Antes de que puedas entender la IA, los agentes, o cualquier cosa que construya Deviam, hay una pregunta más pequeña que responder: ¿qué hay detrás de la pantalla?
No el hardware físico. Más atrás que eso.
Lo que hay es esto: dos números. Cero y uno. Todo lo que ves, lees, escuchas o interactúas en cualquier dispositivo digital existe porque alguien, en algún momento, decidió representar el mundo con solo dos estados posibles. Corriente eléctrica o no corriente. Verdadero o falso. Luz encendida o apagada.
Parece una limitación absurda. Y sin embargo, de esa limitación sale todo lo demás.
El bit: la unidad mínima de información
En 1948, un ingeniero de Bell Labs llamado Claude Shannon publicó un artículo que cambió cómo entendemos la comunicación. El paper se llama A Mathematical Theory of Communication y en él Shannon introduce el concepto de bit (unidad binaria de información): la cantidad mínima de información necesaria para resolver una pregunta de sí o no.
¿Está encendida la luz? Sí o no. Un bit.
¿Es este carácter una "A"? Para responder esa pregunta necesitas más de un bit, porque hay más de dos opciones posibles. Con 8 bits puedes representar 256 posibilidades distintas (2⁸ = 256). Eso es un byte (conjunto de 8 bits), y es suficiente para codificar cualquier letra del alfabeto latino, los dígitos del 0 al 9, y bastantes símbolos más.
Con 1 byte representas una letra. Con 1 kilobyte (1.024 bytes), unas pocas páginas de texto. Con 1 megabyte (1.024 kilobytes), una foto de baja resolución. Con 1 gigabyte, una película completa.
Todo esto, construido encima de dos estados posibles.
El transistor: el interruptor que hace posible el bit físico
El bit es una idea abstracta. Pero para que exista en el mundo físico, necesitas algo que pueda estar en uno de dos estados y cambiar entre ellos millones de veces por segundo.
Ese algo es el transistor (componente semiconductor que actúa como interruptor electrónico). Un transistor es básicamente un interruptor microscópico: cuando le aplicas voltaje, deja pasar corriente (estado 1). Cuando no hay voltaje, bloquea la corriente (estado 0).
Un procesador moderno tiene entre 10.000 y 100.000 millones de transistores grabados en silicio. El chip Apple M4 tiene aproximadamente 28.000 millones. Cada uno de esos transistores puede cambiar de estado miles de millones de veces por segundo.
La escala es difícil de visualizar: si un transistor tuviese el tamaño de un ladrillo, el chip entero sería del tamaño de la ciudad de Madrid.
Las puertas lógicas: de interruptores a operaciones
Un transistor solo sirve para encender y apagar. Pero cuando combinas varios transistores en patrones específicos, obtienes puertas lógicas (gates en inglés, circuitos que ejecutan operaciones básicas de lógica booleana).
La puerta AND: la salida es 1 solo si ambas entradas son 1. La puerta OR: la salida es 1 si al menos una entrada es 1. La puerta NOT: invierte el estado. Si entra 1, sale 0.
Con estas tres operaciones puedes construir cualquier cálculo aritmético que existe. Suma, resta, multiplicación, comparación. La ALU (Unidad Aritmético-Lógica, el componente del procesador que hace las operaciones matemáticas) es esencialmente millones de estas puertas organizadas para ejecutar instrucciones.
Richard Feynman lo explicó de forma memorable en sus Feynman Lectures on Physics: la complejidad emerge de reglas simples combinadas a escala. No hay ningún momento en el que el sistema deje de ser 0s y 1s. Solo hay capas.
Las capas de abstracción: por qué no programas en binario
Aquí entra un concepto que va a aparecer en todo lo que aprendas después: abstracción (el proceso de ocultar los detalles de implementación para trabajar a un nivel de complejidad mayor).
Cuando escribes un mensaje en WhatsApp, no piensas en transistores. No piensas en bytes. No piensas siquiera en las instrucciones que ejecuta el procesador. Piensas en palabras.
Eso es posible porque hay múltiples capas entre tú y el hardware:
Capa 0: física. Electrones moviéndose por silicio.
Capa 1: circuitos. Transistores formando puertas lógicas.
Capa 2: arquitectura. La ALU ejecutando instrucciones básicas.
Capa 3: sistema operativo. El software que gestiona memoria, procesos y dispositivos. macOS, Windows, Linux.
Capa 4: lenguaje de programación. Python, JavaScript, Swift. Instrucciones que un humano puede leer y que el compilador traduce hacia abajo.
