Textos trasladados
desde Protocíborgs.

Por Alberto Arroyo

OpenAI anunció una aportación de cinco millones de dólares para ayudar a matemáticos a interpretar investigaciones generadas por inteligencia artificial. El dinero forma parte de una iniciativa de quince millones encabezada por la Simons Foundation, en la que también participa Anthropic. La noticia parece relacionada con las matemáticas, pero plantea una transformación más amplia: la inteligencia artificial está empezando a producir conocimiento a una velocidad que los humanos difícilmente pueden seguir.

Un sistema puede explorar miles de posibilidades, proponer demostraciones, comparar hipótesis y producir documentos en poco tiempo. Un investigador humano necesita revisar los resultados, entender los métodos, comprobar los errores y decidir qué merece atención. La producción crece con rapidez; la comprensión sigue teniendo límites humanos.

Ahí aparece una nueva figura profesional. No sería exactamente el experto que realiza cada operación ni el programador que construye el sistema. Sería alguien capaz de coordinar varias inteligencias artificiales, asignarles tareas, comparar sus respuestas, detectar inconsistencias y convertir sus resultados en conocimiento útil. En lugar de hacer todo el trabajo directamente, organizaría un sistema de trabajo compuesto por humanos y máquinas.

Podríamos llamarlo coordinador de IAs, director de agentes o curador de conocimiento artificial. El nombre todavía no está definido, pero la función ya empieza a aparecer en distintos ámbitos. Una persona puede utilizar un modelo para investigar, otro para resumir, otro para buscar contradicciones y un cuarto para convertir el material en una explicación. La dificultad no está en obtener más texto. Está en saber qué hacer con todo lo que aparece.

La inteligencia artificial puede producir conocimiento que nadie necesita. Puede generar miles de soluciones para problemas mal planteados, informes que repiten información, hipótesis sin aplicación y respuestas técnicamente correctas pero irrelevantes. La producción, por sí sola, no crea valor. El valor surge cuando alguien reconoce una necesidad, identifica una respuesta útil y la incorpora a una decisión, un producto, una investigación o una experiencia.

La diferencia entre generar y comprender será cada vez más importante. Un modelo puede entregar una demostración matemática, pero una comunidad científica necesita saber si esa demostración es válida, qué significa y qué problemas nuevos permite resolver. Una IA puede proponer un diseño, pero alguien debe determinar si funciona, si puede fabricarse y si responde a una necesidad real. Un agente puede investigar un mercado, pero una persona debe decidir si existe una oportunidad que merezca recursos.

La capacidad de producir ya está creciendo más rápido que la capacidad de revisar. Ese desequilibrio puede convertirse en uno de los principales problemas de la próxima etapa de la IA. Si cada sistema genera más información de la que podemos examinar, el exceso empieza a parecerse a una nueva forma de escasez. Tendremos abundancia de respuestas y poco tiempo para distinguir las importantes.

Por eso, las habilidades más valiosas pueden cambiar. Ya no bastará con saber pedirle algo a una IA. Será necesario formular buenos problemas, diseñar procesos de verificación, reconocer señales de calidad, comparar fuentes y entender cuándo una respuesta no es suficiente. El humano que trabaje con varias IAs tendrá que administrar atención, contexto y confianza.

Esto también puede modificar las organizaciones. Un equipo pequeño podría contar con agentes especializados en investigación, análisis, diseño, programación y comunicación. La persona responsable no tendría que ejecutar cada tarea, pero sí establecer el objetivo, distribuir el trabajo, revisar los resultados y mantener una visión común. Su función se parecería menos a la de un operador y más a la de un director de laboratorio.

El riesgo es que confundamos velocidad con avance. Una empresa puede producir más informes sin aprender más. Un laboratorio puede publicar más hipótesis sin aumentar su conocimiento. Una persona puede automatizar sus tareas y terminar rodeada de materiales que nunca tiene tiempo de leer. La IA puede acelerar la producción, pero también puede llenar el sistema de trabajo con resultados que nadie alcanza a procesar.

La solución consiste en desarrollar mejores filtros, mejores métodos de revisión y mejores criterios para elegir qué merece continuar. En algunos campos, esos filtros serán humanos; en otros, nuevas IAs encargadas de comprobar, clasificar y explicar el trabajo de sus compañeras. Incluso podríamos ver cadenas de sistemas donde una IA produce, otra critica, otra verifica y una persona decide.

El futuro cercano puede estar lleno de personas que trabajen de esa manera: coordinando agentes, administrando flujos de investigación, seleccionando resultados y convirtiendo una gran cantidad de producción automática en decisiones comprensibles. Su valor no estaría en producir más que las máquinas, sino en saber qué producción merece convertirse en algo.

La humanidad tendrá acceso a más conocimiento del que podrá revisar directamente. La ventaja pertenecerá a quienes aprendan a orientarse en ese exceso, construir filtros confiables y mantener una relación clara entre lo que una IA genera y lo que una persona necesita hacer con ello.

Fuente

The Verge, OpenAI is giving $5 million to help mathematicians make sense of AI-generated research

Alberto Arroyo

Por Alberto Arroyo

Una inteligencia artificial publica una oferta y busca a una persona que haga algo que no puede resolver por sí sola. Esa escena, que parecía de ciencia ficción, es la promesa detrás de RentAHuman. Sin embargo, una revisión de 779 ofertas encontró que la mayoría había sido publicada por personas. La plataforma todavía no demuestra que los agentes ya sean empleadores autónomos; sí nos permite imaginar cómo podrían cambiar algunas relaciones de trabajo.

El debate suele plantearse como una disyuntiva: ¿la IA nos quitará el trabajo o no? Tal vez el panorama sea más variado. La Organización Internacional del Trabajo estima que uno de cada cuatro empleos tiene algún grado de exposición a la IA generativa, y señala que es más probable que muchos puestos se transformen a que desaparezcan por completo. Ese escenario abre espacio para nuevas combinaciones de personas, herramientas y tiempo.

Una posibilidad es que más personas coordinen agentes. Alguien podría dirigir sistemas que investigan, redactan, programan, organizan citas o atienden solicitudes, y concentrarse en elegir objetivos, revisar resultados y resolver lo que requiere criterio. Esa tarea puede surgir dentro de empresas grandes, pero también en equipos pequeños y negocios independientes que antes no podían producir tanto con tan pocas personas.

También podrían crecer los equipos mixtos: personas y agentes trabajando en partes distintas de un mismo proceso. Un agente prepara opciones; una persona decide. Un sistema encuentra patrones; un especialista interpreta lo que significan. Una IA organiza encargos y alguien los realiza en el mundo físico. La frontera entre “trabajo humano” y “trabajo de IA” puede volverse menos clara, porque muchas actividades combinarán ambos.

RentAHuman hace visible ese último ejemplo. Un agente puede localizar a alguien para revisar un sitio, recoger algo o documentar una situación. Aunque la plataforma aún dependa en gran medida de usuarios humanos, su idea anticipa una forma de coordinación que podría extenderse: las personas ofrecen habilidades y disponibilidad; los sistemas ayudan a conectar una necesidad con quien puede atenderla.

Al mismo tiempo, seguirán existiendo trabajos que las personas prefieran hacer directamente para otras personas. El cuidado, la enseñanza, la reparación, la gastronomía, los oficios y muchos servicios se apoyan en la confianza, la presencia y el vínculo. Para algunos, esa relación será el corazón del trabajo; para otros, será una opción entre varias. Puede ser una forma distinta de crear valor.

Así que quizá no aparezca una sola economía laboral. Podrían convivir empleos centrados en agentes, equipos donde humanos e IA colaboran, pequeños negocios aumentados por herramientas y espacios donde el trato persona a persona siga siendo la propuesta principal. Una misma persona incluso podría moverse entre varios: usar IA para algunas tareas, trabajar directamente con clientes en otras y dedicar tiempo a proyectos propios.

Hay otra posibilidad que vale la pena incluir en la conversación: una renta básica universal. Si la IA y la automatización permiten producir más con menos horas de trabajo, una sociedad podría explorar maneras de convertir parte de esa productividad en un ingreso que dé seguridad y libertad para elegir. No resolvería por sí sola cómo se distribuye el valor, pero ampliaría la discusión sobre cuánto del ingreso y del sentido de pertenencia debe depender de tener un empleo.

No sabemos cuál de estos caminos ganará terreno ni si alguno será dominante. La imagen de un agente que contrata a una persona llama la atención porque invierte los papeles; lo más interesante es que nos obliga a ampliar el mapa. El futuro del trabajo podría incluir nuevas profesiones, negocios más pequeños y productivos, servicios humanos más valorados y formas de ingreso que permitan elegir con mayor libertad.

El trabajo que viene puede reunir tareas delegadas a agentes, colaboración entre personas y sistemas, oficios basados en la presencia y periodos de mayor libertad apoyados por nuevos ingresos. La tecnología ampliará las posibilidades; las personas decidirán qué combinaciones quieren convertir en formas de vida, de colaboración y de creación.

Fuentes

El País, RentAHuman: las personas detrás de la promesa de que la IA contrate humanos

Organización Internacional del Trabajo, índice de exposición ocupacional a la IA generativa

Alberto Arroyo

Qué vas a aprender

El ecosistema de IA no se organiza solo por tecnología. Capital, reglas y relaciones entre países condicionan qué se construye, quién accede a ello y quién captura sus beneficios. Este texto muestra cómo leer esas conexiones.

1. La inversión sigue la estructura de costos

Construir un modelo avanzado puede requerir investigación, datos, personal, aceleradores, electricidad, redes y tiempo de cómputo. Un centro de datos añade terrenos, construcción, refrigeración, conexión eléctrica y financiamiento. Una empresa de aplicaciones tiene costos distintos: desarrollo de producto, ventas, integración, soporte y pagos por modelos o nube.

Por eso, el capital llega a través de formas diferentes. Investigación pública y universidades pueden financiar conocimiento de largo plazo; capital de riesgo suele buscar empresas de crecimiento acelerado; deuda e infraestructura financian activos físicos; empresas establecidas pueden pagar cómputo como gasto operativo o invertir en hardware. Cada forma tiene un horizonte y una expectativa de retorno diferentes.

2. CapEx, OpEx e ingresos

CapEx es inversión en activos que se utilizarán durante varios años, como instalaciones y equipos. OpEx es gasto operativo recurrente, como servicios de nube, electricidad o nómina. Una compañía puede reducir CapEx al alquilar cómputo, pero crear un gasto variable y dependencia del proveedor. Otra puede comprar hardware y asumir capacidad ociosa, mantenimiento y obsolescencia.

Los ingresos de una empresa de IA pueden provenir de suscripciones, consumo por API, licencias, servicios profesionales o funciones integradas en otro producto. Comparar ingresos con inversión no basta: hay que restar cómputo para entrenamiento e inferencia, salarios, ventas, infraestructura, soporte y costos financieros. Una compañía puede crecer en usuarios mientras sus costos por usuario también suben.

