En sus primeras etapas, la inteligencia artificial se apoyó sobre todo en una idea bastante lógica para su tiempo: si el razonamiento puede expresarse mediante reglas, entonces una máquina podría seguir esas reglas y comportarse de forma “inteligente” en dominios concretos.

Ese enfoque, conocido de forma general como IA simbólica, se basaba en representar conocimiento mediante símbolos, reglas lógicas, condiciones y relaciones explícitas. El sistema no aprendía por experiencia como hoy imaginamos muchas veces la IA; más bien aplicaba estructuras previamente definidas por especialistas.

Un ejemplo típico fueron los sistemas expertos: programas diseñados para actuar como si concentraran parte del criterio de un experto humano en un área concreta, como diagnóstico, evaluación o toma de decisiones. Para ello se construían bases de conocimiento y conjuntos de reglas del tipo “si ocurre esto, entonces considera aquello”.

Este paradigma tuvo sentido durante décadas porque era la forma más natural de intentar formalizar la inteligencia con las herramientas disponibles. Permitía construir sistemas útiles en contextos limitados, donde el problema estaba bien definido y el conocimiento podía traducirse a reglas relativamente estables.

Sin embargo, esa misma fortaleza escondía su debilidad principal: el mundo real rara vez cabe entero dentro de un conjunto cerrado de reglas.