La fórmula más citada se atribuye a Larry Tesler, hacia 1970: «AI is whatever hasn't been done yet» [«la IA es lo que todavía no se hizo»]. Según el propio Tesler, lo que dijo fue un poco distinto: la inteligencia es lo que las máquinas todavía no hicieron. M. Mitchell (2019) recoge el lamento de John McCarthy: «As soon as it works, no one calls it AI anymore» [«en cuanto funciona, nadie lo llama IA», trad. propia] (2019, ch. 3).
El caso de manual es el ajedrez. En 1950 Claude Shannon anticipó que una máquina que jugara mejor que los humanos nos obligaría a admitir el pensamiento mecánico o a restringir nuestro concepto de pensar. Después de Deep Blue pasó lo segundo: jugar ajedrez dejó de parecer una prueba de inteligencia general (2019, ch. 9). Lo mismo ocurrió con el reconocimiento de caracteres, los filtros de spam, la traducción automática y, para algunos, con la conversación fluida.
Hay dos lecturas. La primera es defensiva: cada logro se descalifica porque amenaza la excepcionalidad humana. Buckner (2024) denuncia a quienes mueven el arco una vez que las máquinas lo superan, a veces «en tiempo real» (2024, pp. 88, 281), y Santelli (2026) describe la misma maniobra en la discusión sobre los LLMs: cuando lo imposible se vuelve posible, se exige algo más. La segunda lectura ve un aprendizaje legítimo. Para Chollet (2019), el ajedrez enseñó que una tarea puede resolverse con atajos ajenos a la cognición humana: la destreza en una tarea no era inteligencia, y descubrirlo fue un avance conceptual, no una excusa (2019, sec. II.1.1) (ver medir la inteligencia).
El efecto IA tiene su espejo en el efecto ELIZA, que atribuye de más en lugar de atribuir de menos. Entre ambos se mueve el debate sobre la IAG: ¿cuándo revisar un concepto tras un logro técnico es aprender algo sobre la inteligencia, y cuándo es una racionalización para no tener que atribuírsela a una máquina?