¿Puede una máquina comprender? Ontologías, significado e inteligencia artificial

La inteligencia artificial ha alcanzado un nivel de sofisticación que hace apenas unos años parecía reservado a la ciencia ficción. Hoy conversamos con asistentes virtuales capaces de redactar documentos, responder preguntas complejas, programar software, traducir idiomas o generar imágenes con un nivel sorprendente de realismo. En muchos casos, sus respuestas son tan fluidas y convincentes que resulta natural atribuirles una capacidad de comprensión semejante a la humana. Sin embargo, detrás de esa impresión surge una pregunta mucho más profunda: ¿una máquina realmente comprende lo que dice o simplemente produce respuestas estadísticamente plausibles?

La respuesta no es sencilla porque obliga a distinguir entre dos conceptos que en el lenguaje cotidiano suelen confundirse: procesar información y comprender significado. Los seres humanos realizamos ambas actividades de manera tan integrada que rara vez pensamos en ellas por separado. Cuando leemos una noticia, escuchamos una conversación o resolvemos un problema, no solo manipulamos símbolos; interpretamos intenciones, establecemos relaciones con experiencias previas, inferimos consecuencias y construimos un sentido global de aquello que percibimos. Comprender implica integrar información dentro de un universo de significados.

Comprender no es lo mismo que procesar información

Las computadoras, en cambio, nacieron como extraordinarias máquinas para manipular símbolos. Durante décadas su fortaleza consistió precisamente en ejecutar operaciones matemáticas y lógicas con una velocidad inalcanzable para cualquier persona. Con la llegada de la inteligencia artificial moderna, especialmente de los grandes modelos de lenguaje, esa capacidad se expandió de manera espectacular. Estos sistemas analizan enormes cantidades de información y aprenden patrones estadísticos extremadamente complejos. Gracias a ello pueden producir respuestas coherentes, resumir documentos o mantener conversaciones sorprendentemente naturales. Pero esa habilidad plantea una cuestión filosófica que sigue abierta: ¿reconocer patrones equivale a comprender?

Una manera sencilla de abordar esta pregunta consiste en observar cómo interpretamos el lenguaje. Cuando una persona escucha la frase "el banco está frente al río", identifica inmediatamente que la palabra "banco" probablemente se refiere a un asiento y no a una institución financiera. No necesita analizar millones de ejemplos previos para llegar a esa conclusión. Utiliza el contexto, sus conocimientos sobre el mundo, su experiencia cotidiana y su comprensión de las relaciones entre los objetos. El significado no reside únicamente en las palabras; emerge de la red de conocimientos que las conecta con la realidad.

¿Reconocer patrones significa comprender?

Precisamente ahí aparece uno de los grandes desafíos de la inteligencia artificial contemporánea. Los modelos de lenguaje aprenden correlaciones extraordinariamente sofisticadas entre palabras, frases e ideas, pero esas correlaciones no siempre reflejan una comprensión estructurada del mundo. En ocasiones producen respuestas impecables; en otras inventan hechos, mezclan conceptos incompatibles o establecen relaciones incorrectas con absoluta seguridad. Este fenómeno, conocido popularmente como "alucinación", no ocurre porque la máquina quiera engañar, sino porque su objetivo principal consiste en predecir cuál es la siguiente secuencia de palabras más probable según los patrones aprendidos.

Esta limitación ha llevado a muchos investigadores a recuperar una idea que, paradójicamente, es mucho más antigua que la propia inteligencia artificial: para razonar con mayor precisión no basta con acumular información; también es necesario organizar explícitamente el significado. Aquí es donde las ontologías adquieren un papel central.

Una ontología puede entenderse como una representación formal del conocimiento de un dominio. Describe qué entidades existen, cómo se relacionan entre sí y cuáles son las reglas que gobiernan esas relaciones. En otras palabras, proporciona una estructura conceptual sobre la cual es posible interpretar información de manera consistente. Mientras un modelo de lenguaje aprende que ciertas palabras suelen aparecer juntas, una ontología establece que un médico es una persona, que un hospital es una organización, que un paciente puede recibir un tratamiento y que dicho tratamiento debe ser administrado por profesionales autorizados. Estas relaciones no dependen únicamente de la frecuencia estadística con la que aparezcan en un conjunto de datos; representan conocimiento explícito sobre la realidad.

