Controversia
¿Puede una IA saber algo?
Cuando un chatbot responde correctamente, ¿sabe lo que dice — y puedes tú llegar a saber algo gracias a él?
Hay posiciones serias en varios sentidos; ninguna se impone como acuerdo.
Actualizado el 18 de agosto de 2026
Hay dos preguntas escondidas acá y conviene separarlas de entrada: si el sistema sabe (una pregunta sobre la máquina, enredada con filosofía de la mente) y si una persona puede llegar a saber algo usando sus respuestas (una pregunta sobre el proceso de esa persona). Un termómetro no 'sabe' la temperatura y aun así permite conocerla; el problema es que un chatbot no se comporta como termómetro sino como alguien que conversa. La epistemología viene discutiendo desde Gettier (1963) por qué una respuesta correcta no basta para el conocimiento — importa el camino por el que se llegó a ella — y hoy debate en qué categoría caen las respuestas de una IA conversacional: lectura de instrumento, testimonio, o algo nuevo. Las posiciones de abajo no se presentan como consenso: no lo hay.
Posiciones
Lo que importa es la fiabilidad del proceso, no quién (o qué) responde
El reliabilismo sostiene que una creencia verdadera cuenta como conocimiento cuando la produjo un proceso fiable — uno que genera verdades de manera estable, no por accidente. Aplicado a la IA: la pregunta correcta no es si el modelo 'sabe', sino si el proceso completo — el sistema, más la verificación que tú haces — es del tipo que produce verdades con regularidad. Una respuesta correcta salida de un proceso azaroso es un caso Gettier: creencia verdadera sin conocimiento. El marco tiene la virtud de volver la pregunta medible: tasas de error, condiciones de uso, verificabilidad.
Contraargumento
El reliabilismo puro deja afuera algo que con los chatbots pesa: la interfaz conversacional no es un dial neutro, moldea cuánta confianza depositas. Medir la fiabilidad del proceso no dice todavía cómo debe interactuar una persona con una fuente que se presenta como interlocutor.
Evidencia
La formulación clásica del reliabilismo de procesos es de Alvin Goldman ('What Is Justified Belief?', 1979); la entrada de la SEP —coescrita por el propio Goldman— presenta el marco y sus objeciones.
Representante: Alvin Goldman (reliabilismo de procesos)
Reliabilist Epistemology (Stanford Encyclopedia of Philosophy)Ni instrumento ni testigo: las creencias que da una IA son una categoría nueva
Las categorías clásicas no calzan. Un termómetro no conversa; un testigo cree lo que afirma y responde por ello. La IA conversacional queda en el medio: interfaz de testigo, interior de artefacto. Freiman propone tratar las creencias que adquieres de ella como una categoría propia — creencias basadas en tecnología (technology-based beliefs) — lo que cambia las preguntas pertinentes: ya no '¿es sincero?' ni solo '¿está calibrado?', sino qué se sabe de sus datos, sus sesgos, su tasa de error y su trazabilidad, preguntas dirigidas a quien construye y opera el sistema.
Contraargumento
Multiplicar categorías tiene costo: si cada tecnología nueva estrena su propia epistemología, se pierde la capacidad de comparar. Los críticos prefieren estirar las categorías existentes — instrumento sofisticado o testimonio degradado — antes que fundar una tercera.
Evidencia
Freiman (Episteme, 2023) analiza las creencias adquiridas de IA conversacional y argumenta que ni el modelo del instrumento ni el del testimonio las captura bien.
Decidir cuándo creerle a un chatbot es un problema genuinamente nuevo
Confiar en una enciclopedia editada por miles, en un buscador que te lleva a fuentes, o en un chatbot que genera la respuesta para ti en el momento son situaciones epistémicas distintas. Con el chatbot no hay una página estable que otros hayan revisado ni un autor que firme: la respuesta existe solo en tu conversación. Magnus sostiene que por eso los marcos previos para calibrar confianza — los de la prensa, los de Wikipedia, los del testimonio — no se trasladan sin más, y hay que construir criterios propios para esta fuente.
Contraargumento
La novedad puede exagerarse: siempre hubo fuentes efímeras y sin firma (el rumor, la consulta telefónica a un experto), y la respuesta práctica es la de siempre — verificar contra fuentes estables antes de actuar sobre lo dicho.
Evidencia
Magnus ('On trusting chatbots', Episteme, 2025) examina la situación epistémica de usar chatbots basados en modelos de lenguaje y defiende que plantea un desafío distinto al de las fuentes tradicionales.
Representante: P. D. Magnus
On trusting chatbotsEl diseño conversacional induce más confianza que la que el sistema justifica
Los LLM se experimentan como un 'cuasi-otro': algo con lo que conversas, no algo que operas. Esa fenomenología importa epistémicamente, porque la fluidez, la seguridad del tono y la primera persona funcionan como señales de credibilidad — señales que en humanos correlacionan con competencia y sinceridad, pero que en un modelo no garantizan nada. El resultado es un desajuste estructural entre la confianza que el sistema invita a depositar y su fiabilidad real; calibrar esa confianza (con transparencia, trazabilidad y diseño honesto) es el problema práctico central.
Contraargumento
El desajuste no es destino: las personas también aprendieron a descontar la retórica de un vendedor o el tono seguro de un opinólogo. Con exposición y alfabetización, la confianza en interfaces conversacionales puede calibrarse igual que se calibró con medios anteriores.
Evidencia
Heersmink, de Rooij, Clavel Vázquez y Colombo (Ethics and Information Technology, 2024) analizan la fenomenología de interactuar con LLM y sus consecuencias para la confianza y la transparencia.
Representante: Richard Heersmink, Barend de Rooij, María Jimena Clavel Vázquez y Matteo Colombo
A phenomenology and epistemology of large language models: transparency, trust, and trustworthiness
Preguntas no resueltas
- ¿Una respuesta correcta obtenida por un proceso poco fiable puede darte conocimiento, o solo una creencia verdadera con suerte (el caso Gettier)?
- ¿La diferencia entre un termómetro y un chatbot es de grado o de categoría — y qué le debes a cada uno antes de creerle?
- Si el tono conversacional induce más confianza que la que la fiabilidad del sistema justifica, ¿el problema se arregla con diseño, con educación del usuario, o con ambos?
Relacionado
Fuentes esenciales
- The Analysis of Knowledge (Stanford Encyclopedia of Philosophy)
Stanford Encyclopedia of Philosophy · 2026
- Analysis of Beliefs Acquired from a Conversational AI: Instruments-based Beliefs, Testimony-based Beliefs, and Technology-based Beliefs
Ori Freiman · 2023