Cuando la IA nos permite ver lo invisible

Los grandes avances científicos suelen comenzar cuando encontramos una nueva forma de observar la realidad. El telescopio permitió descubrir que no éramos el centro del universo. El microscopio reveló un mundo invisible para el ojo humano, abriendo nuevas posibilidades para la biología y la medicina. Los rayos X y la resonancia magnética hicieron posible observar el interior del cuerpo sin necesidad de una intervención quirúrgica. En todos estos casos, el mundo seguía siendo el mismo; lo que cambió fue nuestra capacidad para observarlo. Ahora es el turno de la inteligencia artificial (IA).

Aunque el uso de esta tecnología se suele asociar con asistentes conversacionales, generación de contenido o automatización de tareas, los sistemas de IA también son capaces de analizar imágenes, reconocer patrones, detectar anomalías y encontrar señales difíciles de identificar mediante la observación convencional. Al ampliar nuestra capacidad para percibir lo que antes permanecía oculto, incluso para especialistas con años de experiencia, podemos descubrir nuevas relaciones entre grandes volúmenes de información.

Aprender a observar los datos con IA

En la era del big data, se generan diariamente millones de datos a través de sensores, cámaras, sistemas de monitoreo y plataformas digitales. Sin embargo, acumular datos y comprenderlos son dos cosas muy distintas. Durante mucho tiempo, los descubrimientos dependían de formular mejores preguntas y diseñar variables capaces de responderlas. En cierta medida, sólo era posible encontrar aquello que previamente se había decidido medir. Pero la IA, al aprender directamente de grandes volúmenes de información, puede identificar patrones inesperados y relaciones imprevistas. En lugar de limitarse a confirmar hipótesis, la IA empieza a revelar nuevas posibilidades de exploración.

En una investigación reciente publicada en Nature, probamos esta nueva forma de observar a escala microscópica, analizando los patrones que aparecen cuando se evaporan pequeñas gotas de extractos vegetales. A simple vista, muchas de estas estructuras parecían similares, pero al incorporar modelos de aprendizaje profundo fue posible identificar y agrupar automáticamente patrones de formas y texturas a partir de sus características visuales. La IA permitió encontrar diferencias que de otra manera hubiera sido difícil analizar de manera sistemática.

Este hallazgo sugiere un cambio en la manera en que generamos conocimiento. Si una imagen puede contener información antes invisible al ojo humano, la misma pregunta es pertinente para cualquier organización: ¿cuántas oportunidades, riesgos o procesos permanecen ocultos entre los grandes volúmenes de datos que genera una empresa? En un entorno donde prácticamente todas las organizaciones pueden acceder a grandes cantidades de información, la ventaja será de quien sea capaz de extraer conocimiento que los competidores todavía no han descubierto.

Cuando las imágenes explican procesos

Las posibilidades de la IA van más allá de reconocer diferencias. Si esta tecnología es capaz de reconocer patrones ocultos, también podrían revelar cómo se produce un fenómeno. La diferencia es sutil, pero cambia por completo el propósito del análisis. Una imagen deja de ser únicamente una representación visual y comienza a convertirse en una fuente de evidencia sobre los procesos que le dieron origen.

En una investigación publicada en The International Journal of Advanced Manufacturing Technology probamos esta capacidad para el análisis de recubrimientos metálicos utilizados en procesos de manufactura. A primera vista, dos superficies pueden parecer prácticamente idénticas y cumplir con los mismos estándares de calidad; sin embargo, pequeñas variaciones en su microestructura reflejan diferencias en las condiciones de fabricación. Mientras que los métodos tradicionales identifican las variaciones a partir de la experiencia del especialista y de pruebas complejas, los modelos de IA lograron recuperar información sobre el proceso de fabricación a partir del resultado final. Esta aportación demostró que una micrografía puede contener información mucho más rica de la que es posible interpretar mediante la observación convencional. La superficie del material deja de ser un simple objeto de inspección para convertirse en un registro de su propia historia.

Esta idea trasciende los laboratorios. Las organizaciones suelen usar la información que generan para describir procesos que ya han ocurrido; la IA puede revelar relaciones que explican por qué ocurrió y qué señales podrían anticipar cambios futuros. La siguiente ventaja competitiva, por tanto, no dependerá únicamente de disponer de más información, sino de desarrollar una nueva capacidad para interpretarla. Si un algoritmo puede descubrir relaciones invisibles y utilizarlas para comprender procesos físicos y biológicos, ¿podría aprender también la manera en que los expertos observan la realidad?

