para orientarte
Abrís ChatGPT para una tarea, Claude para otra y Gemini para una tercera. Cuando algo sale mal, la tentación es cambiar de modelo, cambiar el prompt o culpar a la herramienta. Pero muchas veces el problema está en otra capa.
Esta guía te da un mapa para diagnosticar qué está pasando antes de empezar a probar botones al azar.
La inteligencia artificial se vuelve mucho menos intimidante cuando dejamos de tratarla como magia.
Para usarla con criterio, ayuda entender qué está pasando entre el momento en que escribís una instrucción y el momento en que aparece una respuesta. Ese mapa mental te vuelve menos dependiente de una marca, más difícil de impresionar con una demo y mucho mejor para decidir qué información darle a un sistema.
La idea central: una IA generativa no abre una cajita donde vive una respuesta correcta. Recibe una representación de tu entrada, la procesa con un modelo entrenado sobre enormes cantidades de datos y genera una salida paso a paso según patrones aprendidos, el contexto disponible y las herramientas que tenga conectadas.
Esta guía es deliberadamente agnóstica. Los nombres Claude, ChatGPT, Gemini o Grok pueden cambiar. Los conceptos de modelo, tokens, contexto, inferencia, embeddings, herramientas y evaluación siguen siendo útiles.
1. Cómo se relacionan IA, machine learning y deep learning
Inteligencia artificial es el paraguas grande: sistemas diseñados para realizar tareas que asociamos con capacidades inteligentes, como reconocer imágenes, predecir, traducir, planificar o generar texto.
Machine learning (aprendizaje automático) es una forma de construir esos sistemas usando datos para aprender patrones en lugar de programar cada regla a mano.
Deep learning (aprendizaje profundo) es una familia de machine learning basada en redes neuronales con muchas capas. Los modelos generativos modernos pertenecen principalmente a esta familia.
Un modelo de lenguaje grande, o LLM, es un modelo entrenado para trabajar con secuencias de lenguaje y, cada vez más, con imágenes, audio, video, acciones y otros tipos de información.
Pensalo así:
| Concepto | Pregunta sencilla |
|---|---|
| IA | ¿Puede una máquina hacer esta tarea inteligente? |
| Machine learning | ¿Puede aprender patrones desde datos? |
| Deep learning | ¿Puede una red neuronal aprender representaciones complejas? |
| Modelo generativo | ¿Puede producir contenido o acciones nuevas a partir de esos patrones? |
2. Qué es un modelo
Un modelo es una función matemática enorme cuyos parámetros fueron ajustados durante el entrenamiento para capturar regularidades de los datos.
Cuando ves nombres como GPT 6 Astra, Claude Fable 5.1 o Gemini, estás viendo familias o versiones de modelos. ChatGPT y Claude, en cambio, son productos que pueden contener modelos, memoria, búsqueda, herramientas, archivos, permisos y una interfaz.
Esta diferencia te salva de muchas confusiones:
Producto ≠ modelo ≠ agente.
Un modelo es el motor. Un producto es la experiencia alrededor del motor. Un agente combina un modelo con objetivos, herramientas y un ciclo de acción. Si querés profundizar en esa última capa, leé qué es un agente de IA.
3. Entrenamiento e inferencia: aprender primero, responder después
Hay dos momentos distintos.
Entrenamiento
Durante el entrenamiento, el sistema procesa cantidades enormes de ejemplos y ajusta sus parámetros para reducir errores de predicción. En un modelo de lenguaje, una parte central del aprendizaje consiste en predecir qué unidad viene después dentro de una secuencia.
Luego suelen existir etapas adicionales de postentrenamiento (ajustes posteriores al aprendizaje inicial) para mejorar seguimiento de instrucciones, razonamiento, uso de herramientas, seguridad y preferencias humanas.
Entrenar puede tomar semanas o meses y requiere infraestructura enorme. No ocurre de nuevo cada vez que conversás.
