Python, el lenguaje de la inteligencia artificial
Python es el lenguaje en el que se escribe la inteligencia artificial, y casi no ejecuta el trabajo pesado. Las operaciones que consumen el cómputo corren en C, C++ y CUDA dentro de bibliotecas compiladas, y Python es la capa desde la que se ordenan. Eso le permite ser fácil de leer sin pagar el precio en velocidad, y explica por qué se impuso en un campo donde la mayoría de quienes programan son investigadores más que ingenieros de software.
Qué dicen los rankings
Python encabeza el índice TIOBE de septiembre de 2026 con un 17,76 %, por delante de C y C++. La misma edición registra una caída de 8,22 puntos respecto al año anterior, cuando marcaba un 26,98 %.
En GitHub la foto es distinta y merece contarse entera. El informe Octoverse de 2025 sitúa a TypeScript en el primer puesto por número de contribuyentes, adelantando por primera vez a Python y a JavaScript. Python queda segundo con 2,6 millones de contribuyentes, tras sumar unos 850.000 en un año.
El mismo informe deja claro dónde sigue mandando: "Python remains dominant for AI and data science workloads", y cifra en 582.196 los nuevos repositorios de IA que usan Python, cerca de la mitad del total, con un crecimiento del 50,7 % interanual.
La encuesta de Stack Overflow de 2025 lo coloca tercero en uso general, con un 51 %, por detrás de JavaScript (62 %) y de HTML y CSS (53 %), y primero en la lista de lenguajes que los desarrolladores quieren usar.
Resumido: en programación general Python compite, y en inteligencia artificial no tiene rival.
La razón técnica que casi nadie explica
Cuando un modelo entrena, Python no multiplica matrices: le dice a otra cosa que las multiplique.
Las bibliotecas que sostienen el campo tienen el núcleo escrito en lenguajes compilados y exponen una interfaz en Python. NumPy hace sus operaciones en C. PyTorch ejecuta en C++ y en CUDA sobre la GPU. La propia documentación de PyTorch describe su interfaz de C++ como "una interfaz pura de C++ que sigue el diseño y la arquitectura del frontend de Python ya establecido": el orden de la frase dice mucho, porque el frontend de Python es el original y el de C++ vino después.
Ese reparto tiene una consecuencia práctica. La lentitud de Python como lenguaje interpretado apenas importa, porque el tiempo se va dentro de las bibliotecas compiladas, no en el código que escribe la persona. Se paga la comodidad de Python solo en la parte que no consume tiempo.
Las seis razones, ordenadas por peso
| Razón | Qué significa |
|---|---|
| Es una capa de coordinación | El cómputo vive en C, C++ y CUDA; Python orquesta. La penalización de velocidad cae donde no duele |
| El ecosistema llegó antes | NumPy, pandas y scikit-learn ya estaban maduros cuando explotó el aprendizaje profundo |
| Lo escriben investigadores | Gente de matemáticas, física o estadística, no ingenieros de software. La sintaxis legible baja la barrera |
| Los cuadernos | Jupyter permite ejecutar por partes y ver resultados intermedios, que es como se investiga |
| El efecto red | Cada paper publica su código en Python, y el siguiente paper parte de ese código |
| Los proveedores lo asumen | Anthropic, OpenAI, Google y xAI publican su SDK de Python primero, y el resto después |
La quinta razón es la más difícil de romper. Un lenguaje técnicamente superior tendría que reconstruir veinte años de bibliotecas, tutoriales, respuestas en foros y código de artículos científicos. Nadie ha encontrado un motivo lo bastante grande para pagar eso.