Capa 5: aplicación. La interfaz que usas. WhatsApp, Chrome, Figma.
Cada capa no necesita saber cómo funciona la de abajo. Solo necesita saber qué le puede pedir. Esto es lo que el MIT enseña en su curso 6.004 Computation Structures: el poder de los sistemas computacionales no viene de la velocidad. Viene de la capacidad de apilar capas de abstracción indefinidamente.
¿Qué es un sistema?
Hasta aquí hemos hablado de computadores. Pero la pregunta más profunda es: ¿qué tienen en común un procesador, un ecosistema, una empresa y el sistema nervioso?
Todos son sistemas.
En 1968, el biólogo Ludwig von Bertalanffy formalizó la Teoría General de Sistemas en su libro General System Theory. La idea central: un sistema es un conjunto de elementos relacionados entre sí que produce propiedades que ningún elemento tiene por separado.
Un pulmón por sí solo no respira. El sistema respiratorio sí respira. Esa propiedad emergente — respirar — no existe en ninguna parte del sistema en aislamiento. Solo aparece cuando los elementos interactúan.
Tres características definen cualquier sistema:
- Elementos: las partes componentes.
- Relaciones: cómo se conectan e interactúan esas partes.
- Propiedades emergentes: lo que el sistema puede hacer que las partes solas no pueden.
Un procesador es un sistema. La aplicación corriendo en él también. El servidor que la aloja. La red que lo conecta. El equipo humano que lo mantiene. Cada uno es un sistema, y todos son elementos de un sistema mayor.
Los sistemas se anidan
Esta es la parte que más me costó entender al principio, y que luego no pude dejar de ver en todas partes.
Los sistemas se contienen unos a otros.
Un átomo es un sistema (protones, neutrones, electrones interactuando). Una molécula es un sistema de átomos. Una célula es un sistema de moléculas. Un tejido es un sistema de células. Un órgano es un sistema de tejidos. Un organismo es un sistema de órganos. Una ciudad es un sistema de organismos más infraestructura. Un ecosistema es un sistema de ciudades, organismos, y recursos naturales.
Cada nivel emerge del anterior. Cada nivel tiene sus propias reglas. Y los ingenieros de software, cuando diseñan arquitecturas complejas, hacen exactamente lo mismo: construyen sistemas que contienen sistemas que contienen sistemas.
Cuando Deviam diseña una organización de 44 agentes de IA, el principio es idéntico: cada agente es un sistema pequeño con reglas claras. El conjunto de agentes interactuando forma un sistema mayor con capacidades que ningún agente tiene solo. La jerarquía no es arbitraria — es la misma lógica que organiza cualquier sistema complejo que funcione.
La energía que mantiene los sistemas en movimiento
Hay algo que los sistemas necesitan para no colapsar: energía (la capacidad de hacer trabajo, de mantener el orden contra la tendencia natural al desorden).
El físico Ludwig Boltzmann, en el siglo XIX, descubrió que el universo tiende naturalmente hacia el desorden. Los gases se expanden. Los sólidos se desgastan. La información sin mantenimiento se corrompe. A esto lo llamamos entropía.
Los sistemas vivos — y los sistemas bien diseñados en general — van a contracorriente de esa tendencia. Lo consiguen consumiendo energía del exterior para mantener su organización interna.
Una célula consume glucosa para mantenerse ordenada. Un servidor consume electricidad para mantener sus datos íntegros. Una empresa consume tiempo humano para mantener sus procesos funcionando. Una IA consume energía de cómputo para generar respuestas coherentes.
El coste de mantener un sistema organizado siempre existe. No hay sistemas gratuitos. Este principio es la razón por la que los modelos de IA consumen enormes cantidades de electricidad: están manteniendo una estructura de información extremadamente compleja activa y consultable.
¿Y si el universo entero es un sistema computacional?
Aquí quiero hacerte un paréntesis con algo que encuentro fascinante pero que presento como lo que es: una hipótesis, no un hecho.
Algunos físicos — el más conocido es Max Tegmark del MIT, en su libro Our Mathematical Universe (2014) — proponen que el universo no solo puede describirse con matemáticas, sino que es un sistema matemático. En esa visión, el cosmos entero sería equivalente a un cómputo masivo corriendo sobre leyes físicas que son, en el fondo, operaciones sobre información.
Es una idea provocadora. Y tiene críticos serios: el matemático Peter Woit (Columbia) y el físico Edward Frenkel (NYT) la califican de "radicalmente no comprobable" en el estado actual de la física.
