Saber usar inteligencia artificial no requiere programar ni dominar matemáticas avanzadas. Lo que realmente marca la diferencia es construir una intuición que permita anticipar cuándo la IA va a funcionar bien y cuándo va a fallar. La mayoría de las personas la usan a ciegas: a veces obtienen resultados brillantes sin saber por qué, y otras veces resultados terribles sin entender la causa. Con solo tres ideas fundamentales es posible comprender la gran mayoría de lo que se experimenta al interactuar con estas herramientas.
¿Por qué la IA no entiende nada de lo que dice?
La primera idea es contundente: la IA no entiende, reconoce patrones [0:38]. Funciona como alguien que leyó miles de recetas de cocina de todos los países y estilos, pero nunca cocinó ni probó la comida [0:44]. Si le piden una receta de pasta, producirá algo que se parece mucho a una receta real: ingredientes que suelen ir juntos, pasos en un orden razonable, tiempos que suenan lógicos. Pero esa persona no sabe cuál debería ser el sabor. Lo único que sabe es qué palabras suelen aparecer cerca de otras palabras.
Eso es exactamente lo que hace la IA generativa. Durante su entrenamiento procesó cantidades enormes de texto y aprendió patrones estadísticos [1:41]: qué palabra probablemente sigue a otra, qué estructura suele tener un correo profesional o qué tipo de argumento aparece en un análisis de mercado. Cuando le pedimos algo, ensambla esos patrones. No razona desde principios, produce lo que es estadísticamente coherente.
El concepto de autocompletado del celular ayuda a entenderlo [1:48]. Al escribir "buenos días, espero que" el teclado sugiere "estés bien", porque vio esa combinación miles de veces. La IA hace exactamente lo mismo, pero con párrafos enteros.
¿De qué depende la calidad de las respuestas de la IA?
La segunda idea establece que la calidad de lo que produce depende de los datos con los que fue entrenada [4:32]. La analogía es clara: pedir consejo de negocios a alguien que solo leyó libros publicados en Estados Unidos no es lo mismo que pedírselo a alguien con veinte años de experiencia en diferentes industrias en Latinoamérica [2:11]. Cada una tiene experiencias distintas y, por lo tanto, limitaciones distintas.
Con la IA ocurre lo mismo. Fue entrenada con artículos, libros, foros, sitios web, código y redes sociales alojados en internet [2:36]. Esto implica varias cosas:
- Sabe mucho sobre temas bien representados en la red, sobre todo en inglés y relacionados con tecnología o negocios.
- Sabe bastante menos sobre temas locales, especializados o de contextos poco documentados.
- Refleja los sesgos que existen en esos datos [3:05]. Si en internet hay más contenido que asocia "enfermera" con mujeres e "ingeniero" con hombres, la IA reproducirá esos patrones. No porque tenga opiniones, sino porque refleja lo que hay en los datos.
- Tiene una fecha de corte [3:24]: lo que haya pasado después de su entrenamiento simplemente no lo sabe, a menos que le pidan buscarlo.
¿Qué son las alucinaciones en inteligencia artificial?
La tercera idea es la más importante: la IA genera respuestas probables, no respuestas verdaderas [5:34]. Cuando le hacemos una pregunta, no busca la respuesta correcta en una base de datos. Construye la secuencia de texto que estadísticamente tiene más sentido. A veces esa secuencia es correcta y a veces no, pero en ambos casos suena exactamente igual de segura [3:53].
La IA no tartamudea cuando no sabe. No dice "no estoy segura de esto". Produce texto fluido, bien estructurado, con tono de autoridad, independientemente de si lo que dice es correcto o no [3:56]. Aquí aparece un fenómeno que se conoce como alucinaciones [4:14]: la IA inventa datos, citas o referencias que no existen, simplemente porque la secuencia de texto que estaba construyendo la llevó a incluir información que suena lógica pero que no es real.
¿Cómo poner a prueba tu intuición sobre la IA?
Para verificar estas tres ideas en la práctica, el ejercicio propuesto consiste en abrir cualquier herramienta de IA y probar cuatro tareas [4:47]:
- Que redacte un correo profesional para posponer una reunión con un cliente.
- Que dé un dato específico sobre una empresa o institución local de tu ciudad.
- Que genere diez ideas de nombres para un producto o proyecto.
- Que explique los requisitos legales vigentes para un trámite de tu país.
Al comparar los resultados, el patrón se hace visible. Donde hay patrones claros y bien documentados, la IA rinde. Donde necesita datos específicos, actuales o locales, se complica. Y donde la precisión es crítica, puede ser riesgosa si no se revisa [5:31].
Con esto en mente, la invitación es completar esta frase y compartirla: "La IA es buena para ______ porque ______, y no es tan buena para ______ porque ______." Ser concretos con lo que se descubrió en el ejercicio es el primer paso para construir un modelo mental propio que permita saber cuándo conviene usar la IA, cuándo usarla con cuidado y cuándo es mejor no usarla.