Inferencia
La inferencia es lo que ocurre cuando vos usás el modelo. Tu solicitud se transforma en una representación que el modelo procesa y genera una salida.
Una conversación no reentrena automáticamente el modelo base. Puede alimentar memoria, personalización o futuros procesos de entrenamiento según el producto, plan y configuración, pero eso es diferente de que el modelo cambie sus parámetros en ese instante.
4. Tokens: la IA no lee exactamente como vos
Antes de procesar texto, un sistema suele dividirlo en tokens. Un token puede ser una palabra corta, parte de una palabra, un signo o una combinación de caracteres. El corte depende del tokenizer y del modelo.
Por eso 1,000 palabras no equivalen siempre a la misma cantidad de tokens, y español e inglés pueden consumir cantidades distintas.
OpenAI explica sus tokens como fragmentos de texto y distingue, entre otros, tokens de entrada, salida, caché y razonamiento. Otros proveedores usan contabilidad similar, aunque no necesariamente tokenizan igual.
Esto importa por tres razones:
- Costo: muchas APIs cobran por tokens procesados.
- Espacio: el contexto tiene un límite.
- Latencia: más información puede requerir más procesamiento.
Un prompt larguísimo no es automáticamente mejor. El objetivo es aportar señal útil, no llenar espacio.
5. Context window: el escritorio de trabajo, no la memoria infinita
La ventana de contexto es la cantidad de información que un modelo puede considerar dentro de una ejecución o conversación según la arquitectura y el producto.
Puede incluir:
- tu mensaje;
- mensajes anteriores;
- instrucciones del sistema;
- archivos recuperados;
- resultados de herramientas;
- descripciones de herramientas disponibles;
- partes de razonamiento o estado gestionadas por la plataforma.
Un millón de tokens de contexto no significa un millón de tokens perfectamente comprendidos con la misma atención. Tampoco significa memoria permanente.
Usá esta analogía:
Contexto es lo que está sobre el escritorio ahora. Memoria es lo que el producto puede recuperar más adelante. Entrenamiento es lo que moldeó el cerebro antes de que llegaras.
6. Transformers y attention, sin convertir esto en una clase de álgebra
La arquitectura que cambió el campo moderno fue el Transformer, presentada en 2017 en el artículo científico Attention Is All You Need.
Su mecanismo de atención permite que el modelo calcule qué partes de una secuencia son relevantes entre sí. Si escribís “Ana guardó el pasaporte porque mañana viaja. ¿Qué guardó?”, el sistema puede relacionar “guardó” con “pasaporte” aunque haya otras palabras alrededor.
Los modelos modernos son mucho más complejos que ese ejemplo, pero la idea ayuda: no recorren el texto como una lectora humana con conciencia. Transforman unidades en representaciones numéricas y calculan relaciones entre ellas.
7. Parámetros: lo que el modelo aprendió, no una biblioteca de frases
Los parámetros son valores numéricos ajustados durante el entrenamiento. Ayudan a determinar cómo transforma una entrada en una salida.
No conviene imaginar un modelo como una base de datos que guarda cada página y luego la pega. Puede memorizar fragmentos en algunos casos, pero su operación normal consiste en usar patrones distribuidos aprendidos entre muchísimos parámetros.
Más parámetros tampoco garantiza automáticamente un modelo mejor. Arquitectura, datos, entrenamiento, post entrenamiento, herramientas, inferencia y evaluación importan.
8. Cómo genera una respuesta
Simplificando mucho, un modelo de lenguaje hace algo parecido a esto:
- recibe tu entrada y el contexto disponible;
- convierte el texto en tokens y representaciones numéricas;
- procesa relaciones entre esas representaciones;
- calcula probabilidades para posibles siguientes tokens;
- selecciona una continuación según su configuración;
- repite el proceso hasta completar la salida o ejecutar una herramienta.
Ese “siguiente token” puede producir razonamiento sofisticado porque el modelo aprendió estructuras complejas a gran escala. Pero sigue existiendo una consecuencia importante:
Una respuesta que suena probable y coherente puede ser falsa.
