Certeza vs. alcance en IA: El límite fundamental que explica errores de GPT y generativa

Descubre la conjetura fundamental que rige el diseño de la Inteligencia Artificial. Desde mediados del siglo XX, la investigación en IA se ha dividido en dos paradigmas: la IA simbólica clásica, que ofrece certeza probada (cero errores) pero en dominios estrechamente definidos (bajo alcance o $S(M)$), y los sistemas generativos modernos (como los modelos transformer y GPT-4) que logran un amplio alcance (alto $S(M)$) operando en el mundo abierto y con datos no estructurados. Esta conjetura postula un trade-off estricto: al ampliar el alcance a dominios complejos y ricos, la IA inevitablemente debe admitir un riesgo irreducible de errores o alucinaciones (baja certeza o $C(M)$), formalizado como la desigualdad $C(M) \times S(M) \le k$. Entender este límite es crucial para el diseño de arquitecturas híbridas y para establecer marcos regulatorios más realistas que gestionen el riesgo, en lugar de exigir una fiabilidad imposible del 100% en sistemas de amplio alcance.https://arxiv.org/pdf/2506.10130v3