Lo que sí está fuera de debate es esto: las matemáticas describen el comportamiento físico del universo con una precisión que no tiene explicación intuitiva obvia. Por qué las leyes de la naturaleza son matemáticas — y no simplemente "se parecen un poco a las matemáticas" — sigue siendo una de las preguntas abiertas más grandes de la física teórica.
Para lo que nos ocupa — aprender a construir con IA — la implicación práctica es más modesta pero igual de real: el mundo físico obedece regularidades. Esas regularidades se pueden capturar con datos. Los datos se pueden usar para entrenar modelos que generalizan esas regularidades. No necesitamos que el universo "sea" matemático para que los sistemas de IA funcionen. Basta con que el mundo sea suficientemente regular.
El computador cuántico: cuando el bit deja de ser solo 0 o 1
Una última pieza para completar el cuadro.
Los computadores clásicos que hemos descrito trabajan con bits que son exactamente 0 o exactamente 1 en cada momento. Los computadores cuánticos trabajan con qubits (unidades cuánticas de información que pueden estar en superposición de 0 y 1 simultáneamente hasta que los mides).
Esto no significa que los computadores cuánticos sean "más rápidos en todo". Son más rápidos en problemas específicos donde la superposición y la interferencia cuántica pueden explorar muchos caminos a la vez: factorización de números primos grandes, simulación de moléculas, ciertos algoritmos de optimización.
Para los modelos de IA que usamos hoy, los computadores cuánticos no son aún una herramienta práctica. El hardware cuántico sigue siendo extremadamente frágil — necesita temperaturas cercanas al cero absoluto para funcionar. Pero es la frontera tecnológica más activa en los próximos 10-20 años.
Lo menciono aquí porque forma parte del horizonte: el mismo principio de capas de abstracción que va de transistores a aplicaciones tendrá que reinventarse para el mundo cuántico.
Construir es traducir: el hilo que conecta todo
Hay un patrón que cruza todo lo que hemos visto:
Construir sistemas digitales es traducir entre niveles de abstracción.
Un programador traduce una intención humana a instrucciones que entiende un lenguaje de programación. El compilador traduce esas instrucciones a código máquina. El procesador traduce el código máquina a señales eléctricas. Los electrones hacen el trabajo físico.
Cuando entrenas un modelo de IA, lo mismo: traducas patrones del mundo real — textos, imágenes, datos — a representaciones numéricas, y luego optimizas esas representaciones para que el modelo pueda traducir de vuelta: de números a respuestas que tienen sentido para un humano.
No hay ninguna magia en ningún punto de la cadena. Hay capas. Hay reglas en cada capa. Hay información fluyendo hacia arriba y hacia abajo.
Entender esto no es solo teoría. Es la diferencia entre usar una herramienta sin saber por qué hace lo que hace, y entender el sistema suficientemente bien para saber cuándo confiar en él y cuándo no.
Lo que necesitas recordar
Antes de pasar a la siguiente entrada — software, IA y los LLMs — hay cuatro ideas que quiero que tengas claras:
El bit es la unidad mínima. Todo lo digital se construye apilando 0s y 1s.
La abstracción es el mecanismo clave. No necesitas entender la capa de abajo para trabajar en la de arriba. Pero entenderla te da ventaja cuando algo falla.
Los sistemas anidados son la norma. Cualquier cosa compleja que funcione bien es un sistema de sistemas con propiedades emergentes.
Construir es traducir. De intención a instrucción. De instrucción a señal. De señal a efecto. En cada capa, la misma lógica.
En la siguiente entrada te explico cómo el software — ese conjunto de instrucciones que vive encima del hardware — evolucionó hasta producir algo cualitativamente diferente: los modelos de inteligencia artificial. Y qué distingue exactamente a un programa clásico de un LLM.
Fuentes y lecturas para ir más lejos
- Claude Shannon, A Mathematical Theory of Communication (1948) — Bell System Technical Journal. El paper original que define el bit.
- Ludwig von Bertalanffy, General System Theory (1968) — la teoría formal de los sistemas.
- Richard Feynman, The Feynman Lectures on Physics, Vol. 1-3 (1963, publicación revisada 2013) — disponible en feynmanlectures.caltech.edu.
- MIT OpenCourseWare 6.004 Computation Structures — disponible en ocw.mit.edu.
- Max Tegmark, Our Mathematical Universe (2014) — hipótesis MUH. Leer con espíritu crítico.
- Alan Turing, On Computable Numbers (1936) — Proceedings of the London Mathematical Society. El paper fundacional de la computación teórica.
Siguiente entrada: Software, IA y LLM: ¿en qué se diferencian realmente?