Cronología
De un lenguaje de scripting al estándar de la IA
- 1991Guido van Rossum publica la primera versión de Python
- 2006Nace NumPy y unifica el cálculo numérico en Python
- 2008pandas empieza a estandarizar el trabajo con datos tabulares
- 2010Primera versión pública de scikit-learn
- 2015Google libera TensorFlow
- 2016Meta publica PyTorch, que se impone en investigación
- 2018Aparece JAX para cálculo diferenciable de alto rendimiento
- 2019Hugging Face publica la biblioteca transformers
- 2022ChatGPT dispara la demanda y el ecosistema Python crece con ella
- 2025Python encabeza TIOBE y suma casi la mitad de los repositorios nuevos de IA en GitHub
Dónde no se usa Python
En inferencia a gran escala, cuando cada milisegundo cuesta dinero, el servicio final se escribe en C++, en Rust o en Go, y el modelo se exporta a un formato que no necesita Python. En el navegador manda JavaScript o TypeScript. En móvil, Swift y Kotlin. Y en los propios núcleos de las bibliotecas, C++ y CUDA.
Hay además un movimiento reciente que apunta en otra dirección. El informe Octoverse de 2025 atribuye el ascenso de TypeScript al desarrollo asistido por IA: los lenguajes con tipos estrictos dan restricciones más claras a un modelo que genera código, y eso se traduce en menos errores. Si esa tendencia se consolida, el reparto podría cambiar en la parte de aplicación, aunque el núcleo científico seguiría donde está.
Qué significa esto para una empresa
Depende de si vas a consumir IA o a construirla.
Si tu plan es integrar modelos de terceros en tus procesos, no necesitas Python. Las APIs se llaman desde cualquier lenguaje, y buena parte del trabajo se resuelve con integraciones y automatizaciones que ya hablan con tu ERP o tu CRM.
Si vas a construir sobre modelos, procesar datos propios, montar un RAG o ajustar un modelo abierto, entonces el equipo va a trabajar en Python, y conviene saberlo antes de contratar.
Hay un punto intermedio que aparece mucho en pymes: alguien del equipo, sin perfil de programador, aprende lo justo para automatizar informes o limpiar datos. Ese es probablemente el mejor retorno por hora de formación que existe hoy en una empresa pequeña.
Fuentes
- TIOBE Index, edición de septiembre de 2026
- GitHub Octoverse 2025, informe anual
- Stack Overflow Developer Survey 2025, tecnología
- PyTorch, características y frontend de C++
- NumPy, sitio oficial
- Python, sitio oficial
Si lo que te interesa es la parte de programar con ayuda de IA, sigue por cuál es la mejor IA para programar y qué es el vibe coding. Si prefieres el lado de negocio, mira automatizar procesos administrativos con IA o cuéntanos tu caso.
Preguntas frecuentes
¿Python es lento?
Como lenguaje, sí comparado con C o Rust. En IA da igual, porque el cálculo pesado ocurre dentro de bibliotecas compiladas y en la GPU. Donde sí se nota es en código de aplicación con mucha lógica propia.
¿Debería aprender Python si dirijo una empresa?
Aprender a programar no es necesario. Entender qué es una biblioteca, un cuaderno y una API sí ayuda a valorar propuestas y a no comprar humo. Para eso está el glosario de inteligencia artificial.
¿Qué diferencia hay entre PyTorch y TensorFlow?
Son las dos bibliotecas grandes de aprendizaje profundo. PyTorch se impuso en investigación por su forma de trabajar más directa; TensorFlow tiene fuerte presencia en despliegues industriales. Las dos se manejan desde Python.
¿R o Julia no sirven para IA?
Sirven, y en estadística y computación científica tienen ventajas. Lo que no tienen es el ecosistema ni la masa crítica de Python en aprendizaje profundo. TIOBE señala precisamente que MATLAB va cediendo terreno a Python, R y Julia en ese terreno.
¿La IA que escribe código va a cambiar el lenguaje dominante?
Ya está empujando en una dirección: los datos de GitHub muestran que los lenguajes tipados crecen porque los modelos generan mejor código con ellos. Eso afecta a la capa de aplicación más que al núcleo científico.
¿Puedo automatizar mi empresa con Python sin equipo técnico?
Con formación básica se llega a bastante: informes, limpieza de datos, conexiones sencillas entre herramientas. Lo que va a producción y toca datos de clientes conviene que lo revise alguien con criterio, por seguridad y por mantenimiento.