Durante un tiempo, pareció razonable pensar que bastaría con hacer más completas las reglas y más sofisticados los sistemas. Pero pronto se hizo evidente un problema estructural: cuanto más complejo es el entorno, más difícil resulta anticipar todas las situaciones posibles y convertirlas en instrucciones explícitas.

Una máquina basada en reglas puede funcionar bien en escenarios acotados, pero empieza a mostrar rigidez cuando el contexto cambia, aparecen excepciones, hay ambigüedad o la información es incompleta. Ahí aparece una barrera fundamental: el conocimiento del mundo es demasiado amplio, variable y desordenado como para codificarlo entero a mano.

Además, mantener esos sistemas era costoso. Requerían mucho trabajo de expertos, actualización constante y una estructura difícil de escalar. A medida que se intentaba abarcar más, los sistemas podían volverse frágiles, pesados o poco adaptables.

Estas limitaciones alimentaron fases de desencanto que más tarde se conocerían como “inviernos de la IA”: periodos en los que las expectativas eran demasiado altas, los resultados no alcanzaban lo prometido y la inversión o el entusiasmo se enfriaban. No significó que la idea desapareciera, sino que el camino no era tan sencillo como muchos habían imaginado.

Este punto histórico importa mucho porque muestra una lección que sigue vigente: en IA, prometer más de lo que la tecnología puede sostener termina pasando factura.