3. Cómo se distribuye el poder económico

El valor puede concentrarse en distintos puntos: fabricantes de chips y equipos, proveedores de nube, laboratorios de modelos, plataformas con distribución, aplicaciones especializadas o empresas que usan IA para rediseñar operaciones. Una empresa puede crear valor para el usuario y, aun así, ceder parte del margen al proveedor de nube o al dueño de la plataforma que controla el acceso.

El AI Index 2026 de Stanford estima que la inversión corporativa global en IA llegó a un récord de 581.69 mil millones de dólares en 2025, sumando distintas categorías de inversión. El mismo informe distingue inversión privada, fusiones y adquisiciones y otras formas de financiamiento. Esa cifra no equivale a capital disponible para todas las empresas ni prueba que el gasto ya haya producido retornos proporcionales.

4. La geopolítica se encuentra en la cadena de suministro

Un sistema de IA combina diseño de chips, fabricación, equipos de litografía, memoria, minerales, energía, cables, nube, datos y talento. Esos recursos están distribuidos entre países y compañías distintas. Una restricción en un eslabón puede afectar la disponibilidad o el precio de los demás.

Los gobiernos usan inversión pública, compras, subsidios, controles comerciales y reglas para desarrollar capacidades o reducir dependencias. La soberanía tecnológica no significa fabricar absolutamente todo dentro de las fronteras: puede significar asegurar acceso confiable a ciertos insumos, mantener conocimiento clave, participar en estándares y poder cambiar de proveedor cuando sea necesario.

5. Qué hace la regulación

Las reglas pueden asignar obligaciones a quienes desarrollan un modelo, integran una aplicación o la usan en una decisión. El Reglamento Europeo de IA organiza requisitos según usos y niveles de riesgo, y distingue responsabilidades de distintos participantes. La regulación afecta costos de documentación, pruebas, transparencia, supervisión y acceso a mercados.

El riesgo de una norma depende de su diseño y aplicación. Reglas claras pueden aumentar confianza y facilitar compras; obligaciones costosas o ambiguas pueden favorecer a organizaciones grandes que ya tienen departamentos legales y de cumplimiento. El análisis debe preguntar qué riesgo se busca reducir, quién puede cumplir, qué evidencia se exige y cómo se revisa el efecto.

6. Qué opciones tiene un país sin competir por el modelo más grande

Desarrollar un modelo de frontera es solo una forma de participar. Un país también puede formar talento, mantener investigación aplicada, adaptar sistemas a idiomas y sectores, crear conjuntos de evaluación, digitalizar servicios públicos, fortalecer infraestructura y apoyar empresas que integren tecnología en actividades locales.

Para México y América Latina, esto abre preguntas concretas: qué datos pueden gestionarse legalmente; qué sectores necesitan mejores herramientas; dónde existe infraestructura y energía suficientes; cómo se forman equipos que evalúan y mantienen sistemas; y qué productos pueden competir sin entrenar un modelo gigantesco. Son rutas posibles que deben contrastarse con datos de inversión, capacidades y demanda locales, no asumirlas como ventajas automáticas.

7. Un marco para leer el poder en IA

Al estudiar una noticia de inversión, identifica qué se financia, quién pone el capital, qué activo se construye, qué ingreso debería recuperarlo y qué riesgo queda si la demanda no aparece. Al estudiar una nueva regla, identifica a quién obliga, qué evidencia requiere y qué decisiones permite o limita. Al estudiar competencia internacional, sigue los insumos y capacidades que cruzan fronteras.

Así se ve que capital, regulación y geopolítica no son un apéndice de la tecnología. Intervienen en cada capa: determinan qué chips se fabrican, qué modelos se sostienen, qué aplicaciones llegan a una organización y quién puede pagar por usarlas.

Ideas clave

• El capital financia tanto investigación como infraestructura y distribución.
• Ingresos no equivalen a rentabilidad; hay que incluir costos de cómputo y operación.
• La dependencia de un país o empresa se entiende siguiendo la cadena de suministro.
• Un país puede participar creando capacidades aplicadas, estándares y talento.

Preguntas de repaso

• ¿Qué costos de largo plazo esconde una decisión de pagar nube como servicio?
• ¿Quién captura valor y quién conserva los costos en una cadena de IA?
• ¿Qué capacidad local sería más estratégica que intentar construirlo todo?

Fuentes para profundizar

Stanford HAI, AI Index 2026: economía e inversión

Comisión Europea, Reglamento de Inteligencia Artificial

IEA, Energy and AI

Stanford CRFM, Foundation Model Transparency Index

Recorrido de la serie

Anterior: Adopción empresarial.

Siguiente: Inicio de la serie.

Alberto Arroyo

Qué vas a aprender

Adoptar IA no empieza con una licencia ni con un modelo: empieza con un proceso. Este texto ofrece un método para identificar una tarea adecuada, medir el cambio y decidir si un piloto merece convertirse en una capacidad de trabajo.

1. Empezar por el proceso, no por la herramienta

Una organización debe describir el trabajo como una secuencia: quién recibe la solicitud, qué información consulta, qué decisión toma, qué sistema actualiza y quién responde si algo falla. Una tarea puede parecer sencilla y depender de excepciones, aprobaciones o datos dispersos. Automatizar un paso sin observar los demás puede trasladar el cuello de botella.

El primer filtro es la delimitación. Una tarea repetida, con entradas relativamente conocidas y resultados verificables suele ser más fácil de probar que una responsabilidad abierta como “mejorar el área”. También importa el costo del error: resumir un documento interno y aprobar un crédito no requieren el mismo margen de error ni el mismo nivel de supervisión.

2. Establecer una línea base

Antes del piloto hay que medir cómo funciona hoy el proceso. Se registran volumen, tiempo por caso, tasa de error, retrabajo, costo, satisfacción y distribución de casos por dificultad. Sin esa línea base, un equipo puede atribuir a la IA una mejora que provino de otra modificación o confundir más actividad con más valor.

Después se define una comparación justa: mismo tipo de casos, periodo semejante, criterios comunes y revisión de calidad. Si los casos del piloto son fáciles, la precisión resultante no representa todo el trabajo. Una evaluación debería incluir casos frecuentes, excepciones y ejemplos donde el sistema debe abstenerse.

3. Calcular el valor como resultado neto

El beneficio no es el tiempo que el modelo dice ahorrar. Una fórmula inicial es: valor neto = horas o costos realmente evitados + ingresos o calidad adicional − licencias − cómputo − integración − mantenimiento − revisión humana − costo esperado de fallas. Hay que distinguir entre liberar tiempo y reducir gasto: si el personal usa el tiempo en otra tarea útil, el beneficio puede ser real aunque la nómina no baje.

Ejemplo ilustrativo: un equipo procesa 1,000 casos al mes a 12 minutos cada uno. Si una herramienta y su revisión humana reducen el promedio a 8 minutos sin empeorar la calidad, se liberan 4,000 minutos, equivalentes a unas 66.7 horas al mes. Para saber si conviene, falta valorar cómo se usa ese tiempo y descontar todos los costos nuevos. El ejemplo no es una promesa de ahorro; muestra qué medir.

4. Diseñar el piloto con trabajadores y controles

Quienes realizan la tarea conocen casos atípicos, datos incompletos y consecuencias que pueden no aparecer en una demostración. Incluirlos ayuda a diseñar la revisión, encontrar errores y detectar si la herramienta añade pasos en vez de quitarlos. La capacitación sirve más cuando ocurre dentro del flujo real y define qué puede y qué no puede decidir el sistema.

Antes de enviar información, la empresa define qué datos están permitidos, quién tiene acceso, cuánto tiempo se conservan y qué contrato aplica. También establece qué resultado debe revisar una persona, cómo reportar errores, quién corrige datos y cuándo se suspende el sistema. La gobernanza es una función operativa, no una lista de principios aparte.

5. Pasar de piloto a producción

Un piloto contesta si la idea parece útil; la producción pregunta si puede operar todos los días. El equipo prueba volumen real, tiempos de espera, disponibilidad, cambios de modelo, seguridad, costos y soporte. Si el proveedor cambia una versión, debe haber pruebas que indiquen si la calidad se mantiene.

El despliegue puede empezar en modo sombra: el sistema propone resultados, pero no los ejecuta. Luego puede apoyar a una persona y, si las métricas lo justifican, automatizar una acción limitada. Deben existir responsables, monitoreo, proceso de reversión y una forma de continuar el trabajo si el servicio falla.

6. Qué dicen las cifras y qué no dicen

Stanford HAI reporta que 88% de las organizaciones incluidas en su análisis utilizaban IA en al menos una función en 2025. Esa medida describe adopción en la muestra; no significa que 88% de las empresas hayan conseguido un retorno financiero alto. En un estudio de la OCDE con más de 5,000 pequeñas y medianas empresas de siete países, muchas reportaron mejoras de desempeño, pero los resultados dependen de sector, tamaño, capacitación y tarea.

Las cifras de adopción ayudan a contextualizar el movimiento del mercado, pero una empresa debe tomar su decisión con datos propios. El resultado relevante es si la tarea mejora de forma sostenible, segura y verificable para las personas que la realizan y para quienes reciben el servicio.

Ideas clave

• Mapea el proceso antes de elegir el modelo.
• Sin línea base no se puede demostrar un cambio.
• Calcula valor neto y distingue tiempo liberado de costo reducido.
• Una prueba en producción requiere soporte, monitoreo y plan de reversión.

Preguntas de repaso

• ¿Qué indicadores describen el proceso antes del piloto?
• ¿Qué costos podrían neutralizar el ahorro de tiempo?
• ¿Qué decisiones deben seguir bajo responsabilidad humana?

Fuentes para profundizar

Stanford HAI, AI Index 2026: economía y adopción

OCDE, Generative AI and the SME Workforce (2025)

NIST, marco de gestión de riesgos de IA

Recorrido de la serie

Anterior: Agentes y robótica.

Siguiente: Capital, regulación y geopolítica.

Alberto Arroyo

Qué vas a aprender

Un agente es un sistema al que se concede capacidad para avanzar hacia un objetivo mediante varias acciones. La palabra se usa para productos muy diferentes. Este texto separa el ciclo digital de un agente de la percepción y el movimiento de un robot.

1. Un modelo que responde y un agente que ejecuta

Un modelo recibe contexto y produce una salida. Un agente agrega un ciclo de control: interpreta una meta, decide un paso, utiliza una herramienta, observa el resultado y decide si continúa o termina. La herramienta podría consultar una base de datos, enviar una solicitud a una API o crear un borrador en otro sistema.