La fluidez no es una prueba de verdad.
9. Hallucinations: por qué una IA puede inventar algo con seguridad
Llamamos alucinación a una salida incorrecta o no fundamentada presentada como si fuera válida. El término no implica que el sistema vea o sienta algo; describe un error de generación.
Puede ocurrir porque el modelo está generando una continuación plausible, porque le falta información, porque recuperó una fuente incorrecta, porque la pregunta contiene una premisa falsa o porque la tarea exige precisión que el sistema no puede garantizar.
Reducirlas requiere diseño:
- aportar fuentes cuando la respuesta debe basarse en documentos;
- pedir citas verificables;
- permitir búsqueda cuando el dato cambia con el tiempo;
- separar hechos de inferencias;
- usar cálculos o herramientas deterministas cuando corresponde;
- comprobar resultados importantes fuera del propio modelo.
No alcanza con escribir “no inventes”.
10. Embeddings: convertir significado en coordenadas
Un embedding representa contenido como un vector de números. Contenidos semánticamente parecidos tienden a quedar cerca en ese espacio matemático.
Eso permite tareas como:
- buscar documentos por significado, no solo por palabras exactas;
- recomendar contenido relacionado;
- agrupar respuestas similares;
- recuperar fragmentos relevantes antes de responder.
Si alguien pregunta “¿cómo pido reembolso?” y tu documento usa la frase “política de devoluciones”, una búsqueda por embeddings puede reconocer que están relacionadas aunque las palabras no coincidan exactamente.
11. RAG: buscar antes de contestar
Retrieval Augmented Generation, o RAG (generación aumentada con recuperación), combina búsqueda de información con generación de una respuesta.
Un flujo sencillo:
- guardás documentos en una biblioteca consultable;
- llega una pregunta;
- el sistema busca los fragmentos relevantes;
- agrega esos fragmentos al contexto;
- el modelo responde usando esa evidencia.
RAG no vuelve verdadero al modelo por arte de magia. La búsqueda puede traer el documento equivocado, una versión vieja o demasiado poco contexto. Por eso necesitás fuentes de verdad, fechas y evaluación.
12. Fine tuning: cambiar comportamiento, no pegarle toda tu empresa al cerebro
Fine-tuning (ajuste fino) modifica un modelo con ejemplos adicionales para especializar comportamiento o formato.
No suele ser la primera solución cuando tu problema es “el modelo no conoce nuestros documentos actuales”. Para información cambiante, RAG, archivos o herramientas suelen ser más adecuados.
Una regla útil:
- Necesito datos actuales: recuperación o herramientas.
- Necesito instrucciones permanentes: contexto del proyecto o sistema.
- Necesito un comportamiento especializado repetible a escala: evaluar fine tuning.
13. Temperature: variación, no inteligencia
En muchos sistemas, temperature influye en cuánta variación hay al elegir la siguiente salida. Valores más bajos suelen favorecer opciones más probables; valores más altos permiten más diversidad.
No significa “creatividad verdadera” ni “capacidad de razonamiento”. Y algunos modelos modernos administran esa configuración internamente o no la exponen de la misma forma.
Para extracción, clasificación o formatos estrictos, buscá consistencia. Para exploración creativa, cierta variación puede ser útil.
14. Reasoning models: más cómputo no equivale a certeza
Los modelos de razonamiento pueden dedicar más cómputo o más pasos internos a una tarea antes de responder. Eso suele ayudar en problemas complejos, planificación y verificación.
Pero un modelo que “piensa más” todavía puede partir de una premisa falsa, usar una fuente incorrecta o cometer un error.
La práctica útil no es pedir su cadena privada de pensamiento. Pedí algo que sí podés evaluar:
“Mostrame los supuestos, las fuentes, los cálculos comprobables y qué parte de la respuesta tiene mayor incertidumbre.”
