Pensar, saber y actuar eficazmente no son lo mismo. Se puede resolver sin comprender. La inteligencia puede ser funcional, no consciente. El «no-pensamiento» puede tener poder operativo.
Introducción
El título de la presente nota nos puede sorprender, y no es para menos. Ocurre que el documento «La IA del ajedrez no conoce el ajedrez: La muerte de la estrategia de Tipo B y sus implicaciones filosóficas» (2024) de Spyridon Kakos no es propiamente un informe experimental clásico, sino un ensayo técnico-filosófico sobre ajedrez, inteligencia artificial y conocimiento.
YOUR EASY ACCESS TO OPENING THEORY: Whether you want to build up a reliable and powerful opening repertoire or find new opening ideas for your existing repertoire, the Opening Encyclopaedia covers the entire opening theory on one product.
YOUR EASY ACCESS TO OPENING THEORY
Be well prepared with the new Opening Encyclopaedia 2026! Whether you want to build up a reliable and powerful opening repertoire or find new opening ideas for your existing repertoire, the Opening Encyclopaedia covers the entire opening theory on one product and is the ideal start for your opening training. Many new articles enrich the current theory with new or revisited ideas. The Encyclopaedia can help you learn openings quickly and give you a head start on your next opponent. Each article contains explanations and annotated games illustrating typical plans to deepen your understanding.
Entiendo que su tesis central es provocadora: los motores modernos de ajedrez, incluso cuando juegan a nivel sobrehumano, no saben ajedrez en sentido humano, porque no comprenden principios, planes, significados ni intenciones; simplemente producen jugadas eficaces mediante cálculo, búsqueda estadística y aprendizaje automático. ¡Hasta hoy creíamos que las máquinas sabían o comprendían lo que hacían sobre el tablero! Veamos en qué consiste este estudio.
El autor —conocido también como Spyro Kakos— toma como eje histórico la distinción propuesta por Claude Shannon entre dos estrategias de programación ajedrecística: la estrategia Tipo A, basada en fuerza bruta y exploración masiva de variantes, y la estrategia Tipo B, orientada a imitar la selección humana de jugadas plausibles. El texto sostiene que la historia de la inteligencia artificial ajedrecística terminó favoreciendo la primera vía, aunque hoy aparezca disfrazada de sofisticación neuronal o estadística.
Breve base histórica
Claude Shannon y las dos estrategias de programación:
Estrategia Tipo A
Búsqueda exhaustiva
Cálculo de variantes
Minimax y poda alfa-beta
Estrategia Tipo B
Selección de jugadas plausibles
Inspiración en el pensamiento humano
Mayor profundidad con menor número de líneas
El autor
El doctor Spyridon Kakos es un autor, investigador y divulgador griego vinculado al ámbito de la filosofía de la ciencia, la relación entre ciencia y religión, la epistemología y, más recientemente, la reflexión filosófica sobre la inteligencia artificial y el ajedrez.
Es doctor por la National Technical University of Athens, en el área de Ingeniería Química, con investigación doctoral relacionada con el uso de polímeros conductores en la industria de circuitos impresos. También se presenta con formación en Ingeniería Química, Tecnología de Materiales Avanzados y Decisiones en la Ciencia.
Además, Kakos es un prolífico autor diverso en sus áreas de acción. Mantiene el proyecto Harmonia Philosophica, donde publica ensayos filosóficos sobre ciencia, metafísica, epistemología, pensamiento crítico, religión, inteligencia artificial y otros temas de vanguardia. En plataformas académicas como PhilPeople/PhilArchive aparece asociado a publicaciones sobre filosofía de la ciencia, astronomía, principio copernicano, materialismo, conocimiento e inteligencia artificial
Marco teórico
El marco teórico se organiza alrededor de tres ideas. La primera es la tradición computacional inaugurada por Shannon, donde el ajedrez se convierte en un problema de búsqueda dentro de un árbol de posibilidades. El algoritmo Minimax, inspirado en la teoría de juegos de Von Neumann, permite seleccionar jugadas alternando la maximización y minimización de la evaluación posicional. Esta lógica dio base a los motores clásicos.
La segunda idea es la oposición entre cálculo exhaustivo y selección inteligente. Botvinnik y otros pioneros intentaron construir programas que razonaran de forma más parecida a un maestro humano, seleccionando líneas relevantes por criterios posicionales, trayectorias, zonas de ataque y defensa. Sin embargo, estos sistemas eran vulnerables: si omitían una jugada crítica, podían cometer errores graves. Por eso, la fuerza bruta optimizada mediante poda alfa-beta y mejoras de evaluación se impuso históricamente.