El ciclo no convierte al sistema en autónomo de manera ilimitada. Sus capacidades dependen del modelo, las herramientas habilitadas, los datos disponibles y los permisos que una persona u organización le concede. Llamar “agente” a un chatbot no demuestra que planifique, recuerde entre sesiones ni pueda actuar fuera de la conversación.

2. Partes de un sistema agéntico

Un agente práctico suele incluir una meta y reglas, un modelo que propone pasos, herramientas con entradas y salidas definidas, un estado de trabajo, un mecanismo de coordinación y controles. La memoria puede ser solo el historial de la tarea actual o una base persistente; cada opción crea requisitos de privacidad, actualización y corrección.

El orquestador decide qué herramientas puede llamar el modelo, valida parámetros, aplica límites de tiempo y presupuesto, registra pasos y determina cuándo pedir ayuda. Separar la sugerencia del modelo de la ejecución real permite revisar acciones y evitar que una respuesta no validada modifique directamente un sistema crítico.

3. Una escala de autoridad útil

Se puede clasificar la autonomía por el tipo de acción autorizada: primero, el modelo recomienda; después, prepara un borrador para aprobación; luego ejecuta una acción reversible y acotada; por último, encadena acciones con menos supervisión. No es una escala de inteligencia, sino de autoridad y consecuencias.

Un agente que puede leer manuales tiene menos capacidad de causar daño que uno que puede enviar pagos, borrar registros o cambiar precios. Los permisos deben reducirse al mínimo necesario, limitarse por tarea y poder revocarse. También conviene separar acciones reversibles de acciones que comprometen dinero, seguridad o derechos.

4. Ejemplo digital: procesar una factura

Supongamos que un agente recibe una factura. Puede extraer proveedor, fecha y total; consultar una orden de compra; comparar importes; y preparar una solicitud de aprobación. En el primer despliegue, no debe pagar ni modificar el registro por sí mismo. Una persona verifica los campos y autoriza el paso final.

El equipo registra cada acción, mide cuánto tarda, cuántas facturas requieren corrección, qué porcentaje se detiene por discrepancias y si el agente intenta usar herramientas fuera de su tarea. Si una factura no coincide con la orden, el comportamiento correcto es explicar la discrepancia y detenerse, no improvisar una solución.

5. Qué agrega la robótica

Un robot combina sensores, control, actuadores y una estructura física. El sistema percibe algo mediante cámaras, sensores de fuerza o distancia; calcula una acción; y mueve un brazo, vehículo u otro mecanismo. Los modelos de IA pueden ayudar a interpretar escenas o seleccionar acciones, pero el movimiento requiere controles que funcionen incluso cuando el modelo se equivoca.

Un entorno industrial controlado es distinto de una casa, una calle o un hospital. Obstáculos, personas, fricción, iluminación y fallas mecánicas cambian el resultado. La seguridad requiere evaluar la tarea, el espacio, las condiciones de operación, el mantenimiento y los procedimientos de parada. OSHA señala que numerosos accidentes con robots suceden en operaciones no rutinarias como programación, configuración, prueba y mantenimiento.

6. Cómo evaluar y gobernar la acción

Para un agente digital, mide éxito de tarea, errores por paso, uso de herramientas, costo, tiempo, intervenciones humanas y acciones no autorizadas. Para un robot agrega precisión de movimiento, detección de obstáculos, paradas seguras, incidentes y desempeño ante variaciones del entorno.

Una prueba debe incluir casos adversos y fallas de las herramientas, no solo el camino ideal. Antes de aumentar autonomía, comprueba que el sistema puede detenerse, explicar su estado, recuperarse sin duplicar acciones y transferir el control. Cuanto mayor sea la autoridad, más detallados deben ser los registros y las pruebas.

Ideas clave

• Un agente es un ciclo de decisión y acción acotado por herramientas y permisos.
• La autonomía describe autoridad concedida, no inteligencia general.
• Un robot añade percepción y movimiento en un entorno físico.
• Evalúa fallos, intervención y seguridad antes de ampliar permisos.

Preguntas de repaso

• ¿Qué acciones permitirías al agente del ejemplo y cuáles exigirían autorización?
• ¿Qué registro necesitarías para reconstruir una acción equivocada?
• ¿Qué riesgos nuevos aparecen al pasar de una API a un robot físico?

Fuentes para profundizar

OpenAI, guía práctica para construir agentes

NIST, marco de gestión de riesgos de IA

OSHA, seguridad y estándares de robótica

OSHA, riesgos en sistemas robóticos

Recorrido de la serie

Anterior: Aplicaciones de IA.

Siguiente: Adopción empresarial.

Alberto Arroyo

Qué vas a aprender

Una aplicación de IA no es simplemente un modelo con una interfaz. Es un sistema que recibe una necesidad, combina datos y herramientas, y entrega un resultado dentro de un proceso. Aquí estudiaremos cómo diseñar y evaluar ese sistema.

1. De una capacidad técnica a una tarea útil

Un modelo puede resumir, clasificar o generar contenido, pero una persona normalmente no compra “capacidad de modelo”: necesita terminar una tarea. La aplicación agrega contexto, permisos, interfaz, integración con otros sistemas, reglas de calidad y una respuesta ante errores. Esa capa es la que transforma una capacidad general en un servicio concreto.

Conviene expresar el objetivo como una tarea observable: encontrar la cláusula aplicable en un contrato; preparar un borrador de respuesta con documentos vigentes; o convertir una solicitud en un registro que alguien pueda verificar. “Poner IA en atención al cliente” es demasiado amplio para diseñar, presupuestar o evaluar.

2. Tipos de aplicaciones

Una aplicación puede ser un asistente dentro de un programa existente, una herramienta vertical para una profesión, una función de búsqueda sobre documentos, un sistema que clasifica o genera contenido, o un producto independiente. La ubicación cambia la distribución: una función ya integrada puede llegar a usuarios existentes; una aplicación nueva debe convencerlos de cambiar su hábito y confiarle información.

También cambia quién conserva la relación con el usuario. Si la función vive dentro de una plataforma, la plataforma controla acceso, datos y facturación. Si una empresa construye el producto, puede diseñar su experiencia, pero debe mantener la integración, pagar el modelo y asumir soporte. El modelo puede ser parecido entre productos; la utilidad depende de cómo se resuelve la tarea alrededor de él.

3. Diseñar el flujo completo

Para diseñar una aplicación, se describe el proceso antes de elegir el modelo: qué información llega, quién la proporciona, qué pasos existen, qué sistemas contienen los datos, qué decisión toma una persona y qué se considera un buen resultado. Luego se decide dónde la IA puede asistir, qué controles necesita y qué ocurre si no sabe.

Una aplicación con recuperación de documentos, por ejemplo, debe mantener una colección ordenada, buscar fragmentos pertinentes, presentar una respuesta vinculada a ellos y permitir verificar la fuente. Si el documento no aparece, el sistema debe poder decirlo. Si el resultado tiene consecuencias importantes, puede solicitar aprobación antes de ejecutar la acción.

4. Medir valor sin confundir uso con impacto

Las descargas, consultas y tiempo de sesión describen actividad; no prueban que la tarea mejoró. Para evaluar valor se necesitan medidas vinculadas al proceso: porcentaje de casos resueltos correctamente, tiempo hasta una solución, errores que requieren retrabajo, satisfacción, costo por resultado y porcentaje de escalamiento a una persona.

Una prueba útil compara el sistema con la forma de trabajo anterior sobre casos similares. También separa desempeño promedio y fallas graves. Una herramienta puede ahorrar tiempo en la mayoría de las solicitudes y, al mismo tiempo, crear un riesgo inaceptable en las pocas que requieren precisión o trato especial.

5. Costos, datos y ventaja de producto

El costo de una aplicación incluye modelo, nube, integración, búsqueda, mantenimiento, soporte, revisión humana y cumplimiento. Si se cobra por usuario, el proveedor asume un costo variable distinto al de una tarifa por uso o por tarea resuelta. Un precio bajo para el cliente puede no cubrir consultas largas o un gran porcentaje de casos que necesitan intervención.

La ventaja de producto puede venir de datos permitidos y bien organizados, una integración difícil de sustituir, conocimiento de un flujo profesional, una experiencia clara o una distribución existente. La elección del modelo importa, pero rara vez basta como defensa comercial: un competidor puede acceder a modelos similares.

6. Ejemplo: un asistente para políticas internas

Imaginemos una organización con manuales de recursos humanos. Una aplicación podría recibir una pregunta, identificar documentos pertinentes, resumir la regla aplicable y enlazar la sección original. El sistema debe respetar permisos porque algunos documentos solo son visibles para ciertos grupos y debe mostrar la fecha o versión de la fuente.

Antes del lanzamiento, el equipo prepara preguntas reales y respuestas revisadas por especialistas. Mide si cita el documento correcto, si evita responder cuando no encuentra una regla y cuánto tiempo ahorra sin aumentar errores. Si los manuales están desactualizados, el problema no se resuelve cambiando el modelo: hay que corregir la fuente y el proceso.

Ideas clave

• El producto resuelve una tarea; el modelo aporta una capacidad.
• La integración y la calidad de datos suelen importar tanto como el modelo.
• Mide resultados del proceso y fallas, no solo actividad de la aplicación.
• La ventaja comercial puede estar en flujo, datos, distribución y confianza.

Preguntas de repaso

• ¿Qué tarea concreta resolvería la aplicación y para quién?
• ¿Qué medirías para probar que mejora el proceso?
• ¿Qué debe hacer si no encuentra información suficiente?

Fuentes para profundizar

Stanford HAI, AI Index 2026: economía y uso organizacional

NIST, marco de gestión de riesgos de IA

Stanford CRFM, oportunidades y riesgos de modelos fundacionales

Recorrido de la serie

Anterior: APIs y distribución.

Siguiente: Agentes y robótica.

Alberto Arroyo

Qué vas a aprender

Una API permite que un programa solicite una función a otro. En IA, conecta una aplicación con un modelo. Seguiremos esa comunicación desde la interfaz hasta la respuesta y veremos qué debe resolver el equipo que construye el producto.

1. La API es un contrato de comunicación

Una interfaz de programación de aplicaciones (API) define qué puede pedir un sistema, qué datos debe enviar y qué respuesta recibirá. En un servicio de IA, una solicitud puede incluir instrucciones, conversación previa, archivos o referencias a herramientas. La respuesta puede ser texto, datos estructurados, una llamada a una herramienta o un mensaje de error.

La API no hace inteligente a la aplicación ni determina por sí sola la calidad del resultado. Es el mecanismo de distribución: permite que un modelo operado por un proveedor se use dentro de otro producto sin que el cliente administre directamente todo el hardware.

