IA neurosimbólica: inteligencia artificial necesita reglas para razonar

Un modelo de inteligencia artificial puede leer cientos de páginas de un contrato y explicarte sus puntos principales en segundos. Pero imagina que después tiene que comprobar una regla concreta: ninguna operación puede aprobarse si supera el límite de gasto o si falta una autorización obligatoria. No basta con que la respuesta suene convincente. Necesitas saber qué regla se ha aplicado, a qué datos y con qué resultado.

Esta diferencia ayuda a entender por qué vuelve a despertar interés una línea de investigación con décadas de historia: la inteligencia artificial neurosimbólica. Durante mucho tiempo hemos contado el progreso de la IA como una competición entre máquinas que seguían reglas escritas por personas y sistemas que aprendían de grandes cantidades de ejemplos. Pero quizá la cuestión no sea elegir entre ambos enfoques, sino conseguir que colaboren.

Qué es la IA neurosimbólica

La IA neurosimbólica reúne dos familias de técnicas. Las neuronales, que aprenden representaciones y regularidades estadísticas mediante entrenamiento, son especialmente útiles con lenguaje, imágenes y otros datos complejos. Las simbólicas representan de forma explícita conceptos, relaciones, restricciones o reglas y permiten operar sobre ellos con métodos como la deducción lógica, los motores de reglas o determinados solucionadores matemáticos.

Si te pido que identifiques en una fotografía qué productos hay en una estantería, un modelo de visión puede ayudarte. Si después quiero comprobar que ninguna combinación de productos incumple una restricción contractual, quizá convenga utilizar reglas verificables. En un sistema neurosimbólico, el reconocimiento y la comprobación no compiten: forman parte de un mismo proceso.

Una revisión académica publicada en IEEE Transactions on Neural Networks and Learning Systems explica que este campo investiga distintas formas de combinar aprendizaje profundo con razonamiento simbólico, especialmente sobre grafos de conocimiento. También advierte de sus limitaciones: integrar ambos enfoques, mantener buen rendimiento e interpretar correctamente sus resultados no es una tarea trivial.

Cómo funciona: reconocer, representar y comprobar

Imagina un sistema que ayuda a revisar incidencias de una compañía de seguros. Un modelo de lenguaje extrae del expediente las fechas, importes y circunstancias descritas. Un componente estructurado representa esos datos y otro comprueba condiciones de la póliza. Finalmente, una interfaz muestra la información utilizada y señala qué parte necesita revisión humana. Es un ejemplo ilustrativo, no la descripción de un producto concreto: su objetivo es mostrar que aprender de documentos y aplicar reglas son funciones diferentes.

La arquitectura real puede variar mucho. En algunos proyectos se incorporan restricciones lógicas al entrenamiento; en otros se utiliza un modelo neuronal para proponer candidatos que después valida un solucionador simbólico. También existen sistemas que aprenden reglas a partir de datos o utilizan grafos de conocimiento para representar relaciones entre entidades. Por eso no existe un único software que pueda instalarse y denominarse, sin más, “IA neurosimbólica”.

AlphaGeometry: un ejemplo documentado de colaboración entre dos enfoques

Un caso especialmente interesante es AlphaGeometry, presentado por investigadores de Google DeepMind y publicado en Nature en enero de 2024. El sistema combina un modelo neuronal que propone construcciones útiles con un motor de deducción simbólica especializado en geometría. En la evaluación publicada, resolvió 25 de 30 problemas de geometría de nivel olímpico, frente a los 10 alcanzados por la mejor técnica anterior utilizada como referencia.

El detalle importante no es sólo la cifra. Según el artículo científico original, el sistema produce demostraciones legibles para humanos dentro de ese ámbito matemático. El modelo ayuda a explorar posibilidades y el componente simbólico desarrolla la deducción. Este resultado demuestra la utilidad de combinar métodos en un problema especializado; no demuestra que todos los sistemas neurosimbólicos razonen como una persona ni que una prueba matemática resuelva, por sí sola, los errores de la IA generativa.

