Mucho antes de que existieran ChatGPT, los asistentes de viaje o la inteligencia artificial generativa, Alan Turing demostró que existen problemas que ninguna computadora puede resolver mediante un algoritmo general. El resultado establece un límite matemático a cualquier hipotética IA omnisciente, aunque no impide que pueda llegar a superar ampliamente a los humanos en muchas tareas. En turismo, donde la IA comienza a planificar itinerarios, recomendar hoteles y gestionar reservas, esta distinción resulta especialmente importante: los sistemas serán cada vez más capaces, pero seguirán necesitando mecanismos de verificación, fuentes actualizadas y capacidad para reconocer cuándo no saben la respuesta.
La idea resulta atractiva: una inteligencia artificial que continúa mejorándose hasta adquirir una capacidad casi ilimitada, capaz de resolver cualquier problema, prever cualquier consecuencia y responder correctamente a cualquier pregunta.
Es uno de los escenarios asociados con la llamada superinteligencia artificial y con la hipótesis de la “singularidad tecnológica”. Pero hay algo que las computadoras ya saben —en sentido matemático— que nunca podrán hacer: resolver todos los problemas posibles.
Ese límite no fue descubierto durante la actual carrera por la inteligencia artificial. Se remonta a los orígenes mismos de la informática.
En un trabajo escrito en 1936 y publicado en 1937, Alan Turing estableció las bases matemáticas de la computación moderna y demostró que existen preguntas perfectamente definidas para las que ningún procedimiento algorítmico general puede proporcionar siempre una respuesta correcta.
Casi noventa años después, aquellos resultados vuelven a aparecer en las discusiones sobre inteligencia artificial, seguridad, alineamiento y superinteligencia.
Pero conviene evitar una conclusión demasiado espectacular: Turing no demostró que una IA superinteligente sea imposible.
Lo que demostró es algo distinto y más preciso: ninguna computadora que opere dentro del modelo convencional de computación puede ser omnisciente en sentido algorítmico. Por poderosa que sea, habrá determinados problemas que simplemente no podrá resolver mediante un método universal. Y eso incluye cualquier futura inteligencia artificial construida sobre esos principios.
El problema que ninguna computadora puede resolver siempre
El ejemplo clásico es el denominado problema de la parada —halting problem—. Supongamos que tenemos un programa informático y determinados datos de entrada. Queremos construir otro programa que analice al primero y responda: ¿Este programa terminará alguna vez o continuará ejecutándose indefinidamente? Para muchísimos programas particulares es posible averiguarlo.
El problema aparece cuando se pretende construir un método universal capaz de responder correctamente para cualquier programa imaginable y cualquier entrada posible. Turing demostró que ese método no existe.
No se trata de que haga falta una computadora más rápida. Tampoco de que el problema pueda solucionarse esperando millones de años. Es una imposibilidad matemática: no existe un algoritmo general que resuelva correctamente todos los casos. Una revisión publicada en Physics Reports en 2025 recuerda precisamente que la indecidibilidad no es un problema de eficiencia: para determinados problemas no existe algoritmo alguno, independientemente de la potencia disponible.
Esta distinción resulta fundamental. Hay problemas difíciles, para los cuales conocemos un procedimiento pero cuya resolución puede requerir enormes cantidades de tiempo o recursos.
Y existen problemas indecidibles, para los cuales no puede existir un algoritmo general capaz de producir siempre la respuesta. Una computadora un millón de veces más rápida puede ayudar con los primeros. No elimina los segundos.
La computadora cuántica tampoco rompe ese límite
La llegada de la computación cuántica puede acelerar extraordinariamente determinados tipos de cálculo y modificar la dificultad práctica de algunos problemas. Pero eso no significa que convierta automáticamente los problemas indecidibles en decidibles. La investigación teórica sobre computabilidad cuántica mantiene la existencia de límites análogos al problema de la parada. Una revisión publicada en Physics Reports en 2025 analiza precisamente cómo la indecidibilidad continúa apareciendo incluso en problemas relacionados con información cuántica y sistemas físicos.
