sistema, la primera pregunta del auditor debe ser "¿de qué era tecnológica es esto?". Un motor de reglas exige verificar lógica; un modelo estadístico exige validar datos; un LLM exige gobernar alucinaciones y agencia. El paradigma dicta el catálogo de riesgos.

Evaluar controles heredados con criterios modernos. Muchos sistemas en producción mezclan capas de distintas épocas: una regla simbólica que alimenta un modelo estadístico cuyo resultado consume un agente generativo. El auditor que entiende esa arqueología puede juzgar si los controles diseñados para una era siguen siendo adecuados para la siguiente —normalmente no lo son.

Anticipar tendencias de riesgo. La dirección del viaje es clara: de lo determinista a lo probabilístico, de lo transparente a lo opaco, de lo estático a lo autónomo. El auditor que ha visto esta película sabe que el próximo frente será la gobernanza de sistemas agenticos que actúan sin supervisión humana directa, y puede prepararse antes de que el riesgo se materialice.

Comprender la gran transición. En el fondo, toda la historia de la IA es un desplazamiento desde reglas explícitas escritas por humanos hacia modelos opacos y autónomos que aprenden por su cuenta. El auditor del futuro no podrá "leer" los sistemas que revisa; tendrá que interrogarlos, monitorizarlos y acotarlos. La transparencia, que en 1965 venía gratis con el código, es hoy algo que hay que construir deliberadamente con instrumentación, políticas y vigilancia continua.

Esa es, quizá, la lección de fondo: cada generación de IA no sustituye a la anterior en las trincheras de la auditoría, sino que añade una capa más de opacidad que el auditor debe aprender a atravesar. Comprender de dónde viene la inteligencia artificial es la mejor forma de auditar hacia dónde va.