La tercera idea aparece con AlphaZero. Según el autor, AlphaZero parece acercarse a la estrategia Tipo B porque no analiza todo indiscriminadamente, sino que explora las variantes más prometedoras mediante redes neuronales y búsquedas Monte Carlo.
In this course, we will learn how to identify passively placed pieces in any given situation and how to improve their health by bringing them into active squares.Sin embargo, el punto filosófico es que AlphaZero no selecciona jugadas porque entienda principios ajedrecísticos, sino porque, tras millones de partidas contra sí mismo, aprende relaciones estadísticas entre posiciones, jugadas y resultados. La investigación original de DeepMind describe justamente a AlphaZero como un sistema capaz de alcanzar rendimiento sobrehumano desde el juego aleatorio y sin conocimiento de dominio salvo las reglas.
Imagen (IA): Uvencio Blanco
Desarrollo de los motores de ajedrez
Triunfo de la fuerza computacional:
Los programas selectivos cometían errores por omisión
La fuerza bruta se volvió viable con mejores procesadores
Deep Blue simbolizó el poder de la búsqueda masiva y la evaluación especializada
AlphaZero como caso crítico
Aprendizaje sin conocimiento humano explícito
Aprende mediante el autojuego
Usa redes neuronales y Monte Carlo Tree Search
No depende de principios ajedrecísticos programados
Puede descubrir estilos no convencionales
Resultados
El principal hallazgo argumental de esta investigación es que la inteligencia artificial puede producir excelencia funcional sin comprensión conceptual.
AlphaZero, Stockfish y otros motores pueden recomendar jugadas extraordinarias, sacrificar material, romper principios clásicos de apertura o encontrar planes profundos, pero no lo hacen porque conozcan categorías humanas como iniciativa, debilidad, profilaxis, compensación o armonía. Lo hacen porque sus modelos internos correlacionan posiciones con probabilidades de éxito.
La IA ajedrecística juega mejor que el ser humano, pero no necesariamente «sabe» ajedrez porque no posee conciencia del juego, no comprende principios estratégicos en sentido humano y produce eficacia sin significado interno explícito.
El autor interpreta esto como la muerte de la estrategia Tipo B en su sentido original. No hemos conseguido construir una máquina que piense como un maestro humano; más bien hemos construido sistemas que superan al maestro humano sin pensar como él. En este punto, el PDF conecta con la psicología cognitiva: el ajedrecista humano reconoce patrones, fragmenta información, usa memoria a largo plazo, formula hipótesis y elabora planes. La IA, en cambio, puede producir resultados superiores sin pasar por esa experiencia consciente ni por una pedagogía de conceptos.
También se destaca la paradoja de que un algoritmo general pueda triunfar en ajedrez, Go y shogi. Esto sugiere que su fuerza no depende de una comprensión específica de cada juego, sino de un mecanismo abstracto de aprendizaje por refuerzo, autojuego y optimización estadística.
Conclusiones
La conclusión más importante del texto es filosófica: jugar bien no equivale necesariamente a saber. En ajedrez, una máquina puede encontrar la mejor jugada sin comprender qué es el ajedrez. Esto obliga a distinguir entre rendimiento, inteligencia, conocimiento, conciencia y comprensión.
El doctor Kakos advierte que esta situación no se limita al ajedrez. La IA podría escribir, diagnosticar, pintar, analizar datos o resolver problemas sin saber, en el sentido humano, qué está haciendo. El rendimiento externo podría engañarnos, haciéndonos confundir eficacia con pensamiento.
You will learn how Black's dynamic piece activity and structural counterplay more than compensate for White's extra tempo in the colour-reversed setups.
The Benoni family of openings has toppled world champions, decided match games under the highest pressure, and rewarded those brave enough to play them with some of the most electrifying chess imaginable. In this Fritztrainer, Grandmaster Ivan Sokolov - continuing his successful series "Understanding Middlegame Structures" - takes you deep inside the complexities of the Colour-Reversed Benoni, the Colour-Reversed Benko Gambit, and the Colour-Reversed Blumenfeld Gambit.
Free sample video: Introduction
Free sample video: Colour Reversed Banoni - Game 1
Sin embargo, el texto también sugiere una lectura más inquietante: quizá los seres humanos tampoco comprenden siempre de manera explícita cómo piensan. La intuición, la creatividad, los descubrimientos súbitos y la experiencia experta podrían tener zonas de no-pensamiento semejantes a procesos opacos, no verbalizados y no plenamente conscientes.
