En la cena de cumpleaños tu sobrino suelta que “el modelo alucinó” y todos se ríen, menos tú, porque no tienes ni idea de qué está hablando. O tu compañero de la oficina menciona el prompt que usó para armar la presentación en cinco minutos. Ya no es tema solo de programadores: 66% de los mexicanos usa alguna herramienta de inteligencia artificial, según el estudio Our Life with AI de Ipsos, treinta puntos porcentuales más que hace apenas dos años. El problema es que el vocabulario se les adelantó a las explicaciones.
Qué hay detrás de la palabra “inteligencia artificial”
Cuando alguien dice IA se refiere a sistemas que imitan tareas que normalmente requieren razonamiento humano: reconocer una cara, traducir un texto, sugerir la siguiente canción. Por dentro corre un algoritmo, una receta paso a paso que la máquina sigue en orden estricto. Para ejecutar esa receta hace falta un modelo, la parte que en verdad “aprendió” algo después de estudiar cantidades enormes de datos hasta encontrar patrones repetidos.
Ese proceso de estudio tiene nombre propio: aprendizaje automático, o machine learning. Es la idea de que la máquina ajuste sus propias reglas en lugar de que alguien se las dicte una por una.
Cuando ese aprendizaje ocurre en capas de nodos interconectados que imitan, muy por encima, el cerebro, hablamos de una red neuronal. Si esas capas se multiplican hasta volverse miles, entramos al aprendizaje profundo, el mismo que hace que tu iPhone reconozca tu cara aunque traigas lentes nuevos.
Dos formas distintas de aprender
A veces el modelo estudia con ejemplos ya etiquetados, como miles de fotos marcadas “perro” o “gato”, hasta que distingue uno de otro por su cuenta. Eso es aprendizaje supervisado. Otras veces se le entregan los datos sin ninguna etiqueta y es la máquina la que encuentra agrupaciones por similitud, sin que nadie le diga qué buscar.
Hay un tercer camino, menos común en el día a día, pero igual de real: el de premio y castigo, donde el sistema prueba una y otra vez hasta encontrar la estrategia que mejor funciona. Así entrenó DeepMind a AlphaGo, el programa que en 2016 venció al campeón mundial de go.
El vocabulario que ya usas cuando abres ChatGPT
Los modelos detrás de ChatGPT, Gemini o Copilot se llaman LLM, modelos grandes de lenguaje. Se entrenaron con cantidades brutales de texto para calcular, palabra por palabra, cuál es la más probable después de la anterior. No piensan: calculan.
La instrucción que le escribes se llama prompt, y entre más contexto le des (un rol, un ejemplo, el resultado que esperas) mejor sale la respuesta. El texto se procesa en fragmentos llamados tokens, algo entre una sílaba y una palabra corta. Y aquí aparece el término que más confunde: alucinación. Pasa cuando el modelo inventa un dato, una cita o una fuente que no existe, pero lo dice con total seguridad porque, estadísticamente, esa palabra “sonaba” correcta. Google metió su propio asistente Gemini directo en apps como Spark para Mac, y ahí aplica lo mismo: conviene revisar lo que genera antes de copiarlo tal cual a un correo o una tarea.
Cuando la máquina se equivoca, o alguien la usa para engañarte
Ningún modelo nace neutral. Si los datos con los que se entrenó traían prejuicios humanos, la IA los hereda y los repite: eso es sesgo algorítmico, documentado ya en sistemas de contratación y en reconocimiento facial que falla más con ciertos rostros.
Es la misma lógica que ya usan las estafas de WhatsApp en México: la tecnología no inventó el engaño, solo lo hizo más convincente.
La próxima vez que alguien en la mesa diga que entrenó un modelo o que “el prompt no jaló”, ya sabes de qué habla. Y si te llega un audio con la voz de un familiar pidiendo una transferencia urgente, cuelga y márcale directo a su número de siempre, no al que te llamó.