En otras palabras, aumentar la capacidad de cálculo modifica cuánto podemos calcular, pero no necesariamente qué puede ser calculado en principio.
Rice amplió todavía más el problema
El segundo resultado importante llegó de la mano del matemático estadounidense Henry Gordon Rice. En 1953 publicó en Transactions of the American Mathematical Society un teorema que generalizó parte de estas limitaciones.
Simplificando considerablemente, el teorema de Rice establece que no existe un algoritmo general capaz de decidir cualquier propiedad no trivial relacionada con el comportamiento de todos los programas posibles. Por ejemplo, podríamos preguntar: “¿Este programa producirá alguna vez determinada salida?” “¿Cometerá algún día cierto tipo de error?” “¿Se comportará siempre según unas reglas determinadas?”
Para sistemas concretos y suficientemente restringidos es posible verificar muchas de estas propiedades. De hecho, la verificación formal de software es una disciplina fundamental de la informática.
Lo que Rice excluye es algo mucho más ambicioso: un verificador universal que pueda analizar cualquier programa arbitrario y garantizar todas esas propiedades en todos los casos. Y ahí comienza a aparecer la conexión con la inteligencia artificial.
¿Podría una IA comprobar siempre que otra IA es segura?
La cuestión adquirió relevancia con el debate sobre el alineamiento de la inteligencia artificial: cómo garantizar que sistemas autónomos actúen de acuerdo con determinados objetivos, restricciones y valores.
Un estudio publicado en Scientific Reports en 2025 aplicó explícitamente el teorema de Rice y el problema de la parada al alineamiento de sistemas de IA. Los investigadores concluyeron que, formulado como propiedad general de un programa arbitrario, el alineamiento perfecto no puede comprobarse mediante un verificador universal.
Eso tampoco significa que sea imposible construir IA segura. El propio trabajo propone justamente restringir la arquitectura y construir sistemas utilizando componentes cuyas propiedades puedan verificarse, en lugar de pretender certificar posteriormente cualquier programa imaginable. La diferencia es importante. No podemos verificar todo programa posible en toda circunstancia posible.
Sí podemos diseñar sistemas limitados dentro de los cuales determinadas propiedades sean comprobables.
¿Esto demuestra que una superinteligencia es imposible?
No. Es probablemente la aclaración más importante de todo el debate. Una futura IA podría superar a los seres humanos en matemáticas, programación, medicina, traducción, planificación, logística o cualquier cantidad de actividades sin violar el teorema de Turing. Incluso podría superar a los humanos simultáneamente en casi todas esas áreas. Lo que no podría convertirse es en una máquina capaz de resolver correctamente todos los problemas computacionales posibles.
La diferencia entre “superinteligente” y “omnisciente” es enorme. La teoría de la computabilidad coloca límites al segundo concepto, pero no establece un techo conocido para el primero. De hecho, un artículo publicado en 2021 en el Journal of Artificial Intelligence Research utilizó precisamente estos principios para estudiar un escenario hipotético de superinteligencia. Sus autores concluyeron que, bajo determinadas hipótesis de universalidad computacional, tampoco sería posible construir un sistema general capaz de garantizar matemáticamente su contención en cualquier circunstancia.
La paradoja es interesante: los mismos resultados matemáticos que impiden imaginar una IA omnisciente también dificultan garantizar completamente el comportamiento de una IA extremadamente poderosa.
Tampoco significa que los humanos tengan una ventaja matemática
Hay otro malentendido frecuente. Los teoremas de Turing y Rice no demuestran que siempre necesitaremos seres humanos porque las personas puedan resolver aquello que las máquinas no pueden. Los problemas indecidibles tampoco tienen una solución general conocida para nosotros. Un matemático puede resolver determinados casos particulares del problema de la parada, exactamente igual que un programa puede hacerlo. Lo que no existe es un procedimiento infalible aplicable a todos los casos.
Por eso, el argumento científico para mantener supervisión humana en determinados usos de la IA no debería ser que “los humanos pueden resolver lo que la computadora no puede”.