Aplicaciones empresariales de la IA neurosimbólica

Cumplimiento y procesos con reglas claras

Una empresa puede utilizar modelos de lenguaje para leer documentos, pero necesita procedimientos más estrictos cuando una decisión depende de una norma verificable. En selección de proveedores, gestión de autorizaciones o controles administrativos, separar extracción de información y aplicación de reglas permite detectar mejor inconsistencias. El resultado debe incorporar trazabilidad y vías de apelación; ninguna de estas garantías aparece simplemente por añadir un motor lógico.

Industria y diagnóstico de averías

En mantenimiento industrial conviven datos de sensores, observaciones de técnicos y relaciones conocidas entre componentes. Un sistema puede aprender patrones de vibración y contrastarlos con reglas físicas o conocimientos de ingeniería. Esto puede ayudar a orientar un diagnóstico o descartar explicaciones incompatibles, siempre que las reglas reflejen correctamente la instalación real y que los datos sean fiables.

Datos empresariales y grafos de conocimiento

Los grafos representan entidades y relaciones: un cliente pertenece a una organización, un equipo depende de un proveedor y una incidencia afecta a determinado servicio. Combinados con modelos de aprendizaje, ayudan a organizar preguntas que requieren conectar múltiples hechos. La revisión académica de DeLong y colaboradores documenta precisamente métodos neurosimbólicos para razonar sobre estas estructuras. En IEBS hemos abordado también la importancia de la gestión del conocimiento en las organizaciones.

¿Es lo mismo que RAG, un LLM o un agente de IA?

No. Un LLM es un tipo de modelo de lenguaje; RAG describe una arquitectura que recupera información para asistir a un modelo; y un agente puede utilizar herramientas y ejecutar varias acciones. La IA neurosimbólica describe la integración de métodos neuronales y simbólicos. Los conceptos pueden coincidir en un mismo producto, pero ninguno sustituye automáticamente a los demás.

Por ejemplo, un asistente jurídico podría recuperar la versión vigente de una política mediante RAG, extraer campos mediante un LLM y comprobar una restricción con un motor de reglas. Eso no garantiza que el sistema completo sea correcto: si el modelo extrae mal un importe o recupera un documento desactualizado, la comprobación posterior puede partir de información equivocada. Las distintas piezas deben evaluarse juntas y por separado.

Ventajas, límites y preguntas antes de implantarla

La principal promesa es aprovechar mejor el conocimiento explícito que una organización ya posee. Cuando hay restricciones bien definidas, procedimientos o relaciones entre entidades, no siempre tiene sentido esperar que un modelo estadístico las recuerde perfectamente. Incorporarlas como reglas permite comprobar ciertos pasos y facilita explicar cómo se ha llegado a un resultado. El beneficio depende, sin embargo, del tipo de problema: para redactar una campaña creativa quizá resulte innecesario construir todo ese sistema.

También hay inconvenientes. Las reglas pueden estar incompletas, entrar en conflicto o quedarse obsoletas; los datos que extrae el modelo pueden contener errores; y mantener la integración exige conocimiento de IA, ingeniería de software y del dominio empresarial. Ni siquiera una prueba formal protege frente a una premisa falsa. Una empresa debería preguntar qué fallos se quieren reducir, qué partes son realmente verificables y cuánto cuesta mantener la base de conocimiento.

Qué observar en 2027 y cómo empezar sin complicarse

Es razonable esperar durante 2027 más combinaciones entre modelos generativos, herramientas de cálculo, motores de reglas y estructuras de conocimiento. No significa que todos los asistentes deban ser neurosimbólicos ni que una nueva etiqueta resuelva el problema del razonamiento. Lo que sí parece una dirección útil es separar cada vez mejor las tareas de interpretación, búsqueda, cálculo, decisión y verificación.

Si trabajas en una empresa, empezaría por una operación que hoy exige revisar información y comprobar una regla: autorizar un descuento, validar un expediente o aplicar una política interna. Documentaría primero las condiciones, reuniría ejemplos reales y mediría los errores del proceso actual. Sólo después valoraría qué componente necesita aprendizaje automático y cuál puede resolverse de forma más sencilla y verificable. La lección de la IA neurosimbólica es práctica: no todo problema necesita que la máquina improvise una respuesta; a veces necesitamos que sepa demostrarla.