2. El recorrido de una solicitud

Una arquitectura básica tiene varios pasos. La persona escribe o selecciona una acción; el servidor de la aplicación autentica al usuario y verifica permisos; después prepara instrucciones y contexto; envía la petición al proveedor; valida la respuesta; registra métricas; y la presenta o solicita revisión. Si se requieren documentos, primero se pueden buscar fragmentos pertinentes y adjuntarlos al contexto.

El diseño debe decidir qué información se manda, qué se guarda y quién puede verla. Las claves de acceso a la API deben permanecer en el servidor, no incrustadas en el navegador, porque una clave expuesta puede permitir que terceros consuman el servicio con cargo a la cuenta del propietario.

3. Los tokens vuelven variable el costo

Los modelos dividen texto en unidades llamadas tokens. La entrada incluye instrucciones, historial y documentos recuperados; la salida suma los tokens generados. Muchos servicios cobran por separado entrada y salida, y pueden ofrecer tarifas distintas por modelo, modalidad o procesamiento en lote.

Una estimación sencilla es: costo de inferencia = tokens de entrada × precio de entrada + tokens de salida × precio de salida. La factura completa añade llamadas a herramientas, búsquedas, almacenamiento, registros, reintentos y revisión humana. Como los precios cambian y cada proveedor mide componentes distintos, conviene consultar la tabla vigente y conservar una estimación explícita en el presupuesto.

4. Latencia, límites y errores forman parte del producto

Una respuesta puede tardar por el tamaño del modelo, la longitud del contexto, la carga del servicio, una herramienta externa o la distancia entre regiones. Las APIs también imponen límites de solicitudes o volumen para proteger capacidad. Una aplicación de producción necesita manejar respuestas lentas, desconexiones, formatos inválidos, límites alcanzados y cambios de versión.

Reintentar sin control puede duplicar costos y acciones. Se pueden usar tiempos de espera, pausas progresivas, límites de reintento, caché para solicitudes repetidas y colas para tareas que no requieren respuesta inmediata. En tareas sensibles, una respuesta incompleta debería detener el proceso o pasar a una persona, no rellenarse silenciosamente.

5. Enrutamiento y dependencia

No todas las tareas requieren el mismo modelo. Una clasificación breve puede resolverse con una opción económica; una tarea compleja puede justificar un modelo más capaz; una consulta sobre documentos internos puede necesitar recuperación antes de generar. Un enrutador puede elegir el servicio según tarea, costo, calidad y disponibilidad, pero introduce más componentes que deben probarse.

Reducir dependencia no exige operar todo por cuenta propia. Puede consistir en separar la lógica de la aplicación de la sintaxis de un proveedor, conservar ejemplos de evaluación, exportar datos en formatos reutilizables y preparar una alternativa para funciones críticas. Cada proveedor puede producir resultados distintos, así que el reemplazo debe validarse antes de una interrupción.

6. Ejemplo: clasificar solicitudes de soporte

Supongamos que una tienda quiere sugerir una categoría para cada mensaje recibido. El servidor elimina datos personales innecesarios, limita el modelo a una lista de categorías, envía el mensaje con una salida estructurada y comprueba que la categoría exista. Si la confianza es baja, el texto está vacío o el modelo devuelve un formato incorrecto, la solicitud va a una persona.

Para evaluar el sistema, se compara con una muestra histórica etiquetada por el equipo. Se miden aciertos por categoría, errores graves, tiempo ahorrado, costo por mensaje y proporción de casos enviados a revisión. El sistema no se aprueba porque la respuesta “parezca razonable”; se aprueba si mejora una tarea definida y los errores restantes son tolerables.

Ideas clave

• La API distribuye el modelo; la aplicación define permisos, contexto y experiencia.
• El costo depende de tokens, modelo, herramientas y reintentos.
• Latencia y errores deben diseñarse como parte normal del sistema.
• Una alternativa de proveedor necesita pruebas de equivalencia.

Preguntas de repaso

• ¿Qué datos de la persona usuaria evitarías enviar al proveedor?
• ¿Cómo calcularías el costo mensual con volumen y longitud promedio de solicitudes?
• ¿Qué debería pasar cuando la respuesta no cumple el formato esperado?

Fuentes para profundizar

Documentación de la API de OpenAI

Precios actuales de la API de OpenAI

NIST, marco de gestión de riesgos de IA

Recorrido de la serie

Anterior: Modelos fundacionales.

Siguiente: Aplicaciones de IA.

Alberto Arroyo

Qué vas a aprender

Un modelo fundacional es una base reutilizable que puede adaptarse a distintas tareas. Aquí veremos cómo pasa de datos y cómputo a un sistema utilizable, qué significa adaptarlo y por qué tener una misma base para muchos productos distribuye capacidades y concentra dependencias.

1. Qué significa “fundacional”

El término describe la función del modelo dentro de un ecosistema: un sistema entrenado con datos amplios puede servir de punto de partida para tareas posteriores. No significa que sea la base única de toda la inteligencia artificial ni que el modelo, por sí solo, constituya una aplicación completa.

Un modelo de lenguaje calcula continuaciones probables a partir del contexto que recibe. A escala, este proceso puede producir capacidades útiles para resumir, traducir o generar código. Otros modelos procesan imágenes, audio, video o varias modalidades. Lo que hacen depende de arquitectura, datos, entrenamiento, herramientas disponibles y condiciones de evaluación.

2. El ciclo de construcción

Primero se recopilan, licencian, filtran y preparan datos. La selección no es un detalle: determina idiomas, temas y poblaciones representadas, además de excluir duplicados o material de baja calidad. Después se entrena el modelo con hardware especializado. En el preentrenamiento, ajusta sus parámetros para aprender regularidades de los datos, por ejemplo prediciendo partes faltantes o siguientes tokens.

Un modelo preentrenado suele ser útil, pero no necesariamente cómodo ni seguro para instrucciones humanas. El postentrenamiento usa ejemplos, preferencias, reglas y otras técnicas para orientar respuestas. Después vienen evaluaciones, pruebas de seguridad, despliegue y observación de fallas. El ciclo continúa cuando cambian los datos, las tareas o los riesgos.

3. Adaptar no siempre significa entrenar otra vez

Prompting consiste en darle instrucciones y contexto al modelo en cada uso. Recuperación aumentada por generación (RAG) busca documentos pertinentes y los agrega al contexto para que la respuesta use información externa actualizable. El ajuste fino cambia parámetros mediante ejemplos y puede ayudar con formatos o patrones repetidos, pero no es una solución automática para incorporar cualquier base de conocimiento.

Las herramientas y APIs permiten que el modelo consulte sistemas, ejecute código o devuelva datos estructurados. En una aplicación real se pueden combinar varias técnicas: recuperar una política actualizada, pedir una salida en formato definido y remitir casos ambiguos a una persona. La elección depende de qué falla, con qué frecuencia, cuánto cuesta corregirlo y qué nivel de control se necesita.

4. Evaluar capacidad significa probar una tarea concreta

Un resultado convincente en una demostración no garantiza buen desempeño en un trabajo. La evaluación debe describir tarea, población, idioma, datos, condiciones y criterio de éxito. Un promedio puede ocultar errores en casos raros o grupos específicos. También hay que comprobar seguridad, latencia, costo y consistencia en escenarios reales.

Los benchmarks permiten comparar ciertas capacidades, pero pueden quedar desactualizados, medir solo una parte de la tarea o parecerse a los datos usados para entrenar. Para una aplicación, conviene construir casos de prueba propios, incluir errores conocidos y evaluar cambios entre versiones antes de sustituir el modelo.

5. Modelos abiertos y cerrados: qué se puede controlar

En un servicio cerrado, el proveedor opera el modelo y controla acceso mediante una interfaz o API. Esto reduce la carga de desplegar y mantener hardware, pero deja al cliente dependiente de precios, límites y versiones del servicio. En un modelo de pesos abiertos, se pueden descargar y operar ciertos componentes, aunque eso no implica necesariamente acceso al conjunto completo de datos, recetas de entrenamiento o derechos sin restricciones.

Autoalojar un modelo da más control sobre ubicación y configuración, pero exige hardware, personal, seguridad, actualizaciones y evaluación. Un modelo abierto puede no ser más barato si se utiliza poco o requiere equipos caros; un servicio cerrado puede resultar costoso a gran escala. La comparación útil es el costo total por resultado aceptable y el control que la organización necesita.

6. Por qué una base compartida altera el mercado

Los modelos fundacionales reducen la barrera para crear productos: una empresa puede añadir capacidades sin financiar todo el entrenamiento. Eso multiplica aplicaciones, pero también hace que muchas dependan del mismo proveedor, nube, hardware y decisiones de licenciamiento.

El informe de Stanford sobre modelos fundacionales llama la atención sobre sus efectos sistémicos: los problemas de un modelo pueden extenderse a muchos productos que lo reutilizan. Por eso, elegir una base es una decisión técnica, económica y de gobernanza. Importan sus capacidades, pero también sus datos, derechos, transparencia, precio, estabilidad y posibilidad de sustituirlo.

Ideas clave

• Preentrenamiento construye una base; postentrenamiento orienta su uso.
• Prompting, RAG, ajuste fino y herramientas resuelven problemas diferentes.
• La evaluación debe reflejar la tarea de la aplicación, no solo un benchmark general.
• Abrir pesos no equivale a abrir datos, proceso o derechos.

Preguntas de repaso

• ¿Qué tipo de problema resolverías con RAG y cuál con ajuste fino?
• ¿Qué información falta cuando solo se conoce la puntuación de un benchmark?
• ¿Qué controlarías y qué delegarías al elegir un modelo abierto o uno servido por API?

Fuentes para profundizar

Stanford CRFM, On the Opportunities and Risks of Foundation Models

Stanford CRFM, Foundation Model Transparency Index

Stanford CRFM, reflexiones sobre el concepto de modelo fundacional

Recorrido de la serie

Anterior: La nube.

Siguiente: APIs y distribución.

Alberto Arroyo

Qué vas a aprender

La nube conecta la infraestructura física con el software que usan organizaciones y personas. Para entenderla, seguiremos una solicitud desde una aplicación hasta los servidores que la procesan y revisaremos qué paga el cliente, qué administra el proveedor y qué dependencias aparecen.

1. La nube como grupo de recursos compartidos

NIST describe la computación en la nube como acceso de red bajo demanda a un conjunto compartido de recursos configurables —como servidores, almacenamiento y redes— que pueden asignarse y liberarse con rapidez. La palabra “nube” no elimina las máquinas: indica que otra organización las opera y que el cliente las consume mediante interfaces, contratos y medidores de uso.

En infraestructura como servicio (IaaS), el cliente alquila máquinas virtuales, redes y almacenamiento y administra buena parte del software. En plataforma como servicio (PaaS), el proveedor también administra herramientas y entornos de ejecución. En software como servicio (SaaS), el cliente utiliza una aplicación terminada. Un servicio de modelos puede venderse como API administrada, integrarse en una plataforma o formar parte de un producto.

