Universidad de Stanford Enfría el Optimismo Sobre la IA en 2026 y Apunta al Reto que Nadie Quiere Medir

En 2026, según los expertos en inteligencia artificial de Stanford, la conversación ya no girará tanto entorno a lo espectacular que parece la IA, sino a una pregunta mucho más incómoda: qué utilidad real aporta, cuánto dinero mueve de verdad y a qué coste social y ambiental. El entusiasmo no desaparece, pero entra en una fase en la que habrá que demostrar resultados con datos.

El cambio de tono llega desde la Universidad de Stanford, en Estados Unidos, donde varios académicos llevan meses analizando cómo podría ser el ecosistema de inteligencia artificial dentro de dos años. Hablan de soberanía tecnológica, de un “momento ChatGPT” en medicina, de métricas económicas en tiempo real y de una corrección de expectativas.

Lo primero que anticipan es el final de la fase de fascinación casi acrítica. Hasta ahora, muchas empresas han adoptado la IA con prisas, impulsadas por el miedo a quedarse atrás. Según James Landay, en 2026 muchas de esas compañías empezarán a reconocer que, fuera de nichos concretos como la programación y los centros de llamadas, la productividad apenas ha cambiado. Y ese reconocimiento abrirá la puerta a algo que casi nadie quiere contar hoy: una oleada de proyectos fallidos.

Ese “cementerio” de pilotos de IA no será necesariamente una mala noticia. Los expertos de Stanford creen que los fracasos servirán para ajustar expectativas, recortar proyectos decorativos y centrar los recursos en aplicaciones donde la inteligencia artificial sí aporta valor claro. La comunidad confía en que este giro hacia la evaluación rigurosa tenga un efecto depurador. Te afectará de forma distinta según el sector en el que trabajes.

En paralelo, Landay prevé que la soberanía tecnológica se convierta en una pieza central del tablero geopolítico de 2026. Cada vez más países van a querer depender menos de los grandes proveedores de IA vinculados al sistema político de Estados Unidos. Eso puede pasar por dos caminos: desarrollar modelos lingüísticos propios o gestionar de forma local modelos externos para mantener los datos nacionales bajo control directo.

Esta soberanía ya asoma en las inversiones en centros de datos. Para 2025, países como Emiratos Árabes Unidos o Corea del Sur han volcado miles de millones en infraestructuras para inteligencia artificial, y Stanford cree que la expansión seguirá en 2026. Advierte de un límite claro: no se puede sostener un crecimiento basado solo en la especulación y la promesa de beneficios futuros que nunca llegan.

Mientras gobiernos y empresas ajustan sus apuestas, el foco científico se desplaza hacia la transparencia. Russ Altman, una de las voces fuertes de Stanford, sostiene que los modelos fundacionales tienen capacidad para transformar ciencia y medicina, pero insiste en que ya no basta con celebrar su precisión. Para él, hay un mandato directo: abrir la “caja negra” de la IA y entender qué pasa dentro de las redes neuronales.

Altman describe dos grandes estrategias que compiten hoy en el diseño de modelos fundacionales. Por un lado, la llamada “fusión temprana”, donde se mezclan desde el principio todos los datos (texto, imágenes, señales médicas…) en un único modelo gigante. Por otro, la “fusión tardía”, que consiste en entrenar varios modelos especializados y combinarlos más adelante. La apuesta de Stanford es que, hacia 2026, se verá con más claridad cuál de las dos ofrece mejores resultados en la práctica.

Para avanzar en esa transparencia, en Stanford ya se usan autoencoders dispersos, una familia de modelos diseñados para identificar qué características internas son las que realmente impulsan el rendimiento de un sistema de inteligencia artificial. Son técnicas que permiten “mirar” dentro de la red y conectar neuronas con funciones concretas. Altman cree que este enfoque interpretativo acabará extendiéndose a otros campos científicos, desde la biología hasta la física computacional.

Así medirá la economía el impacto real de la inteligencia artificial en 2026

Estos nuevos paneles se alimentarán de datos de nóminas y de grandes plataformas digitales, ofreciendo una imagen granular de lo que pasa en distintos sectores, niveles salariales y tipos de tareas. Funcionarán casi como unas cuentas nacionales en directo, con actualizaciones frecuentes en lugar de esperar años a estadísticas cerradas. Su éxito dependerá de si gobiernos y empresas se atreven a compartir información de forma suficiente.

Con esas métricas, Stanford cree que la discusión pública cambiará de eje. La cuestión ya no será “¿es relevante la inteligencia artificial para la economía?”, sino “¿a qué velocidad se está extendiendo?” y “¿qué inversiones complementarias necesitamos para que la prosperidad llegue a más gente?”. Esa información servirá a directivos y responsables políticos para diseñar programas de formación, redes de seguridad social e incentivos a la innovación más ajustados a la realidad de cada país.

La medicina es otro de los terrenos donde el giro hacia la utilidad real será muy visible. Curtis Langlotz y Nigam Shah explican que el aprendizaje autosupervisado está cambiando las reglas del juego, porque permite entrenar modelos sin depender de miles de horas de etiquetado manual por parte de radiólogos o especialistas. Esa reducción de costes abre la puerta a modelos médicos gigantes, entrenados con volúmenes enormes de datos sanitarios de alta calidad.

Langlotz habla incluso de un posible “momento ChatGPT” en salud hacia 2026. Sería un punto de inflexión en el que cualquier profesional pueda usar sistemas de inteligencia artificial capaces de ofrecer diagnósticos más precisos que los de muchos sistemas actuales y de señalar enfermedades raras a partir de patrones sutiles que escapan al ojo humano. La expectativa es alta, pero la trampa está en dos temas delicados: la privacidad y la evaluación clínica rigurosa.

Por un lado, Langlotz señala que uno de los retos mayores será preservar la confidencialidad de los datos sanitarios mientras se exprime el potencial del aprendizaje autosupervisado. Por otro, Shah alerta de que la capacidad de los investigadores para evaluar de forma seria estas herramientas, usando benchmarks, se verá llevada al límite. Habrá que diseñar nuevas pruebas que reflejen situaciones reales, no solo casos muy controlados.

Shah también avisa de otro cambio silencioso: el auge de soluciones de IA dirigidas directamente al paciente, como apps gratuitas o asistentes en línea. Este tipo de herramientas hará que la exigencia de transparencia suba varios niveles, porque la persona querrá saber en qué se basan las recomendaciones. Y, aun usando IA, los expertos insisten en que los pacientes deben mantener su agencia, su capacidad real de decidir sobre su propio cuidado.