Cómo funciona la inteligencia artificial, sin fórmulas

Ejemplo ilustrativo, con datos ficticios: una tienda de muebles de Valladolid necesita describir un sofá gris para su web. La responsable pide a Claude un borrador. El texto puede quedar bien escrito e incluir una entrega que la tienda no ofrece. El problema aparece al confundir una descripción convincente con información de su catálogo.

Para entender qué ha ocurrido conviene separar aprender antes y responder ahora. Esta guía explica la IA que aprende de datos, llamada aprendizaje automático. Puede generar contenido, clasificar una entrada o predecir un número. El mecanismo de completar texto corresponde a los modelos de lenguaje que usan los asistentes; no describe por sí solo cualquier sistema de IA. Para la definición general, consulta qué es la inteligencia artificial.

Durante el entrenamiento se ajustan parámetros: números internos con los que el sistema representa relaciones aprendidas de los ejemplos. El modelo combina esos parámetros con el programa que los utiliza. Piensa en una herramienta que se prepara antes de recibir el encargo del cliente. La analogía ayuda a distinguir las etapas; no le atribuye experiencia profesional ni criterio humano. Tienes más detalle en qué es un modelo de IA.

En los asistentes, puede haber un entrenamiento inicial y ajustes posteriores para seguir instrucciones. Así, generar una continuación y atender una petición no son explicaciones incompatibles: el aprendizaje condiciona qué respuesta produce ante un encargo. Los datos y la forma de entrenar influyen en sus capacidades. El proveedor también puede publicar nuevas versiones o ajustes; hablar de un aprendizaje congelado para siempre oculta esos cambios. Si quieres profundizar, lee qué es el entrenamiento de un modelo.

Tu encargo, también llamado prompt, llega con las instrucciones y el material que aporta la aplicación. El texto se representa en fragmentos llamados tokens. Un token puede ser una palabra, una parte de ella, un carácter o un signo. La división depende del modelo y del idioma: no cuentes una palabra como si equivaliera a un token. En la ficha de qué es un token puedes separar ambos conceptos.

Al responder, el modelo utiliza lo aprendido y el texto que tiene delante para calcular qué fragmento puede seguir. Selecciona uno a partir de probabilidades y continúa construyendo la respuesta. Esa selección depende del método y de sus ajustes; no significa elegir en todos los casos el fragmento más probable. El uso del modelo se llama inferencia. No necesitas ver esos cálculos para reconocer sus entradas: tu petición y la información que recibe.

El contexto es la información disponible para la consulta: instrucciones, conversación y material pertinente. En la tienda, ahí entra la ficha del sofá. Su capacidad es limitada. Una aplicación puede resumir mensajes o seleccionar partes de los documentos; conservar un archivo en el historial no equivale a tener todo su contenido delante al responder. Por eso conviene identificar la ficha vigente y comprobar qué información ha llegado a la respuesta, especialmente en encargos largos.

Cuando hay muchos documentos, un sistema puede recuperar los fragmentos pertinentes e incorporarlos al contexto antes de generar. Se conoce como RAG: recuperación de información para apoyar la respuesta del modelo. Así se consulta material del negocio sin incorporarlo a un nuevo entrenamiento. La selección y los permisos importan: quien pregunta solo debería acceder a los documentos autorizados para su trabajo. La explicación de qué es RAG desarrolla esta conexión entre fuentes y respuesta.

Una alucinación es una respuesta plausible pero falsa. El modelo puede presentarla con confianza. La generación no incorpora una garantía de verdad, y ciertos incentivos de entrenamiento y evaluación pueden favorecer adivinar frente a reconocer la incertidumbre. Eso no explica cualquier fallo, pero sí ayuda a entender por qué el tono seguro no es una medida de exactitud. En una decisión de negocio importa el dato que sostiene la conclusión, además de cómo está escrita.

Tampoco es correcto decir que el modelo carece de toda posibilidad de reconocer que no sabe. Puede expresar dudas o abstenerse de responder. Pedirle que señale lo que falta es útil para orientar el encargo, pero no asegura que detecte cada laguna. Una respuesta a la misma pregunta puede variar, y que varias respuestas coincidan no las convierte en una comprobación. La referencia para decidir sigue siendo la fuente que permite contrastar el dato.

Para practicar con otros encargos, tienes el curso gratuito de IA de Ciade. Parte de una tarea de tu negocio que ya sepas resolver y decide qué información necesitas para revisarla. Si quieres entender cómo se ajustan los parámetros con ejemplos antes de atender una consulta, sigue con qué es el entrenamiento de un modelo.