2. Qué ocurre cuando una aplicación llama a un servicio de IA

Una aplicación envía una solicitud por internet al servicio que contrató. Antes del modelo pueden intervenir autenticación, selección de región, filtrado de entradas, recuperación de documentos y reglas del producto. La solicitud llega a servidores con aceleradores; el modelo procesa sus tokens y devuelve una salida. La aplicación decide cómo validarla, mostrarla, guardarla o pedir una revisión humana.

Este recorrido ayuda a ver que “usar IA en la nube” puede involucrar varios proveedores: una empresa puede almacenar documentos en una plataforma, llamar al modelo de otra y alojar la interfaz en una tercera. El producto final depende de la coordinación entre esos componentes y de los contratos que permiten que los datos crucen de uno a otro.

3. Qué se paga realmente

La elasticidad de la nube permite aumentar o reducir capacidad sin comprar servidores para el máximo esperado. Pero el costo no siempre es solo el tiempo de cómputo. Puede incluir solicitudes al modelo, tokens de entrada y salida, máquinas encendidas, bases de datos, almacenamiento, copias de seguridad, transferencia de datos, registros, soporte y garantías de disponibilidad.

Una cuenta didáctica puede escribirse así: costo mensual = inferencia + cómputo de aplicación + almacenamiento y búsqueda + transferencia + monitoreo + soporte. La proporción entre componentes cambia según el servicio. Un piloto con pocos usuarios no revela necesariamente el costo de producción: el volumen, la longitud de las consultas, los picos y las repeticiones pueden cambiar la factura.

4. El modelo de responsabilidad compartida

Contratar nube no transfiere toda la seguridad al proveedor. El proveedor protege las instalaciones y los componentes que opera; el cliente suele conservar responsabilidades sobre identidades, permisos, configuración, información que carga y uso de resultados. El reparto concreto depende de si se contrata infraestructura, plataforma o una aplicación completa.

Esto es importante porque los incidentes no se explican siempre por un ataque sofisticado. Una clave expuesta, un permiso demasiado amplio o una base de datos pública pueden revelar información. Antes de enviar datos de clientes a un modelo alojado en nube, la organización debe verificar contrato, región, retención, acceso, cifrado y opciones de eliminación.

5. Concentración y portabilidad

La nube ofrece economías de escala: un proveedor puede comprar hardware, desplegar redes globales y mantener equipos especializados que una organización pequeña no podría replicar. Esa ventaja amplía el acceso, pero también concentra infraestructura y conocimiento operativo en pocos proveedores.

La dependencia técnica aparece cuando un sistema utiliza bases de datos, herramientas de IA o formatos particulares de un proveedor. Cambiar puede exigir exportar información, reescribir integraciones, volver a probar resultados y entrenar al personal. Portabilidad no significa que todo sea idéntico entre nubes; significa diseñar interfaces y formatos que permitan cambiar una parte sin reconstruir todo el servicio.

6. Elegir entre nube, infraestructura propia y operación local

La nube pública suele ser útil cuando la demanda cambia, se necesita desplegar rápido o no hay equipo para administrar hardware. Infraestructura privada o local puede ser adecuada cuando el control físico, la latencia, la regulación o el uso estable justifican el costo y el personal. Los modelos pequeños también pueden ejecutarse en computadoras de borde o dispositivos cuando importa reducir la transferencia de datos o responder sin conexión.

Una decisión responsable compara costo total y riesgos durante varios años, no solo el precio inicial. Debe incluir compras, electricidad, refrigeración, personal, actualizaciones, capacidad ociosa, migración y continuidad. La nube traslada y organiza costos; no los hace desaparecer.

Ideas clave

• La nube es infraestructura física operada como servicio.
• IaaS, PaaS y SaaS distribuyen de manera distinta las tareas entre proveedor y cliente.
• La factura incluye más que el precio por llamada al modelo.
• La facilidad para entrar debe compararse con el costo de salida y el nivel de control.

Preguntas de repaso

• ¿Qué partes del recorrido de una solicitud podrían pertenecer a proveedores distintos?
• ¿Qué gastos no aparecen en una prueba con pocos usuarios?
• ¿Qué componentes diseñarías para poder cambiar de proveedor?

Fuentes para profundizar

NIST SP 800-145, definición de computación en la nube

Google Cloud, seguridad en la nube y responsabilidad compartida

NIST, modelos de servicio y despliegue

Recorrido de la serie

Anterior: Energía.

Siguiente: Modelos fundacionales.

Alberto Arroyo

Qué vas a aprender

La IA necesita electricidad antes de producir cualquier respuesta. En este texto veremos cómo se convierte una solicitud digital en demanda eléctrica, por qué la ubicación importa y qué preguntas deben hacerse una empresa, una comunidad y un operador de red.

1. Potencia y energía no significan lo mismo

Potencia es la velocidad a la que un equipo consume energía en un instante; se mide en kilovatios (kW) o megavatios (MW). Energía es el consumo acumulado en un periodo; se mide en kilovatios-hora (kWh) o megavatios-hora (MWh). Un centro con una demanda promedio de 100 MW durante una hora consume 100 MWh. Si mantiene esa potencia todo un año, su consumo es muy distinto al de una instalación que solo llega a ese nivel durante picos breves.

Para estimar consumo anual, una primera fórmula es: potencia promedio × horas del periodo. Si conocemos solo la potencia máxima o contratada, debemos aplicar un factor de utilización. Un centro de 100 MW que promedia 80% de esa capacidad consumiría aproximadamente 100 × 0.8 × 8,760 = 700,800 MWh en un año. Es un ejemplo didáctico, no el dato de un centro específico.

2. Qué consume electricidad dentro de un centro de datos

Los aceleradores y servidores que ejecutan entrenamiento e inferencia son una parte importante, pero el edificio también requiere redes, almacenamiento, iluminación, sistemas de control, alimentación ininterrumpida y refrigeración. La electricidad que entra no se convierte toda en operaciones de IA: una parte mantiene disponible la instalación y evita que el calor dañe los equipos.

Una métrica común es PUE, o efectividad del uso de energía. Se calcula dividiendo la energía total del centro de datos entre la energía utilizada por sus equipos informáticos. Un PUE de 1.2 significa que por cada unidad de energía que llega al equipo de cómputo se emplean además 0.2 unidades en el resto de la instalación. PUE ayuda a estudiar el edificio, pero no dice por sí sola cuánta energía requiere un modelo ni cuántas emisiones produce: eso depende también del uso de los equipos y de la electricidad disponible.

3. Entrenar y usar un modelo son cargas distintas

El entrenamiento concentra una enorme cantidad de cálculo en un periodo delimitado. La inferencia —responder a consultas, analizar imágenes o generar audio— puede repetirse millones de veces después de que el modelo ya fue entrenado. Por eso, comparar modelos solo por el costo de entrenamiento deja fuera el consumo que puede acumularse al prestar el servicio.

El consumo de una tarea depende del modelo, el tipo y longitud de entrada y salida, el hardware, la eficiencia del software, la cantidad de solicitudes y la utilización de los aceleradores. Un modelo grande que permanece ocioso puede aprovechar peor el hardware que varios modelos pequeños programados para tareas adecuadas. La eficiencia debe medirse por resultado útil por unidad de energía, no únicamente por tamaño del modelo.

4. La red eléctrica convierte la ubicación en una decisión económica

La energía se genera en plantas y viaja por redes de transmisión y distribución. Conectar un centro de datos requiere capacidad suficiente en el punto elegido, transformadores, subestaciones, permisos y acuerdos con el operador. Una región puede tener energía barata en promedio, pero poca capacidad disponible en la zona donde la empresa quiere construir.

La Agencia Internacional de Energía prevé que la demanda eléctrica mundial aumente 3.6% anual en promedio entre 2026 y 2030. En su escenario base, los centros de datos explican cerca de una décima parte del crecimiento global; aun así, su demanda concentrada puede complicar redes locales. Una cifra global no permite concluir qué pasará con el precio o la disponibilidad en una ciudad: hay que estudiar ubicación, horarios, generación y capacidad de red.

5. Quién paga y quién recibe los beneficios

El desarrollador de la instalación puede pagar equipos y contratos de suministro, pero las mejoras de la red también pueden tener costos públicos o compartidos. Si la capacidad nueva beneficia a varios usuarios, el regulador debe definir cómo se reparte; si se construye para un solo cliente, importa saber quién absorbe la inversión cuando ese cliente se retira. La tarifa eléctrica es solo una parte del costo: también cuentan la conexión, la redundancia y la energía de respaldo.

Los acuerdos de compra de energía a largo plazo pueden dar previsibilidad al comprador y permitir financiar proyectos de generación. No garantizan automáticamente que los electrones usados en cada hora sean renovables ni que la nueva planta esté conectada a la misma red local. Para evaluar el efecto climático hay que mirar emisiones del sistema eléctrico, horario de consumo, almacenamiento y cambios que la nueva demanda provoca en otras plantas.

6. Cómo analizar una afirmación sobre energía e IA

Cuando una empresa anuncia que su centro usará energía renovable, conviene preguntar qué volumen cubre, durante qué periodo, en qué región y bajo qué método de contabilidad. Cuando un informe habla del consumo de la IA, hay que distinguir consumo total del centro, consumo atribuible a IA, consumo de entrenamiento e inferencia y consumo por tarea.

El problema no es simplemente que la IA consuma electricidad. La decisión económica es si el valor de los servicios justifica la nueva carga y si la red puede abastecerla sin encarecer o desplazar otros usos. Para responder hacen falta datos horarios y regionales, no una cifra aislada.

Ideas clave

• La potencia mide una tasa; la energía suma consumo a lo largo del tiempo.
• El PUE describe la eficiencia de la instalación, no la eficiencia de un modelo.
• La demanda global y la presión local son preguntas diferentes.
• Entrenamiento e inferencia tienen perfiles de consumo distintos.

Preguntas de repaso

• ¿Qué datos necesitarías para calcular el consumo anual de un centro de datos?
• ¿Por qué un contrato de energía renovable no basta para conocer las emisiones horarias?
• ¿Qué partes del costo de conexión podrían recaer en otros usuarios?

Fuentes para profundizar

IEA, Electricity 2026: resumen ejecutivo

IEA, Key Questions on Energy and AI

IEA, Energy and AI: demanda eléctrica

Recorrido de la serie

Anterior: Centros de datos.

Siguiente: La nube.

Alberto Arroyo

¿Qué es un centro de datos?

Un centro de datos es una instalación industrial diseñada para albergar equipos informáticos de forma segura, continua y eficiente. En el contexto de la inteligencia artificial, estos centros cumplen una función esencial: proporcionar la capacidad de cálculo necesaria para entrenar modelos y atender a millones de usuarios simultáneamente.