La razón es más práctica: personas y sistemas automatizados poseen capacidades, fuentes de información y tipos de error diferentes, y en determinadas decisiones combinar ambos puede reducir riesgos.
Otro límite más cotidiano: las IA también inventan respuestas
Los problemas que actualmente encuentra un viajero al utilizar inteligencia artificial son mucho menos abstractos que el teorema de Turing. Un modelo puede inventar un restaurante que no existe, informar un horario desactualizado, confundir la ubicación de un hotel, recomendar una conexión aérea imposible o proporcionar requisitos migratorios incorrectos. Son las denominadas alucinaciones de los modelos generativos.
Un estudio publicado en Nature en abril de 2026 analizó matemáticamente algunos de los mecanismos que favorecen este fenómeno. Los investigadores encontraron que la propia lógica de predicción estadística utilizada durante el entrenamiento genera errores inevitables para determinados hechos poco representados en los datos. También observaron que las evaluaciones basadas exclusivamente en acertar respuestas pueden incentivar a los modelos a adivinar en lugar de reconocer incertidumbre.
Existen mecanismos para reducir considerablemente estos errores: búsqueda en fuentes externas, acceso a bases de datos, utilización de herramientas, verificación posterior y sistemas que permiten a la IA abstenerse de responder cuando no dispone de evidencia suficiente. Pero reducir un error no equivale a poder garantizar matemáticamente que nunca ocurrirá.
Y aquí aparece el turismo
La relación con los viajes es mucho más directa de lo que podría parecer. El turismo está convirtiéndose rápidamente en uno de los campos naturales de aplicación de la inteligencia artificial generativa. Una revisión publicada en Tourism Management en 2025 analizó 170 investigaciones científicas relacionadas con IA generativa, empresas y turismo, y encontró aplicaciones crecientes en recomendaciones personalizadas, atención al cliente, generación de contenidos, planificación y gestión turística.
La evolución previsible lleva un paso más allá del chatbot. El sistema no se limitará a responder: “¿Qué puedo visitar tres días en Tokio?”
Podrá recibir una instrucción mucho más compleja: “Organizame diez días en Japón con un presupuesto determinado, buscá vuelos, elegí hoteles cerca de estaciones, reservá restaurantes, comprá entradas, ajustá el itinerario según el clima y avisame si algún tren se cancela”.
Es el paso desde una IA que informa hacia una IA que actúa. Y cuanto mayor sea su autonomía, más importante se vuelve distinguir entre una respuesta plausible y una respuesta verificada.
Un error turístico puede tener consecuencias reales
La investigación ya comienza a medir ese problema. Un estudio publicado en enero de 2026 en el Journal of Consumer Behaviour realizó dos experimentos sobre alucinaciones de IA en itinerarios turísticos, con 1.004 participantes en el primero y 241 en el segundo.
Los resultados mostraron que los errores reducen la percepción de precisión; esa pérdida afecta posteriormente la utilidad percibida y la confianza en el sistema. Cuando una información equivocada generaba además consecuencias negativas visibles, disminuía aún más la intención de seguir las recomendaciones de la IA.
Otra investigación publicada en 2026 evaluó 4.800 respuestas turísticas producidas por tres plataformas de IA generativa, analizando precisión, objetividad, relevancia, exhaustividad, actualidad y facilidad de comprensión. El trabajo parte precisamente de una preocupación creciente por la fiabilidad de estas herramientas cuando intervienen en la planificación de viajes.
Y otro estudio de 2026 encontró, a través de seis experimentos con un total de 1.750 participantes, que una mayor frecuencia de alucinaciones aumenta la intención de abandonar el uso de la herramienta turística.
El problema no es únicamente tecnológico. Es también económico: la confianza será uno de los activos centrales de los futuros asistentes de viaje.
El asistente turístico del futuro probablemente verificará antes de responder
Todo esto permite anticipar un cambio importante. El futuro de la IA turística difícilmente consista simplemente en crear modelos cada vez mayores y esperar que “sepan todo”. La investigación actual apunta hacia sistemas que combinen distintos recursos.