15. Multimodalidad: entradas de texto, imagen, audio y video
Un modelo multimodal puede procesar o generar más de un tipo de información: texto, imágenes, audio, video o acciones sobre interfaces.
Esto cambia el trabajo porque podés mostrar una captura, pasar una grabación o pedir análisis de un gráfico. También añade nuevos errores: leer mal una interfaz, confundir objetos, perder detalles visuales o asumir información que no está presente.
El principio de verificación sigue igual.
16. Tools, plugins, connectors y APIs
Un modelo solo puede generar una respuesta dentro de lo que su entorno le permite. Para consultar datos actuales o ejecutar acciones necesita herramientas.
Una herramienta puede ser búsqueda web, Gmail, una base de datos, una calculadora, un navegador o una función propia.
Una API es una forma estructurada para que software hable con otro software. Cuando una aplicación envía tu solicitud a un modelo por API, recibe una respuesta que luego puede mostrar, guardar o usar en otro paso.
Un plugin o conector suele empaquetar acceso autorizado a una herramienta externa.
Antes de activar un plugin, preguntate:
¿Qué puede leer, qué puede cambiar, con qué cuenta y en qué momento necesita mi aprobación?
17. Qué vuelve a un sistema agentic
Un chatbot responde. Un workflow sigue pasos. Un agente recibe un objetivo y puede decidir parte del camino, usar herramientas, observar resultados y continuar.
El ciclo básico es:
objetivo → plan → acción → observación → ajuste → siguiente acción
Mientras más autonomía y permisos tenga, más importa la supervisión. Para una comparación completa, mirá agente, chatbot o automatización.
18. Cómo se diferencian memoria y contexto
Un producto puede recordar preferencias o recuperar conversaciones anteriores. Esa memoria es una capa del producto.
No confundás:
- pesos del modelo: conocimiento y patrones aprendidos durante entrenamiento;
- contexto actual: lo disponible en esta ejecución;
- memoria del producto: información que puede recuperarse entre sesiones;
- RAG: documentos buscados deliberadamente;
- herramientas: sistemas externos consultados o modificados.
Cuando entendés esas capas, podés diagnosticar mejor un error.
19. Evals: la parte menos sexy y más importante
Una evaluación, o eval, comprueba si un sistema hace bien una tarea.
Para tu propio uso no necesitás un laboratorio. Creá diez casos representativos y medí:
| Criterio | Pregunta |
|---|---|
| Exactitud | ¿Los hechos y cálculos son correctos? |
| Completitud | ¿Incluyó todo lo necesario? |
| Formato | ¿Entregó la estructura pedida? |
| Fuentes | ¿Podés rastrear afirmaciones importantes? |
| Tiempo | ¿Realmente ahorró trabajo después de revisar? |
| Riesgo | ¿Puede causar una acción externa sin permiso? |
Cambiar de modelo porque una red social dice que uno “ganó” vale menos que probar tu propio trabajo. Para convertir este mapa en una práctica, usá la guía cómo usar IA para trabajar.
20. El mapa mental para usar cualquier IA mejor
Antes de empezar una tarea, hacete siete preguntas:
- ¿Cuál es el resultado? Definí un entregable observable.
- ¿Qué contexto necesita? Dale lo necesario, no toda tu vida digital.
- ¿Qué información debe buscar? Diferenciá conocimiento estable de datos actuales.
- ¿Qué herramientas necesita? Lectura primero, escritura después.
- ¿Qué no puede decidir sola? Reservá aprobaciones humanas.
- ¿Cómo voy a evaluar el resultado? Definí criterios antes de generar.
- ¿Qué parte debo verificar? Cuanto mayor el impacto, mayor la comprobación.