Podemos pensar en ellos como la manifestación física de la nube. Cuando utilizas un servicio de IA en tu teléfono o computadora, tu solicitud viaja hasta uno de estos centros, donde se procesa y se genera una respuesta. Nada de eso ocurre «en el aire»: ocurre en edificios concretos, con servidores concretos, conectados a redes eléctricas concretas.

Si los chips son el petróleo de la IA, los centros de datos son las refinerías que transforman esa capacidad de cálculo en servicios digitales.

La infraestructura de un centro de datos

Los centros de datos de IA necesitan instalaciones de alta densidad, capaces de albergar numerosos procesadores y gestionar su elevado consumo energético. Sus componentes principales son:

• Servidores y racks: alojan los procesadores, la memoria y otros componentes.
• Redes de alta velocidad: permiten intercambiar información entre servidores.
• Sistemas eléctricos: suministran energía de manera continua.
• Refrigeración: elimina el calor generado por los equipos.
• Almacenamiento: conserva los datos necesarios para las operaciones.

La rápida evolución del hardware obliga a adaptar continuamente estas instalaciones. Un centro de datos diseñado hace cinco años puede requerir reformas significativas para alojar los procesadores actuales, que consumen más energía y generan más calor que sus predecesores.

La refrigeración y el consumo de agua

Los procesadores generan grandes cantidades de calor. Si ese calor no se disipa de manera eficiente, los equipos reducen su rendimiento o se apagan para evitar daños. Por eso la refrigeración es uno de los desafíos técnicos más importantes de la industria.

Existen tres tecnologías principales:

Enfriamiento por aire
Utiliza ventiladores y sistemas de climatización. Es el método más tradicional, pero también el menos eficiente para instalaciones de alta densidad.

Enfriamiento evaporativo
Emplea la evaporación del agua para disipar el calor. Es más eficiente que el aire, pero consume grandes cantidades de agua, un recurso cada vez más disputado en muchas regiones.

Enfriamiento líquido
Utiliza refrigerantes que circulan cerca de los chips o permite sumergir los servidores en líquidos especiales. Los sistemas líquidos de circuito cerrado buscan mejorar la eficiencia térmica y reducir el consumo de agua.

La elección de una u otra tecnología depende del clima local, el costo de la energía, la disponibilidad de agua y las regulaciones ambientales de cada región.

La energía: el principal cuello de botella

Los centros de datos requieren enormes cantidades de electricidad para alimentar sus procesadores y sistemas de refrigeración. Esta demanda crece a medida que los modelos de IA se vuelven más grandes y más personas los utilizan.

Su expansión está aumentando la presión sobre las redes eléctricas, lo que impulsa nuevas estrategias:

Energía nuclear
Acuerdos e inversiones en centrales y pequeños reactores modulares. Varias empresas tecnológicas han firmado contratos a largo plazo para asegurar un suministro estable y bajo en emisiones.

Flexibilidad de carga
Adaptación del consumo a la disponibilidad de electricidad. Los centros de datos pueden programar ciertas tareas para momentos en que la red tiene excedente de energía renovable.

Eficiencia energética
Optimización de los procesadores y de la infraestructura. Cada generación de chips busca realizar más operaciones por vatio consumido.

La disponibilidad de electricidad se está convirtiendo en un factor decisivo para construir nuevos centros de datos. En algunas regiones, la red eléctrica simplemente no puede sostener la demanda adicional, lo que retrasa o bloquea proyectos.

Concentración geográfica e impacto local

La infraestructura mundial está concentrada en determinadas regiones. Estados Unidos lidera la capacidad instalada, y dentro de ese país, Virginia destaca como uno de los mayores polos de centros de datos del mundo. Otras regiones relevantes incluyen Irlanda, Países Bajos, Singapur y algunas zonas de China.

La construcción de nuevos centros de datos genera oportunidades económicas: empleos, inversión en infraestructura, ingresos fiscales. Pero también produce conflictos relacionados con:

• el consumo de electricidad;
• la disponibilidad de agua;
• las tarifas energéticas para los residentes locales;
• el impacto ambiental.

Estas tensiones también aparecen en México, particularmente en regiones que buscan atraer inversiones tecnológicas. La pregunta de fondo es cómo distribuir los costos y beneficios de una infraestructura que consume recursos locales pero presta servicios globales.

El futuro de los centros de datos

La industria proyecta inversiones de varios billones de dólares hacia 2030 para ampliar la capacidad computacional mundial. Esa cifra da una idea de la magnitud del desafío: no se trata solo de construir más edificios, sino de garantizar que existan energía, agua y redes capaces de sostenerlos.

Su desarrollo dependerá de combinar:

• procesadores más eficientes;
• refrigeración avanzada;
• nuevas fuentes de energía;
• una infraestructura eléctrica capaz de sostener la creciente demanda de IA.

Ninguna de estas piezas funciona de manera aislada. Un chip más eficiente reduce el consumo, pero si la red eléctrica no puede suministrar la potencia necesaria, el centro de datos no puede operar. Un sistema de refrigeración líquida ahorra agua, pero requiere inversiones adicionales y personal capacitado.

La idea fundamental

Los centros de datos son el punto donde la capacidad de cálculo se convierte en un servicio disponible para empresas y usuarios. Su desarrollo depende de tres capacidades fundamentales:

1. Computacional: disponer de procesadores, memoria y redes capaces de ejecutar modelos.
2. Energética: garantizar electricidad suficiente, estable y económicamente viable.
3. Industrial: construir, refrigerar y mantener instalaciones de gran escala.

En síntesis: la expansión de la inteligencia artificial no depende únicamente de desarrollar mejores modelos o fabricar chips más potentes. También requiere construir y sostener la infraestructura física necesaria para operarlos.

Los centros de datos conectan la industria tecnológica con los sistemas energéticos, los recursos naturales y las economías locales. Por ello, se han convertido en una pieza estratégica del ecosistema mundial de IA.

Preguntas frecuentes

¿Cuánta energía consume un centro de datos?
Depende de su tamaño y de la carga de trabajo. Un centro de datos grande puede consumir tanta electricidad como una ciudad pequeña. Los centros especializados en IA, con miles de aceleradores funcionando de manera continua, se encuentran entre las instalaciones más intensivas en energía del mundo.

¿Por qué consumen agua?
Porque muchos sistemas de refrigeración utilizan evaporación para disipar el calor. El agua se evapora y debe reponerse constantemente. En regiones con estrés hídrico, esto genera conflictos con otros usos del agua.

¿Se pueden construir en cualquier lugar?
No. Se necesitan tres condiciones: acceso a energía abundante y estable, disponibilidad de agua o alternativas de refrigeración, y conectividad de red de alta velocidad. Además, las regulaciones locales y la aceptación social influyen cada vez más.

¿Qué diferencia hay entre un centro de datos tradicional y uno de IA?
Los centros de datos tradicionales alojan aplicaciones web, bases de datos y servicios en la nube. Los centros de datos de IA están optimizados para cargas de trabajo intensivas en cálculo, con procesadores especializados, mayor densidad energética y sistemas de refrigeración más avanzados.

Alberto Arroyo

¿Qué es exactamente un chip?

Un chip es un circuito electrónico integrado, normalmente fabricado sobre una pequeña pieza de silicio. En su interior puede haber miles de millones de transistores, que son dispositivos diminutos capaces de controlar el paso de la corriente eléctrica.

Los transistores funcionan como los componentes fundamentales de los circuitos digitales. Combinados en estructuras complejas, permiten realizar operaciones lógicas, almacenar información y ejecutar cálculos.

En términos simplificados:

Transistores → circuitos → procesadores → computadoras.

Los chips están presentes en teléfonos, automóviles, electrodomésticos, servidores, satélites, robots y prácticamente cualquier dispositivo electrónico moderno. Sin embargo, no todos los chips sirven para lo mismo.

Los diferentes tipos de chips

Para entender la IA, necesitamos distinguir cuatro grandes categorías:

CPU — Central Processing Unit
Es el procesador de propósito general. Puede ejecutar instrucciones muy variadas y coordinar el funcionamiento de una computadora. Es flexible, pero no siempre es la opción más eficiente para realizar millones de operaciones matemáticas simultáneas.

GPU — Graphics Processing Unit
Originalmente diseñada para procesamiento gráfico, está especializada en realizar muchas operaciones en paralelo. Esa característica la hace especialmente útil para entrenar y ejecutar redes neuronales.

TPU — Tensor Processing Unit
Es una familia de aceleradores desarrollada por Google para operaciones de aprendizaje automático. Está diseñada para ejecutar eficientemente determinados cálculos utilizados por las redes neuronales.

NPU — Neural Processing Unit
Es un procesador especializado en operaciones de redes neuronales, frecuentemente integrado en teléfonos, computadoras y otros dispositivos para ejecutar IA localmente con un consumo energético relativamente bajo.

También existen los ASIC, circuitos diseñados para tareas específicas. Algunas GPU y otros aceleradores son circuitos especializados, pero un ASIC puede optimizarse para una función todavía más concreta.

La diferencia fundamental no está simplemente en qué chip tiene más potencia, sino en qué tipo de operaciones puede ejecutar con mayor eficiencia.

¿Por qué la IA necesita tantos chips?

Una red neuronal artificial está formada por operaciones matemáticas. Durante su entrenamiento, el sistema realiza enormes cantidades de multiplicaciones, sumas y otros cálculos para ajustar sus parámetros.

Imagina una red neuronal con miles de millones de parámetros que debe procesar cantidades gigantescas de datos. Cada vez que procesa información necesita realizar operaciones matemáticas. Durante el entrenamiento, además, debe calcular cómo modificar sus parámetros para reducir los errores. Y este proceso se repite muchísimas veces.

Proceso simplificado:

1. Datos de entrenamiento
2. Operaciones matemáticas en los chips
3. Cálculo del error y ajuste de parámetros
4. Repetición del proceso

Una GPU puede ejecutar muchas de estas operaciones simultáneamente, en lugar de procesarlas todas de manera estrictamente secuencial. Por eso los aceleradores son tan importantes para la IA moderna.

Entrenamiento e inferencia: dos necesidades diferentes

Los chips intervienen en dos momentos fundamentales de la vida de un modelo.

Por ejemplo, cuando utilizas ChatGPT, no estás entrenando desde cero el modelo con cada pregunta. Estás utilizando un modelo ya entrenado para generar una respuesta. Pero esa respuesta también consume capacidad de cálculo.

Esto introduce una distinción económica muy importante: una empresa necesita infraestructura tanto para desarrollar sus modelos como para atender a sus usuarios. Un modelo que cuesta mucho entrenar también puede resultar caro de operar si millones de personas lo utilizan constantemente.

¿Cómo se fabrica un chip?