Un asistente podría generar el itinerario mediante un modelo de lenguaje, pero verificar los vuelos en una base de datos aeronáutica; consultar inventario hotelero en tiempo real; obtener horarios ferroviarios directamente de los operadores; revisar requisitos migratorios en fuentes gubernamentales; utilizar cartografía actualizada para calcular desplazamientos; y comprobar clima, alertas o cierres antes de modificar el programa.
El modelo de lenguaje pasaría a funcionar como interfaz y coordinador, no necesariamente como depósito único de todos los conocimientos.
Esta evolución coincide con la literatura científica reciente sobre IA aplicada al turismo, que identifica simultáneamente un importante potencial de automatización y problemas todavía abiertos de fiabilidad, responsabilidad, privacidad y confianza.
También tendrá que aprender a decir “no sé”
Quizás una de las innovaciones más importantes sea menos espectacular. Una IA realmente útil para viajar deberá reconocer su incertidumbre. Ante la pregunta “¿este sendero está abierto hoy?”, la mejor respuesta puede no ser una descripción perfectamente redactada, sino:
“No tengo información suficientemente reciente; voy a consultar al organismo responsable”.
El trabajo publicado en Nature en 2026 señala precisamente que muchos sistemas actuales son evaluados de una manera que favorece arriesgar una respuesta antes que abstenerse. Los autores proponen modificar los incentivos para que equivocarse tenga un costo superior a reconocer incertidumbre.
En turismo, esa diferencia puede ser determinante. Una recomendación gastronómica equivocada puede ser una molestia. Un horario ferroviario incorrecto puede hacer perder una conexión.
Una información falsa sobre visados, condiciones meteorológicas de montaña o cierre de carreteras puede tener consecuencias bastante mayores.
La IA podrá organizar viajes cada vez más complejos, pero no prever todo
También existe un límite que no depende únicamente de la informática. El turismo opera en un mundo abierto y cambiante. Un vuelo puede cancelarse minutos después de haber sido reservado. Una tormenta puede cerrar una carretera. Un museo puede modificar inesperadamente sus horarios. Puede comenzar una huelga ferroviaria, producirse un incendio forestal o modificarse una norma migratoria.
Ninguna inteligencia necesita ser “defectuosa” para no conocer información que todavía no existe. Por eso el futuro probablemente no sea un itinerario perfecto generado una semana antes del viaje, sino un plan dinámico que se actualiza permanentemente.
La IA podrá optimizar y reaccionar más rápido que un viajero, pero necesitará permanecer conectada con fuentes externas que describan lo que está ocurriendo.
Turing no anunció el fracaso de la inteligencia artificial
La conclusión más interesante del trabajo de Alan Turing no es que las máquinas estén condenadas a ser limitadas mientras los seres humanos conservan alguna capacidad misteriosa. Es mucho más universal.
Todo sistema computacional tiene límites. Una IA puede llegar a descubrir medicamentos, escribir programas extraordinariamente complejos, diseñar nuevos materiales, organizar redes logísticas gigantescas y planificar un viaje mundial minuto a minuto.
Y aun así existirán problemas que ningún algoritmo general podrá resolver. La potencia y la omnisciencia no son lo mismo.
Para el turismo, esa diferencia puede resultar especialmente importante durante los próximos años. La inteligencia artificial probablemente automatizará buena parte de las tareas que hoy realiza un viajero antes y durante un viaje: buscar, comparar, reservar, traducir, navegar, modificar planes y resolver incidencias.
Pero la herramienta más sofisticada no será necesariamente la que responda más preguntas.
Puede ser aquella que distinga qué sabe, qué puede verificar y qué debería comprobar antes de tomar una decisión.
Casi noventa años después del trabajo de Turing, esa antigua frontera matemática adquiere así una consecuencia extremadamente práctica: la IA del futuro podrá convertirse en un extraordinario compañero de viaje, pero no en un oráculo infalible.
Deja un comentario