¿Qué Cuenta como IA? Una Definición Útil para Ingeniería en 2026
La definición estándar de manual de IA — "sistemas que realizan tareas que normalmente requieren inteligencia humana" — ya mostraba la edad hace una década. En 2026 es activamente inútil. Casi cualquier software moderno realiza tareas que "normalmente requieren inteligencia humana". Una tabla dinámica de una hoja de cálculo normalmente requiere inteligencia humana. Una consulta SQL normalmente requiere inteligencia humana. Llamarlas IA es un error de categoría; pretender que no lo son también.
Los ingenieros necesitan una definición que guíe decisiones, no que guíe notas de prensa. La propuesta que Georgios Fradelos expone en Updated Definition of Artificial Intelligence (diciembre 2025) es el encuadre de ingeniería más limpio que he visto en años. Vale la pena trabajarla, porque adoptarla cambia cómo acotas proyectos, evalúas vendors y presupuestas infraestructura.
La Definición
Quitar las referencias y queda así:
Cualquier pieza de software que analiza y/o genera datos (incluso para su propio entrenamiento) y puede producir rutinariamente, solo con intervención humana excepcional:
- Mejores resultados para tareas de análisis y/o síntesis que el profesional humano medio actual, dentro de la misma cultura profesional, independientemente del coste energético; o
- Resultados comparables para tareas de análisis y/o síntesis, conseguidos más rápido y/o con un coste energético mediblemente más bajo; o
- Ambos.
Tres cosas hacen que esta definición sea útil para decisiones de ingeniería.
Está vinculada a resultados, no a arquitectura. No le importa si el sistema usa redes neuronales, IA simbólica, búsqueda o reglas escritas a mano. Si el sistema desplegado supera rutinariamente una línea base profesional (en calidad, velocidad o energía), cuenta. Si no, no cuenta, sea cual sea la mecánica interna. Esto mata el debate de "¿es X realmente IA?" y lo sustituye por una prueba medible.
Es consciente de la energía. El coste energético es una dimensión de primer orden de la definición, no una externalidad. Un sistema que produce resultados "comparables" a los de un profesional humano pero usa 100× la energía para hacerlo no es una mejora — es una degradación con pasos extra. Esto fuerza honestidad sobre si el despliegue de IA es realmente una mejora neta o un aumento de coste de moda.
Está limitada por cultura profesional. La línea base de referencia es "el profesional humano medio actual, dentro de la misma cultura profesional". No la mediana humana. No una línea base de los 90. No una meta aspiracional. Esto ancla la comparación en algo medible y actual, y obliga a reevaluar a medida que la línea base se mueve.
Por qué Esto Ayuda a un CTO
Tres decisiones concretas se vuelven más fáciles bajo este encuadre.
Evaluación de vendors
Cuando un vendor dice que su producto está "potenciado por IA", la pregunta se vuelve específica: ¿contra qué línea base profesional supera, por qué margen y a qué coste energético? Si el vendor no puede responder, no tienes una afirmación de IA — tienes una afirmación de marketing.
En la práctica esta conversación hace aflorar muchas cosas. Una fracción no despreciable de herramientas "de IA" en 2026 entrega calidad comparable a la de un profesional júnior a un coste de infraestructura más alto que un profesional júnior. Eso no es un despliegue de IA; es un experimento de IA. Ambos son legítimos, pero hay que presupuestarlos de forma diferente.
Acotación de proyectos
La definición te da un criterio de envío. El sistema es enviable cuando produce rutinariamente outputs (a) mejores, (b) más rápidos o (c) más baratos por resultado que la línea base humana que sustituye o aumenta. No "el demo impresiona". No "al liderazgo le gustan las capturas". Rutinario, medible, anclado a línea base.
Esta es la barrera que la mayoría de pilotos GenAI no consiguen pasar silenciosamente. La respuesta honesta es: nunca medimos la línea base, así que no podemos decir si la superamos. Establecer la línea base primero y volver a medirla a medida que el modelo mejora elimina esa ambigüedad.
Contabilidad de energía y coste
La mayoría de discusiones de coste de IA hoy se centran en costes de tokens. Eso es necesario pero no suficiente. El coste total de energía e infraestructura — tiempo de GPU, refrigeración, salida de datos, orquestación de queries, infraestructura de eval — es lo que importa para la comparación energética. Una definición que ponga la energía al mismo nivel que la calidad del output fuerza que esa contabilidad ocurra de verdad.