Implicaciones cognitivas
Diferencia entre mente humana e IA
El humano usa patrones, memoria, intuición y conceptos
La IA usa correlaciones, evaluaciones internas y optimización
El rendimiento no prueba comprensión
Implicaciones filosóficas
Pensar, saber y actuar eficazmente no son lo mismo
Se puede resolver sin comprender
La inteligencia puede ser funcional, no consciente
El no-pensamiento puede tener poder operativo
Impacto educativo y deportivo
Nuevo papel del entrenador
No enseñar solo la jugada del motor
Traducir la recomendación algorítmica a lenguaje humano
Proteger la autonomía cognitiva del jugador
Usar la IA como laboratorio, no como sustituto del pensamiento
Imagen (IA): Uvencio Blanco
Importancia e impacto
Estimo que esta investigación es importante porque nos obliga a repensar el entrenamiento ajedrecístico de alto rendimiento en la era de la IA. Los motores no deben ser vistos solo como oráculos de jugadas, sino como herramientas que desafían nuestras categorías pedagógicas. Si una máquina gana sin conceptos humanos, el entrenador debe preguntarse qué sigue siendo irrenunciablemente humano: comprensión, explicación, transferencia, ética, creatividad, control emocional y sentido estratégico.
Finalmente, considero que su impacto también alcanza la filosofía de la IA: el ajedrez deja de ser solo un laboratorio técnico y se convierte en un espejo de nuestra propia idea de inteligencia. Inclusive, la pregunta ya no es si la IA puede ganar, sino si ganar significa comprender.
Referencias bibliográficas
EXPAND YOUR CHESS HORIZONS
Data, plans, practice – the new Opening Report In ChessBase there are always attempts to show the typical plans of an opening variation. In the age of engines, chess is much more concrete than previously thought. But amateurs in particular love openings with clear plans, see the London System. In ChessBase ’26, three functions deal with the display of plans. The new opening report examines which piece moves or pawn advances are significant for each important variation. In the reference search you can now see on the board where the pieces usually go. If you start the new Monte Carlo analysis, the board also shows the most common figure paths.
Blanco, Hernández, U. El ajedrez en la sociedad del conocimiento. ChessBase. 28/04/2026.
Blanco, Hernández, U. Impacto de la inteligencia artificial sobre el ajedrez. ChessBase. 11/11/2022.
Blanco – Hernández, U. Inteligencia artificial, drosophilos y ajedrez. ChessBase. 14/10/2022.
Campbell, M., Hoane, A. J., Jr., & Hsu, F.-h. (2002). Deep Blue. Artificial Intelligence, 134 (1–2), 57–83. https://doi.org/10.1016/S0004-3702(01)00129-1
Chase, W. G., & Simon, H. A. (1973). Perception in chess. Cognitive Psychology, 4 (1), 55–81. https://doi.org/10.1016/0010-0285(73)90004-2
Czech, J., Korus, P., & Kersting, K. (2020). Monte-Carlo graph search for AlphaZero. arXiv. https://doi.org/10.48550/arXiv.2012.11045
De Groot, A. D. (1978). Thought and choice in chess (2nd ed.). Mouton.
Gobet, F., & Simon, H. A. (1996). Templates in chess memory: A mechanism for recalling several boards. Cognitive Psychology, 31 (1), 1–40. https://doi.org/10.1006/cogp.1996.0011
Hsu, F.-h. (2002). Behind Deep Blue: Building the computer that defeated the World Chess Champion. Princeton University Press.
Kakos, S. (2024). La IA del ajedrez no conoce el ajedrez: la muerte de la estrategia tipo B y sus implicaciones filosóficas.
Newell, A., Shaw, J. C., & Simon, H. A. (1958). Chess-playing programs and the problem of complexity. IBM Journal of Research and Development, 2 (4), 320–335. https://doi.org/10.1147/rd.24.0320
Shannon, C. E. (1950). Programming a computer for playing chess. Philosophical Magazine, 41 (314), 256–275. https://doi.org/10.1080/14786445008521796
Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifre, L., Kumaran, D., Graepel, T., Lillicrap, T., Simonyan, K., & Hassabis, D. (2017). Mastering chess and shogi by self-play with a general reinforcement learning algorithm. arXiv. https://doi.org/10.48550/arXiv.1712.01815
Recursos digitales
Self-play. Science, 362 (6419), 1140–1144. https://doi.org/10.1126/science.aar6404
https://arxiv.org/abs/1712.01815 Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm
https://harmoniaphilosophica.com/spyridon-kakos/ Spyridon Kakos
https://philarchive.org/rec/KAKCAD Spyridon Kakos, Chess AI does not know chess
https://github.com/skakos Spyridon Kakos skakos
Amigo lector: Te invito a participar en mi canal de YouTube, Ajedrez, cultura y educación, donde hacemos viral el conocimiento. ¡Te esperamos!
.jpeg)
.jpeg)