La evolución decisiva llegó cuando la IA dejó de apoyarse exclusivamente en reglas escritas a mano y empezó a orientarse hacia sistemas capaces de aprender a partir de datos. El giro fue profundo: en lugar de intentar describir cada caso posible mediante instrucciones explícitas, se buscó que la máquina detectara patrones a partir de ejemplos.

Este cambio dio lugar al crecimiento del aprendizaje automático o machine learning. La idea central era más flexible: si alimentas un sistema con suficientes datos y una estructura adecuada, puede ajustar internamente cómo responder a nuevos casos sin que cada decisión haya sido programada una por una.

Aquí la lógica cambia. Ya no se trata solo de decirle a la máquina qué reglas seguir, sino de construir un sistema que pueda inferir regularidades. Eso abrió la puerta a resolver problemas que eran muy difíciles de formalizar con reglas rígidas, como reconocer imágenes, interpretar lenguaje, clasificar grandes volúmenes de información o detectar patrones sutiles.

Más adelante, el desarrollo de redes neuronales y técnicas de mayor profundidad permitió aumentar todavía más esa capacidad de aprendizaje y representación. No fue una ruptura total con el pasado, pero sí un cambio de enfoque: de programar conocimiento de forma explícita a permitir que el sistema extraiga parte de ese conocimiento desde los datos.