Versión práctica: para cualquier iniciativa de IA, deberías poder responder "cuánta energía consume el sistema de IA por output útil y cómo se compara con la línea base humana haciendo la misma tarea". Si no puedes, todavía no estás listo para enviar a producción — estás listo para instrumentar.
La Cláusula de "Intervención Humana Excepcional"
Hay una cláusula escondida en la definición que hace mucho trabajo: solo con intervención humana excepcional. La nota aclaratoria especifica que "excepcional" significa reorientar el software en situaciones matemáticas que rompan sus aproximaciones.
En términos de ingeniería: un flujo constante de prompt engineering, ajuste de pipelines RAG, filtrado de salida y corrección con humano en el bucle no es intervención excepcional. Es intervención rutinaria. Un sistema que requiere intervención humana rutinaria para producir output útil es, según esta definición, software de IA en desarrollo, no IA desplegada.
Esto importa porque la mayoría de "despliegues de IA" que veo en 2026 todavía están en régimen de intervención rutinaria. Producen salidas que necesitan curación humana para ser fiables. Es una etapa de desarrollo legítima, pero llamar a esos sistemas "IA desplegada" tergiversa el coste operativo. Adoptar esta definición fuerza honestidad sobre qué sistemas se han graduado de verdad.
Hacia Qué Te Empuja Esta Definición
Algunas cosas se hacen más difíciles de afirmar una vez adoptas este encuadre:
"IA por la IA." Si el sistema no supera la línea base humana en calidad, velocidad o energía, el despliegue no produce valor. Eso no significa matarlo — puede ser un peldaño hacia un sistema que sí lo hará. Pero debería estar honestamente etiquetado como I+D, no como IA en producción.
"IA como checkbox de funcionalidad." Poner un botón potenciado por LLM en el producto porque los competidores tienen uno está bien como marketing. No es, según esta definición, un despliegue de IA, porque no tiene un rendimiento mejor medido contra una línea base. No lo presupuestes como tal.
Afirmaciones de arquitectura de "salto cuántico". La definición es agnóstica de arquitectura. Un algoritmo clásico bien afinado que supera una línea base neuronal a un coste energético más bajo es, según esta definición, más IA que la línea base neuronal que sustituyó. Este es un correctivo útil contra la asunción de que más grande y más complejo es siempre más IA.
Hacia Qué Te Permite Defender Esta Definición
También hace que algunas posiciones poco de moda sean defendibles.
Una consulta SQL de 200 líneas que supera consistentemente a un analista júnior en una clase específica de informes, se ejecuta en segundos y cuesta céntimos ejecutar es, según esta definición, IA. Analiza datos, produce resultados mejores que la línea base profesional media, más rápido y a menos coste energético que las alternativas a línea base humana. El hecho de que no sea una red neuronal es irrelevante.
Esto no es floritura retórica. Es una postura práctica. La consulta SQL hace el trabajo. La alternativa cara basada en LLM podría hacerlo peor y más lentamente a un coste más alto. Adoptar la definición te permite enviar la consulta SQL y ser honesto sobre el hecho de que has enviado IA — sin el encuadre de disculpa de que la IA "real" requiere arquitecturas neuronales.
Qué Sugiero Hacer con Esto
Tres acciones concretas para el trimestre:
- Para cada sistema que ahora llamas "IA", escribe la línea base humana. Calidad, velocidad y energía. Si no puedes, todavía no sabes si el sistema supera la barrera.
- Repressuposta IA-de-marketing y IA-de-producción por separado. Si un sistema no supera rutinariamente una línea base, es I+D. I+D va en un presupuesto de I+D con expectativas de I+D.
- Añade energía/coste-por-output-útil a tus dashboards de IA. Si tu roadmap de IA tiene presupuesto pero no telemetría de coste por output, vuelas a ciegas sobre la parte de la definición que realmente limita la viabilidad a largo plazo.
Las definiciones de manual de IA existen por continuidad académica. La definición de ingeniería existe para tomar mejores decisiones de despliegue. Vale la pena adoptar una de cada.
Fuente: Fradelos, G. Updated Definition of Artificial Intelligence (Ginebra, 14 de diciembre de 2025). SSRN 6292000.
Si tu roadmap de IA está lleno de pilotos y corto en sistemas enviados que realmente superan sus líneas base, habla con un CTO sobre desplegar capacidad de ingeniería centrada en resultados de IA medibles, no demos.
