En el marco de la Semana de la Ciencia 2026, investigadores del instituto explicaron qué es la argumentación computacional y su relevancia en la era de la IA.
En una sala con cerca de 35 asistentes entre estudiantes, docentes y personal de CONICET, el Instituto de Ciencias e Ingeniería de la Computación (ICIC) llevó adelante la charla “Importancia de la Argumentación en la Época de la Inteligencia Artificial”, este miércoles 7 de octubre en la Sala de Conferencias del DCIC, Campus Palihue.
La charla se desarrolló en el marco de la Semana de la Ciencia y la Tecnología 2026, una actividad de divulgación científica orientada a acercar el trabajo de investigación del CONICET a la comunidad. En la introducción, la Dra. Elsa Estevez, directora del ICIC, destacó la importancia de comunicar las actividades científicas y tecnológicas que se realizaban en las instituciones de investigación y señaló que la inversión en ciencia y tecnología contribuye al desarrollo del país y de la sociedad.
En la primera parte de la exposición, el Dr. Yamil Soto planteó la pregunta: “¿Qué es la inteligencia artificial?”. Se señaló que, en la actualidad, muchas personas asocian la inteligencia artificial principalmente con sistemas como ChatGPT, Claude o Gemini y con el surgimiento de estas tecnologías alrededor de 2022. Sin embargo, se explicó que la inteligencia artificial ha estado presente en numerosas aplicaciones de uso cotidiano desde mucho tiempo antes.
Entre los ejemplos mencionados se encontraron los sistemas de búsqueda y los traductores automáticos, así como los sistemas de recomendación utilizados por plataformas como Spotify y Netflix. Se explicó que estos últimos analizaban las interacciones de los usuarios con los contenidos para realizar nuevas recomendaciones. También se presentó el GPS como ejemplo de un problema de inteligencia artificial relacionado con la determinación de rutas entre un punto de partida y uno de llegada, considerando variables como la distancia, el tiempo de recorrido o el tráfico. Se señaló que este tipo de técnicas podía utilizarse como componente de sistemas más complejos, como aspiradoras autónomas, vehículos autónomos o drones destinados a actuar en situaciones de emergencia.
También se mencionaron aplicaciones de inteligencia artificial en medicina, particularmente en tareas relacionadas con la prevención y detección del cáncer y en sistemas de reconocimiento facial. Estos ejemplos se utilizaron para mostrar que la IA no surgió con los actuales modelos de lenguaje, sino que lleva varias décadas formando parte de diferentes tecnologías.
Para contextualizar la disciplina a nivel histórico, se hizo referencia al trabajo de Alan Turing de 1950, donde el científico se planteó la pregunta de si las máquinas podían pensar. También se mencionó la Conferencia de Dartmouth de 1956, en la que John McCarthy propuso el nombre “inteligencia artificial”, destacando su importancia no solo por la definición del nombre que se sigue utilizando hoy en día, sino porque el trabajo realizado en esa época sigue influyendo en buena parte de la investigación y el desarrollo que se realizan en inteligencia artificial en la actualidad.
A partir de esta perspectiva histórica, se propuso una definición de inteligencia artificial basada tanto en las reflexiones de los expositores como en la definición utilizada por McCarthy. Se explicó que la IA había sido concebida como una ciencia y una ingeniería orientadas a comprender y construir sistemas computacionales inteligentes. También se señaló que, como área amplia del conocimiento, comprendía diferentes disciplinas, entre ellas los sistemas multiagente, los agentes inteligentes, el aprendizaje automático, la representación del conocimiento y el razonamiento automático.
Posteriormente, la exposición se centró en algunos de los impactos de la inteligencia artificial y en la necesidad de analizar sus aplicaciones más allá de sus beneficios inmediatos. Se destacó que los sistemas de inteligencia artificial podían presentar problemas y producir resultados no deseados, especialmente cuando reproducían sesgos presentes en los datos utilizados para entrenarlos o en los procesos humanos sobre los cuales habían sido construidos. Como ejemplo se presentó el sistema COMPAS, utilizado en Estados Unidos en el ámbito judicial para estimar la probabilidad de reincidencia. Se hizo referencia a investigaciones que habían identificado diferencias en sus resultados asociadas con características raciales, y se utilizó este caso para mostrar que la utilización de sistemas computacionales no garantizaba por sí misma que las decisiones fueran objetivas o imparciales.
También se mencionaron aplicaciones en ámbitos como el militar y se destacó que una misma tecnología podía tener usos muy diferentes según el contexto en el que fuera aplicada. Estos ejemplos permitieron introducir la necesidad de analizar las capacidades, limitaciones y consecuencias de los sistemas desde una perspectiva científica y crítica.
