Por qué la Web Semántica fracasó (y por qué la IA enfrenta el mismo problema)

Hace más de veinte años, Clay Shirky publicó un ensayo breve pero demoledor. Su blanco: la visión grandilocuente de la Web Semántica que promueve el W3C. La conclusión de Shirky era simple pero profunda: la Web Semántica era, en esencia, una máquina para crear silogismos. Y los silogismos, por muy elegantes que sean en teoría, no funcionan en el mundo real.

El problema con la lógica perfecta

Aristóteles nos dejó el ejemplo clásico:

• Los humanos son mortales
• Los griegos son humanos
• Por lo tanto, los griegos son mortales

Limpio. Lógico. Completamente inútil para la mayoría de las situaciones reales.

Shirky ilustró el problema con un ejemplo personal. Si sabes que "Clay Shirky es el creador de shirky.com" y que "El creador de shirky.com vive en Brooklyn", puedes deducir que vive en Brooklyn. Pero si ahora combinas eso con "Las personas que viven en Brooklyn hablan con acento de Brooklyn", llegarás a la conclusión —incorrecta— de que Shirky pronuncia "shirky.com" como "shoiky.com".

El problema no es la lógica. El problema es que el mundo real no se organiza en afirmaciones limpias y universalmente verdaderas esperando ser recombinadas.

Lo que realmente pasó

La Web Semántica, tal como se imaginó originalmente, nunca se materializó de forma significativa. RDF, OWL y el resto del stack semántico se convirtieron en curiosidades académicas y herramientas de integración empresarial. No en el marco universal para el razonamiento automático que Tim Berners-Lee imaginó. Las predicciones grandiosas sobre razonamiento automático "ubicuo y devastadoramente poderoso" se desvanecieron.

Pero lo interesante es que la tensión fundamental que identificó Shirky nunca desapareció. Solo mudou a otro escenario.

El renacimiento moderno

Hoy estamos viviendo otra ola de optimismo sobre el razonamiento automático, esta vez impulsada por large language models y redes neuronales en lugar de lógica simbólica. Las promesas son familiares: sistemas de IA que pueden analizar cantidades masivas de datos, extraer insights y hacer conexiones que los humanos no podrían ver.

Algunas cosas cambiaron. Los LLMs modernos no dependen de deducción silogística formal. Funcionan a través de reconocimiento de patrones estadísticos a escala masiva, produciendo resultados impresionantes que a menudo se sienten como "comprensión". Sin embargo, el desafío fundamental que identificó Shirky persiste: ¿cómo manejas conocimiento que es parcial, contextual, o simplemente incorrecto?

Cuando un LLM afirma con confianza algo que suena plausible pero no es cierto, no está cometiendo un error lógico. Está reflejando la realidad desordenada de que el texto generado por humanos contiene contradicciones, suposiciones culturales, información obsoleta y ficción pura —todo mezclado. El "conocimiento" no está organizado de forma limpia. Nunca lo estuvo.

El camino intermedio de los Knowledge Graphs

Curiosamente, los sucesores prácticos de la visión de la Web Semántica no son semánticos en absoluto —son probabilísticos. El Knowledge Graph de Google, que impulsa muchas de sus funciones de búsqueda, no razona sobre afirmaciones formales. Mantiene una vasta base de datos de entidades y relaciones, pero se construye y mantiene a través de machine learning, curación humana y actualización constante. Es útil precisamente porque no intenta ser lógicamente puro.

Este enfoque —pragmático, desordenado, constantemente validado contra la realidad— ha demostrado ser mucho más valioso que la Web Semánticamente pura que se imaginó alguna vez.

Lo que Shirky tenía razón

La idea central sigue vigente: el razonamiento deductivo, ya sea implementado a través de lógica formal o redes neuronales que la imitan, lucha con la brecha entre cómo se representa realmente el conocimiento y cómo realmente es verdadero.

Sherlock Holmes de Conan Doyle nos dijo que la mente brillante elimina lo imposible y llega a la verdad inevitable. Pero la mayor parte del "conocimiento" del mundo real no funciona así. Es parcial. Es contextual. Está cargado de suposiciones implícitas que no se transfieren entre dominios.

Los sistemas de IA que realmente han transformado industrias —desde motores de recomendación hasta herramientas de traducción pasando por completion de código— no lo han logrado dominando el razonamiento silogístico. Lo han logrado encontrando patrones útiles en datos desordenados, aceptando la incertidumbre y equivocándose algunas veces sin explotar.

La lección para los constructores de hoy

Si estás construyendo con IA hoy, el ensayo de Shirky sigue siendo lectura esencial —no porque haya predicho el futuro, sino porque diagnosticó un desafío fundamental que persiste sin importar la tecnología de moda.

La pregunta no es si las máquinas pueden razonar. Pueden, de formas específicas. La pregunta es si el conocimiento con el que estás trabajando está organizado de manera que soporte el tipo de razonamiento que intentas hacer.

La mayor parte del tiempo, no lo está. Y eso no es un bug a corregir —es una característica de cómo funciona realmente el conocimiento.

El fracaso de la Web Semántica no fue un fracaso de ambición. Fue un fracaso de comprensión: el conocimiento humano es fundamentalmente diferente de lo que la lógica formal necesita que sea. Las herramientas que han tenido éxito desde entonces han sido las que aceptaron esa realidad y trabajaron con ella, no contra ella.

Ese es el verdadero legado del ensayo de Shirky de 2003: no una predicción sobre RDF u OWL, sino un recordatorio de que la inteligencia —en máquinas y humanos— no funciona como nuestras intuiciones nos dicen que debería.