21. Glosario de bolsillo
| Término | En una frase |
|---|---|
| Modelo | El sistema matemático entrenado que transforma entradas en salidas |
| LLM | Modelo grande especializado en lenguaje y tareas relacionadas |
| Token | Unidad que el modelo procesa, no necesariamente una palabra |
| Context window | Información disponible durante una ejecución |
| Parameter | Valor aprendido durante entrenamiento |
| Inference | Uso del modelo para producir una salida |
| Transformer | Arquitectura basada en attention que domina los LLM modernos |
| Embedding | Representación numérica que captura similitud semántica |
| RAG | Recuperar información relevante antes de generar |
| Fine tuning | Ajustar un modelo con datos adicionales para un comportamiento específico |
| Tool call | Solicitud del modelo para usar una herramienta externa |
| Agent | Sistema que persigue un objetivo usando decisiones y herramientas |
| Hallucination | Salida incorrecta o no fundamentada presentada como válida |
| Eval | Prueba diseñada para medir calidad o comportamiento |
| Latency | Tiempo que tarda el sistema en responder o completar una acción |
22. Qué cambia cuando entendés todo esto
Dejás de preguntar “¿cuál IA es la mejor?” y empezás a preguntar:
- ¿qué modelo es suficiente para esta tarea?;
- ¿qué contexto falta?;
- ¿necesito búsqueda o datos actuales?;
- ¿esto es un problema de prompt, de herramienta o de información?;
- ¿puedo medir el resultado?;
- ¿qué permiso estoy entregando?;
- ¿qué debería mantener portable para cambiar de proveedor mañana?
La alfabetización en IA permite entender el sistema lo suficiente para seguir pensando cuando el producto cambie.
Para seguir aprendiendo
Ahora podés ir en dos direcciones.
Si querés entender los modelos nuevos, seguí con Claude Fable 5.1 y GPT 6 Astra. Si querés entender hacia dónde apunta todo este progreso, seguí con qué significa AGI y qué tan cerca estamos.
Fuentes para profundizar
- Google Machine Learning Glossary
- OpenAI: What are tokens and how to count them
- Attention Is All You Need
- Retrieval Augmented Generation for Knowledge Intensive NLP Tasks
- OpenAI: Embeddings
Revisión editorial: actualizada y verificada el 6 de septiembre de 2026.
Pasá de leer a hacer
Probalo esta semana
La habilidad que te llevás: Fluidez en IA y criterio para cambiar de herramienta sin empezar de cero
Tu prueba, paso a paso
Elegí una tarea real que ya hacés, como resumir un documento, investigar una decisión o preparar una presentación.
Probala en dos productos distintos usando exactamente el mismo contexto y el mismo resultado esperado.
Anotá qué parte depende del modelo, qué parte depende de tus fuentes y qué parte depende de las herramientas disponibles.
Verificá al menos una afirmación importante fuera del modelo antes de aceptar el resultado.
Ideas, recursos y límites para hacerlo bien
Dónde usarlo
Empezá donde ya hay fricción
En tu trabajo
- Comparar modelos por calidad, costo y correcciones humanas en lugar de elegir por hype.
- Diseñar mejores briefs para research, operaciones, marketing o análisis.
- Detectar si un fallo viene de falta de contexto, una fuente mala, una herramienta ausente o una instrucción ambigua.
También en tu día a día
- Comparar opciones de viaje, compras o cursos con criterios explícitos y fuentes verificables.
- Usar IA como tutora para aprender un tema y pedirle que marque qué parte necesita verificación externa.
Para profundizar
- Google AI EssentialsIntroducción práctica para aprender haciendo, sin experiencia técnica.
- Anthropic: prompting best practicesReferencia actual para claridad, ejemplos, estructura y uso de herramientas.
- OpenAI Academy: managing daily workEjercicios concretos para convertir IA en una ayuda diaria revisable.
Cuándo pedir otra mirada
- La decisión es médica, legal, financiera o de seguridad.
- No sabés si podés compartir los datos con la herramienta.
- El resultado suena seguro pero no podés rastrear de dónde salió.
Tu siguiente movimientoElegí una tarea recurrente y convertí ese aprendizaje en un workflow pequeño.
Transparencia editorial
Este artículo fue investigado y preparado con ayuda de IA. Nina revisó fuentes, contexto, criterio editorial y versión final.