A continuación, el Dr. Diego Orbe abordó la cuestión de cómo se hace investigación en inteligencia artificial. Se explicó que investigar implica realizar un trabajo creativo y sistemático destinado a incrementar el conocimiento, donde la creatividad es fundamental para formular nuevas ideas y soluciones. También se destacó la importancia de la creatividad para formular nuevas ideas y soluciones, pero también la necesidad de trabajar de manera sistemática y rigurosa. En este sentido, se señaló que una investigación debe partir de un problema, considerar los conocimientos y soluciones existentes, identificar sus limitaciones, proponer una alternativa y evaluar rigurosamente los resultados obtenidos. Además, se explicó que la investigación científica implica comunicar los resultados y someterlos a evaluación por parte de otros investigadores. De esta manera, el proceso de investigación es una actividad que no se limita a desarrollar una solución, sino que también implica la justificación, evaluación y demostración del aporte al conocimiento existente.
En la segunda parte de la charla se presentó la argumentación computacional como un área concreta de la inteligencia artificial en la que trabajaban los expositores. El Lic. Manuel Lagos explicó que la argumentación computacional se ocupa de representar y analizar argumentos mediante herramientas computacionales. Los argumentos permiten expresar razones a favor o en contra de determinadas afirmaciones y, mediante las relaciones entre ellos, representar situaciones en las que podían existir diferentes posiciones, objeciones o conflictos. Estas capacidades resultan particularmente importantes porque muchos problemas reales involucran información incompleta, incierta o contradictoria, donde la mera recuperación de información no es suficiente, sino que es necesario considerar diferentes razones, evaluar argumentos y analizar las relaciones entre ellos. La argumentación computacional permite, en este sentido, representar situaciones en las que algunos argumentos apoyan determinadas conclusiones mientras otros las cuestionan.
También se explicó que la argumentación puede utilizarse para representar procesos de diálogo. En una discusión, una persona puede presentar una afirmación, otra puede formular una objeción y la primera puede responder mediante un nuevo argumento. Estos intercambios pueden modelarse computacionalmente mediante relaciones de apoyo y ataque entre argumentos. Esta perspectiva permite estudiar problemas relacionados con la toma de decisiones, el razonamiento jurídico, los sistemas de recomendación y el análisis de información contradictoria.
Finalmente, la última parte de la exposición estuvo dedicada a la relación entre la argumentación y el lenguaje natural. El Dr. Federico Schmidt señaló que identificar argumentos en textos en lenguaje natural es una tarea compleja porque no basta con reconocer las palabras utilizadas, sino que es necesario determinar cuáles son las premisas, las conclusiones y las relaciones entre estos componentes. Se explicó que una parte de la información relevante puede encontrarse implícita y que, para reconstruir correctamente un argumento, puede ser necesario utilizar información contextual y conocimiento del mundo.
También se analizaron diferentes dimensiones desde las cuales los argumentos pueden ser evaluados, mencionando aspectos asociados a la lógica del argumento, su validez frente a otros argumentos y su adecuación al contexto y a los interlocutores. De esta manera, se mostró que determinar la calidad de un argumento no constituye necesariamente un problema exclusivamente lógico, sino que también depende del contexto y de la interacción en la que dicho argumento aparece.
Para concluir, se abordó la generación automática de argumentos y su relación con los actuales modelos de lenguaje. Se señaló que estos modelos han incrementado considerablemente la capacidad de los sistemas para producir textos argumentativos fluidos y aparentemente convincentes. Sin embargo, también se destacó que la capacidad de generar textos plausibles no implica necesariamente que los argumentos producidos fueran correctos, consistentes o bien fundamentados, lo que plantea nuevos desafíos relacionados con la evaluación de los argumentos generados y con la confiabilidad de los sistemas de inteligencia artificial en general.
Como conclusión, la charla destacó que el avance de la inteligencia artificial había generado nuevas posibilidades, pero también nuevos desafíos que requieren investigación. Se planteó que, a medida que los sistemas de IA adquieren una mayor capacidad para generar información, interactuar con personas y participar en procesos de recomendación o toma de decisiones, cobra mayor importancia el análisis de las razones que sustentan sus resultados.
En este contexto, se presentó la argumentación computacional como un área particularmente relevante para el desarrollo de sistemas de inteligencia artificial capaces de trabajar con razones, evidencias, objeciones, conclusiones y conflictos. La exposición puso de manifiesto que, frente a sistemas capaces de producir respuestas cada vez más convincentes, no solo resulta necesario conocer qué respuestas proporcionan, sino también poder analizar qué razones sustentan dichas respuestas, qué argumentos pueden cuestionarlas, qué información fue utilizada y cuáles son las limitaciones de estos sistemas.