Fabricar un chip avanzado es uno de los procesos industriales más complejos que existen. No basta con tener el diseño. Se necesita una cadena de producción que combina física, química, óptica, ingeniería, materiales y maquinaria extraordinariamente precisa.

Podemos dividir el proceso en seis etapas:

1. Diseño
Los ingenieros diseñan los circuitos que formarán el procesador. Determinan cómo estarán organizados los transistores, cómo circularán los datos y qué operaciones podrá realizar el chip. Para ello utilizan software especializado conocido como EDA (Electronic Design Automation).

2. Fabricación de obleas
El material de partida suele ser una oblea de silicio extremadamente puro. Sobre ella se construirán simultáneamente numerosos circuitos integrados.

3. Fotolitografía
Se proyectan patrones sobre materiales fotosensibles para definir las estructuras del circuito. Los equipos más avanzados utilizan luz ultravioleta extrema, conocida como EUV.

4. Construcción de circuitos
Mediante numerosos procesos de deposición, grabado, dopado y tratamiento se construyen los transistores y las conexiones entre ellos. El procedimiento se repite muchas veces para formar estructuras de múltiples capas.

5. Corte y empaquetado
La oblea se divide en chips individuales. Después se encapsulan y conectan con otros componentes. Los aceleradores modernos pueden integrar varios chips y memoria avanzada en un mismo paquete.

6. Pruebas
Finalmente, se comprueba que los componentes funcionen correctamente y cumplan las especificaciones.

La dificultad está en realizar todo esto con una precisión extraordinaria y conseguir que una proporción suficientemente alta de los chips fabricados funcione correctamente.

La cadena mundial de semiconductores

Ningún país controla de manera completamente independiente toda la cadena de producción de los semiconductores más avanzados. La industria está distribuida entre empresas especializadas que dependen unas de otras.

Cadena industrial simplificada:

1. Diseño de procesadores: NVIDIA, AMD, Apple, Qualcomm y otros.
2. Software de diseño: Synopsys, Cadence y Siemens EDA, entre otros.
3. Maquinaria de fabricación: ASML, Applied Materials, Lam Research y Tokyo Electron.
4. Fabricación: TSMC, Samsung e Intel Foundry.
5. Memoria y empaquetado: SK hynix, Samsung, Micron y empresas de ensamblaje y pruebas.
6. Integración en servidores: Fabricantes de sistemas y proveedores de infraestructura de IA.

Este mapa está simplificado: varias etapas se realizan en paralelo y algunas empresas participan en más de una. Lo importante es entender que diseñar un procesador, fabricar sus transistores y construir un servidor que lo utilice son actividades industriales distintas.

NVIDIA: el diseñador de aceleradores

NVIDIA se ha convertido en uno de los actores centrales de la infraestructura de IA gracias a sus aceleradores y a su ecosistema de software.

Su importancia no depende únicamente del hardware. También desarrolla herramientas que permiten aprovechar sus procesadores. Aquí aparece CUDA, su plataforma de computación paralela.

CUDA permite que desarrolladores e investigadores utilicen las GPU de NVIDIA para realizar cálculos generales y operaciones de aprendizaje automático. Con el tiempo se ha desarrollado un ecosistema de bibliotecas, herramientas y software alrededor de esta tecnología.

Por eso competir con NVIDIA no consiste simplemente en fabricar un chip con características similares. También es necesario construir un ecosistema de software capaz de aprovecharlo.

TSMC: la fábrica de los diseñadores

TSMC es una empresa taiwanesa especializada en la fabricación de semiconductores. Su modelo de negocio consiste principalmente en fabricar chips diseñados por otras compañías.

Imagina que NVIDIA diseña un procesador avanzado. Eso no significa que tenga que construir y operar por sí misma todas las fábricas necesarias para producirlo. Puede contratar a TSMC.

Esta separación entre diseño y fabricación se conoce como modelo fabless-foundry. La importancia estratégica de TSMC proviene de su capacidad para fabricar semiconductores avanzados a escala industrial. También explica por qué Taiwán ocupa una posición tan relevante en la cadena tecnológica mundial.

ASML: las máquinas que permiten fabricar chips

ASML es una empresa neerlandesa especializada en equipos de litografía. Sus sistemas EUV son fundamentales para fabricar determinados semiconductores de vanguardia.

Aquí encontramos un ejemplo extraordinario de especialización industrial. ASML no necesita fabricar los chips de NVIDIA para ser indispensable en su cadena de producción. Fabrica parte de la maquinaria que permite producirlos.

Sus sistemas combinan óptica avanzada, fuentes de luz, sistemas de vacío, mecánica de precisión y software. Esta dependencia ilustra algo fundamental: una empresa puede controlar un componente crítico de la industria sin fabricar el producto final.

La memoria: el componente que suele olvidarse

Un procesador no puede trabajar eficientemente si no recibe los datos que necesita. Aquí entra la memoria.

Los sistemas de IA utilizan diferentes tipos de memoria, pero una especialmente importante para los aceleradores avanzados es la HBM (High Bandwidth Memory). Su función es permitir que grandes cantidades de información se transfieran rápidamente entre la memoria y el procesador.

Entre las empresas relevantes están SK hynix, Samsung y Micron.

¿Por qué es importante? Porque no basta con que un procesador pueda realizar billones de operaciones. También necesita recibir los datos necesarios para ejecutarlas. Un sistema puede tener una enorme capacidad de cálculo y, aun así, funcionar por debajo de su potencial si la memoria no consigue alimentarlo suficientemente rápido.

Los nanómetros: ¿qué significa 3 nm o 2 nm?

Seguramente has escuchado hablar de chips de 7, 5, 3 o 2 nanómetros. Históricamente, estas denominaciones estaban relacionadas con dimensiones físicas de los transistores. Actualmente son nombres de generaciones tecnológicas y no representan una medida física única que pueda compararse directamente entre todos los fabricantes.

En términos generales, las nuevas generaciones buscan mejorar distintas combinaciones de:

• densidad de transistores;
• rendimiento;
• consumo energético;
• eficiencia;
• capacidad de fabricación.

Pero un número de nanómetros más pequeño no garantiza, por sí solo, que un procesador sea superior en todas las tareas. La arquitectura, la memoria, el empaquetado y el software también importan.

La energía: el verdadero límite físico

Los chips necesitan electricidad. Y esa electricidad se transforma parcialmente en calor. Por tanto, un sistema de IA necesita tanto energía para realizar cálculos como infraestructura para disipar el calor generado.

Esto introduce tres restricciones físicas:

• Potencia eléctrica: cuánta energía puede recibir la infraestructura.
• Refrigeración: cuánto calor puede eliminar.
• Eficiencia: cuántas operaciones útiles puede realizar por unidad de energía.

La industria no busca solamente procesadores más potentes. También busca procesadores capaces de realizar más trabajo consumiendo menos energía. Y aquí conectamos directamente con la siguiente capa del ecosistema: los centros de datos.

¿Por qué no basta con tener una GPU?

Porque entrenar modelos grandes requiere conectar numerosos procesadores. Imagina que necesitas utilizar miles de GPU para entrenar un modelo. No basta con colocarlas en un edificio. Necesitas que intercambien información de manera rápida y coordinada.

Eso requiere:

• redes de alta velocidad;
• interconexiones especializadas;
• memoria;
• almacenamiento;
• sistemas de refrigeración;
• software de entrenamiento distribuido.

El problema es que los procesadores pueden pasar parte de su tiempo esperando información de otros componentes. Por eso el rendimiento de un sistema de IA no depende únicamente de la potencia individual de cada chip. Depende del funcionamiento del conjunto.

La geopolítica de los semiconductores

La cadena de producción está repartida entre diferentes regiones.

Estas capacidades no son exclusivas de cada región, pero muestran la distribución internacional de la industria. La consecuencia es que existen dependencias cruzadas.

Un procesador diseñado en Estados Unidos puede fabricarse en Taiwán, utilizar memoria surcoreana y depender de maquinaria europea y japonesa. La cadena mundial de semiconductores es, por tanto, una red de interdependencias.

Estados Unidos y China: la competencia tecnológica

Los semiconductores se han convertido en uno de los componentes centrales de la competencia tecnológica entre Estados Unidos y China.

Estados Unidos ha utilizado controles de exportación sobre determinados chips avanzados y equipos relacionados con su fabricación. China, por su parte, ha impulsado el desarrollo de capacidades nacionales de diseño, fabricación y equipamiento.

Esta competencia afecta a empresas, inversiones y cadenas de suministro de numerosos países. Hay que distinguir dos objetivos diferentes:

• Desarrollar mejores chips: mejorar la tecnología y su rendimiento.
• Asegurar el acceso a los chips: garantizar que las empresas y las instituciones puedan adquirir la capacidad de cálculo que necesitan.

Un país puede contar con investigadores excelentes y modelos competitivos, pero enfrentarse a restricciones si no tiene suficiente acceso a infraestructura de computación. Por eso los semiconductores son un componente de la seguridad económica y tecnológica.

¿Por qué se les llama el petróleo de la IA?

La comparación resulta útil porque ambos son recursos estratégicos que permiten desarrollar numerosas actividades económicas. Pero no son equivalentes.

La diferencia es importante. Los chips no son un recurso natural que simplemente haya que encontrar. Son el resultado de décadas de investigación, inversiones industriales y acumulación de conocimiento. Por eso no es sencillo reproducir toda su cadena de producción, incluso disponiendo de grandes cantidades de dinero.

¿Qué significa esto para las empresas de IA?

El acceso a chips determina parte de lo que una empresa puede desarrollar y cuánto le cuesta hacerlo. Podemos imaginar tres situaciones:

• Una gran empresa tecnológica puede invertir en miles de aceleradores, desarrollar modelos propios y operar infraestructura de gran escala.
• Una startup de IA puede alquilar computación en la nube para entrenar modelos pequeños, ajustar modelos existentes o utilizar APIs.
• Una empresa tradicional puede utilizar modelos externos sin comprar directamente infraestructura especializada.

Esto genera diferentes niveles de participación en el ecosistema. No todas las empresas necesitan fabricar chips, comprarlos o entrenar modelos propios. Muchas pueden aprovechar la infraestructura desarrollada por otras.

El futuro de los chips para IA

La investigación y el desarrollo industrial avanzan en varias direcciones:

Procesadores especializados
Arquitecturas diseñadas para ejecutar operaciones específicas de IA con mayor eficiencia.

Chiplets y empaquetado avanzado
Combinación de varios componentes especializados en un mismo paquete para construir sistemas más complejos.

IA local o Edge AI
Ejecución de modelos directamente en teléfonos, computadoras, vehículos y otros dispositivos.

Mayor eficiencia energética
Reducción de la energía necesaria para realizar cálculos y mover información.

Nuevas formas de computación
Investigación en computación fotónica, neuromórfica y otras arquitecturas que podrían complementar los sistemas actuales.