Ontologías e inteligencia artificial: organizar explícitamente el significado

Esta diferencia resulta especialmente importante cuando la inteligencia artificial debe operar en contextos donde los errores tienen consecuencias significativas. Un sistema que ayuda a diagnosticar enfermedades, gestionar infraestructuras críticas o apoyar decisiones financieras necesita algo más que producir textos convincentes. Debe razonar respetando restricciones, comprender relaciones causales y mantener la coherencia de la información incluso cuando enfrenta situaciones nuevas. En estos escenarios, las ontologías funcionan como una especie de marco conceptual que orienta el comportamiento del sistema.

Esto no significa que las ontologías sustituyan a los modelos de inteligencia artificial actuales. Por el contrario, ambas aproximaciones resultan profundamente complementarias. Los grandes modelos de lenguaje aportan una enorme flexibilidad para interpretar lenguaje natural, resumir información y adaptarse a situaciones diversas. Las ontologías, por su parte, proporcionan estabilidad semántica, precisión conceptual y capacidad para verificar la consistencia del conocimiento. Una combinación adecuada permite aprovechar las fortalezas de ambos enfoques.

Podría decirse que los modelos estadísticos poseen una extraordinaria capacidad para reconocer regularidades, mientras que las ontologías ofrecen una representación explícita del significado. Los primeros destacan por su adaptabilidad; las segundas por su capacidad para mantener coherencia. Los modelos aprenden observando millones de ejemplos; las ontologías organizan el conocimiento de forma deliberada. Juntas permiten construir sistemas mucho más robustos que cualquiera de las dos tecnologías por separado.

La convergencia entre aprendizaje estadístico y razonamiento simbólico

Esta convergencia está transformando la investigación en inteligencia artificial. Cada vez resulta más evidente que el futuro no consistirá únicamente en entrenar modelos más grandes, sino en desarrollar arquitecturas capaces de integrar conocimiento estructurado, razonamiento simbólico, aprendizaje estadístico y representación semántica. En lugar de elegir entre uno u otro enfoque, la tendencia consiste en construir sistemas híbridos que combinen ambas formas de inteligencia computacional.

Sin embargo, incluso estos avances no resuelven completamente la pregunta inicial. ¿Puede una máquina comprender? La respuesta depende, en buena medida, de cómo definamos la comprensión. Si entendemos comprender como producir respuestas útiles y coherentes dentro de un determinado contexto, la inteligencia artificial actual demuestra capacidades extraordinarias. Pero si comprender implica poseer conciencia, experiencias subjetivas, intencionalidad o una auténtica construcción del significado semejante a la humana, entonces seguimos muy lejos de alcanzar ese objetivo.

¿Puede una máquina comprender realmente?

Quizá el verdadero aprendizaje no consista en decidir si las máquinas comprenden o no, sino en reconocer que existen distintas formas de inteligencia. La inteligencia humana está profundamente ligada a la experiencia, la cultura, las emociones y la vida social. La inteligencia artificial, en cambio, emerge del procesamiento masivo de información y de la capacidad para descubrir patrones imposibles de identificar para una persona. Son formas distintas de abordar el conocimiento, con fortalezas y limitaciones propias.

Las ontologías ocupan un lugar privilegiado en este diálogo porque representan uno de los pocos puentes existentes entre ambos mundos. Traducen conceptos humanos a estructuras comprensibles para las máquinas sin perder de vista que el significado no surge únicamente de los datos, sino de las relaciones que construimos entre ellos. En una época donde la inteligencia artificial parece avanzar a una velocidad vertiginosa, recordar esta diferencia resulta fundamental. Quizá el futuro no dependa de crear máquinas que piensen exactamente como nosotros, sino de diseñar sistemas capaces de colaborar con el pensamiento humano, aprovechando lo mejor de cada forma de inteligencia. Solo entonces la pregunta dejará de ser si una máquina comprende y pasará a ser mucho más interesante: cómo pueden las personas y las máquinas comprender mejor el mundo cuando trabajan juntas.

Para saber más...

• Holger Lyre (2024)
  “Understanding AI”: Semantic Grounding in Large Language Models
  https://arxiv.org/abs/2402.10992
• Nele Köhler & Fabian Neuhaus (2024)
  The Mercurial Top-Level Ontology of Large Language Models
  https://arxiv.org/abs/2405.01581
• Ruslan Idelfonso Magana Vsevolodovna & Marco Monti (2025)
  Enhancing Large Language Models through Neuro-Symbolic Integration and Ontological Reasoning
  https://arxiv.org/abs/2504.07640