La organización que ‘aprende a ver’

De acuerdo con los ejemplos anteriores, la inteligencia artificial ha dejado de ser una herramienta dedicada a clasificar información para convertirse en un instrumento capaz de ampliar la percepción humana. La capacidad de encontrar patrones adquiere una dimensión diferente cuando la experiencia humana se incorpora al proceso. ¿Puede la IA aprender la manera en que un experto observa un fenómeno?

Esa pregunta fue el punto de partida de otra investigación cuyo objetivo no era mejorar la precisión de un modelo, sino aprovechar la experiencia acumulada por especialistas para reconocer patrones cualitativos difíciles de expresar mediante reglas matemáticas. En lugar de entrenar el algoritmo únicamente con etiquetas objetivas, el modelo aprendió a partir de la forma humana de interpretar imágenes, siendo capaz de reproducirla sobre aproximadamente treinta mil registros e identificando relaciones que los métodos clásicos no habían revelado.

A menudo la se presenta la IA como una tecnología destinada a sustituir al humano, pero estos resultados muestran cómo los avances más significativos se logran cuando la experiencia del especialista se suma a la capacidad analítica de los algoritmos. El conocimiento humano aporta contexto, criterio y comprensión del problema, mientras que la IA amplía esa experiencia al explorar millones de combinaciones y mantener una consistencia casi imposible de alcanzar mediante la observación humana. No reemplaza la percepción del experto, sino que la proyecta a una escala sin precedentes.

¿Cómo puede una organización ‘aprender a ver’?

Para los directivos, ampliar la capacidad de observación de una organización mediante inteligencia artificial no comienza necesariamente con la elección de una tecnología. Antes, deben reconocer las señales que todavía no están aprovechando:

• Identificar dónde se deja de ver. Detectar procesos o decisiones en los que la cantidad o complejidad de la información supera la capacidad para analizarla de manera sistemática.
• Reconocer qué información ya se tiene. Antes de generar nuevos datos, revisar qué imágenes, transacciones, sensores, registros operativos o interacciones con clientes produce la organización y cuánta de esa información realmente se utiliza.
• Explorar más allá de las preguntas conocidas. Utilizar la IA no sólo para responder preguntas previamente definidas, sino también para buscar patrones, anomalías y relaciones que no habían sido consideradas.
• Interpretar los hallazgos con conocimiento experto. Un patrón identificado por un algoritmo no constituye por sí mismo una explicación. La experiencia de quienes conocen el negocio permite determinar qué significa, por qué podría estar ocurriendo y si realmente importa.
• Convertir lo observado en decisiones. La ventaja aparece cuando una señal que antes permanecía oculta permite anticipar un riesgo, descubrir una oportunidad, comprender mejor un proceso o tomar una decisión diferente.

La capacidad de observar con IA obliga a replantear la forma en que las organizaciones entienden la innovación. La ventaja competitiva ya no depende únicamente de generar grandes volúmenes de datos o de tener más algoritmos. Las organizaciones que aprendan a formular mejores preguntas y a integrar los hallazgos de la IA con la experiencia de sus equipos serán las que obtengan un mayor valor de esta tecnología. Quienes aprendan primero a utilizar este nuevo instrumento no sólo comprenderán mejor lo que ocurre; también estarán en condiciones de transformarlo antes que los demás.

Referencias

Acuña, C., Mier y Terán, A., Kokornaczyk, M. O., Baumgartner, S., & Castelán, M. (2022). Deep learning applied to analyze patterns from evaporated droplets of Viscum album extracts. Scientific Reports, 12(1), 15332.

Guglielmetti, G., Castelán, M., Miguel Sánchez, D. K., Acuña, C., Martin, D., Baumgartner, S., & Tournier, A. L. (2026). Human perception-based deep learning classification: an exploratory application to a large chronobiology dataset. in silico Plants, 8(2), diag015.

Acuña, C., Chávez, D., Velázquez, C., Velazco, D., Vargas, G., & Castelán, M. (2025). Deep learning-based identification of electrodeposition time: a case study using synthetic images of copper coatings. The International Journal of Advanced Manufacturing Technology, 138(5), 2109-2119.

Kokornaczyk, M. O., Acuña, C., Mier y Terán, A., Castelán, M., & Baumgartner, S. (2024). Vortex-like vs. turbulent mixing of a Viscum album preparation affects crystalline structures formed in dried droplets. Scientific reports, 14(1), 12965.