No todas estas tecnologías tienen el mismo grado de madurez. Algunas ya se utilizan comercialmente, mientras que otras siguen siendo líneas de investigación.

El mapa completo de la capa de chips

1. Investigación y diseño: arquitecturas, circuitos y software EDA
2. Materiales: silicio, químicos y obleas
3. Maquinaria: litografía y equipos industriales
4. Fabricación de semiconductores
5. Memoria, empaquetado y pruebas
6. Procesadores y aceleradores de IA
7. Servidores y centros de datos
8. Entrenamiento e inferencia
9. Modelos y aplicaciones de IA

La idea más importante

Los chips son el punto en el que la inteligencia artificial deja de ser únicamente una cuestión de matemáticas y software y se convierte en un problema de capacidad industrial.

Puedes tener un algoritmo extraordinario, investigadores excelentes y datos de enorme calidad. Pero necesitas capacidad de cálculo para transformar todo eso en un modelo funcional. Y esa capacidad depende de una cadena física extraordinariamente compleja.

Por eso conviene distinguir tres conceptos:

• Capacidad científica: saber cómo construir mejores modelos.
• Capacidad industrial: poder fabricar los componentes necesarios.
• Capacidad computacional: disponer de sistemas capaces de ejecutar los cálculos.

Un país o una empresa puede destacar en una de estas capacidades sin controlar necesariamente las otras. Esta es una de las razones por las que la competencia mundial por la IA involucra simultáneamente a laboratorios, fabricantes de semiconductores, empresas tecnológicas, proveedores de energía, inversionistas y gobiernos.

La conclusión central es que la IA necesita inteligencia para diseñarse, datos para aprender y computación para existir como sistema operativo. Y los chips son el componente físico que hace posible esa computación.

La analogía de los chips como «el petróleo del siglo XXI» o «el petróleo físico de la IA» es acertada y reveladora, pero tiene un matiz fundamental: a diferencia del crudo, los chips son un recurso fabricado, no extraído. Su valor estratégico no reside en su escasez natural, sino en la extrema dificultad de su manufactura y en la concentración geográfica de esa capacidad.

Alberto Arroyo

El punto de partida: los datos no son solo números

Es común imaginar los datos como filas y columnas en una hoja de cálculo. Esa imagen se queda corta. En el contexto de la IA, los datos son la materia prima con la que se construyen, ajustan y alimentan los sistemas. Incluyen texto, imágenes, audio, video, código, lecturas de sensores, interacciones de usuarios, etiquetas, preferencias e incluso datos sintéticos generados artificialmente.

Todo modelo de inteligencia artificial, por sofisticado que parezca, depende de haber visto algo antes. Ese «algo» son datos.

El ciclo básico: del mundo al modelo y de vuelta

El recorrido de los datos sigue una secuencia que vale la pena tener clara:

Mundo → datos → recopilación → limpieza → etiquetado → curación → dataset → entrenamiento/contexto → modelo → aplicación → nuevos datos.

Cada flecha representa una decisión. Qué se recopila, qué se descarta, cómo se limpia, quién etiqueta, qué se considera «útil» y qué se excluye. No es un proceso neutral: es un proceso con criterios, intereses y limitaciones.

Y el ciclo no termina en la aplicación. Cada uso genera nuevos datos, que pueden volver a alimentar el sistema. Es un circuito, no una línea recta.

Lo que realmente importa: la calidad y su origen

La calidad de una IA depende en gran medida de qué datos utiliza, de dónde vienen, cómo fueron procesados y quién decide qué entra. Estos factores importan tanto como la arquitectura del modelo.

Al evaluar un conjunto de datos, conviene preguntarse por:

• Calidad: ¿los datos son precisos y consistentes?
• Actualidad: ¿reflejan el estado actual del mundo o están desactualizados?
• Representatividad: ¿incluyen la diversidad de casos que el modelo enfrentará?
• Sesgos: ¿qué patrones injustos o distorsionados contienen?
• Procedencia: ¿de dónde salieron y con qué permiso?
• Licencia: ¿su uso está legalmente permitido?
• Privacidad: ¿comprometen información personal?

Ninguna de estas preguntas tiene una respuesta trivial. Todas tienen consecuencias.

La infraestructura humana detrás de los datos

Hay una dimensión que suele pasarse por alto: detrás de muchos datasets hay personas y sistemas que etiquetan, clasifican, transcriben, comparan y evalúan información. Este trabajo humano es parte fundamental de la cadena.

Sin esa infraestructura, muchos modelos no podrían entrenarse ni mejorarse. Reconocerla es reconocer que la IA no es puramente automática: depende de trabajo humano, a menudo distribuido globalmente y no siempre visible.

Los distintos usos de los datos

No todos los datos cumplen la misma función. Según el momento y el objetivo, se usan de maneras distintas:

• Preentrenamiento: aprender patrones generales del mundo.
• Fine-tuning: especializar un modelo en una tarea o dominio.
• Preferencias/RLHF: aprender qué respuestas son mejores según criterios humanos.
• Evaluación: medir capacidades, límites y errores.
• Contexto/RAG: proporcionar información durante una interacción sin modificar el modelo.

Cada uso exige tipos de datos diferentes y plantea desafíos propios.

La dimensión estratégica: datos como poder

Los datos no son solo un insumo técnico. Son también un recurso económico y geopolítico. Empresas, gobiernos y plataformas acumulan grandes cantidades de información, y el acceso y control de esos datos se convierte en una fuente de poder.

Quien tiene datos de calidad, tiene ventaja. Quien decide qué datos entran y cuáles no, moldea lo que los modelos pueden aprender y, en última instancia, lo que pueden hacer.

Una distinción que ordena todo

Conviene no confundir conceptos que suelen usarse como sinónimos:

Datos ≠ información ≠ conocimiento ≠ capacidad.

Los datos son registros. La información es datos con contexto. El conocimiento es información integrada y comprendida. La capacidad es la posibilidad de actuar. La cadena completa puede resumirse así:

mundo → datos → representación → entrenamiento → modelo → capacidad → decisión → acción.

Cada eslabón transforma al anterior. Y cada uno introduce sus propias limitaciones.

En una frase

Si el cómputo es el motor de la IA, los datos son su materia prima; quien controla datos de calidad controla una parte importante de la capacidad de construir y mejorar inteligencia artificial.

Para reflexionar

La próxima vez que uses un sistema de IA, vale la pena preguntarse: ¿con qué datos se entrenó? ¿Quién los recopiló? ¿Qué quedó fuera? ¿Quién decidió qué entra y qué no? Esas preguntas no son técnicas: son preguntas sobre poder, representación y responsabilidad.

Alberto Arroyo

la IA no aparece de la nada

Cuando usamos un chatbot, un sistema de recomendaciones o un coche autónomo, estamos viendo el resultado final. Pero detrás de cada una de esas capacidades hay años de investigación, experimentos fallidos, papers académicos y equipos trabajando en problemas que a veces tardan décadas en dar frutos.

Esa es la función de la capa de ciencia e investigación: ser el motor intelectual de la inteligencia artificial. No fabrica productos directamente, pero produce todo lo que hace posible que existan: conocimiento, métodos, modelos, herramientas y talento.

Es una capa transversal a todo el ecosistema. Sin ella, no habría avances que luego la ingeniería convierta en sistemas y la industria en productos.

Una evolución que se puede resumir en una línea

La historia de la investigación en IA se puede condensar así:

Matemáticas → Machine Learning → Deep Learning → Transformers → modelos fundacionales → razonamiento → agentes → robótica / IA para la ciencia

Cada flecha representa un salto conceptual. Las matemáticas dieron el lenguaje formal. El machine learning permitió que las máquinas aprendieran de datos. El deep learning multiplicó esa capacidad con redes neuronales profundas. Los transformers revolucionaron el procesamiento del lenguaje y más allá. Los modelos fundacionales trajeron capacidades generales. El razonamiento añadió planificación y verificación. Los agentes conectaron percepción, decisión y acción. Y la robótica y la IA para la ciencia llevan todo esto al mundo físico y al descubrimiento científico.

¿Qué se investiga exactamente?

La investigación en IA no es un bloque único. Se divide en varias áreas fundamentales:

• Aprendizaje: cómo hacer que las máquinas aprendan a partir de datos, sin que alguien programe cada regla manualmente.
• Modelos: arquitecturas para procesar lenguaje, visión, audio, video y combinaciones multimodales.
• Razonamiento: planificación, resolución de problemas matemáticos, programación, búsqueda y verificación de resultados.
• Percepción: interpretar imágenes, sonido y el mundo físico que rodea a un sistema.
• Robótica: conectar la percepción con la decisión y la acción en entornos reales.
• Seguridad: alineamiento con valores humanos, interpretabilidad, robustez y control.
• Evaluación: medir capacidades, riesgos y fiabilidad de los sistemas.
• Eficiencia: lograr más capacidad con menos cómputo y menos energía.
• IA para la ciencia: usar inteligencia artificial para descubrir medicamentos, materiales, proteínas o fenómenos físicos.

Cada una de estas áreas tiene sus propios problemas abiertos, sus métodos y sus comunidades.

¿Quién hace esta investigación?

No hay un solo tipo de actor. La investigación en IA se reparte entre cuatro grandes grupos:

Universidades
Generan conocimiento fundamental y forman al talento que luego alimenta todo el ecosistema. Su ventaja es la independencia para investigar problemas de largo plazo.

Laboratorios corporativos
Hacen investigación de frontera con enormes recursos de cómputo y datos. Buscan avances que luego puedan integrarse en productos o servicios.

Comunidades abiertas
Comparten modelos, código, datasets y conocimiento. Aceleran la difusión de ideas y permiten que más personas participen.

Institutos públicos
Investigan temas estratégicos, construyen infraestructura y buscan soberanía tecnológica. Su mirada suele estar puesta en el interés general y en capacidades que no dependan solo del sector privado.

La tensión central: ciencia abierta frente a investigación propietaria

Aquí aparece uno de los debates más importantes del sector. Existe una competencia real entre dos formas de entender la investigación:

ciencia abierta ↔ investigación propietaria

La academia busca publicar, reproducir y compartir. Las empresas buscan ventaja competitiva y protegen sus hallazgos. Las grandes tecnológicas tienen más cómputo y más dinero; las universidades conservan mayor independencia para explorar problemas de largo plazo que no dan resultados inmediatos.

Esta tensión no es un defecto: es parte de la dinámica que hace avanzar al campo. Pero también plantea preguntas sobre acceso, equidad y hacia dónde se dirigen los esfuerzos.

La idea clave: investigación no es fábrica de productos

Conviene recordarlo porque es fácil confundirse. La investigación no es una fábrica de productos. Es la capa que intenta descubrir cómo hacer que las máquinas aprendan, razonen, perciban, generen, actúen y sean controlables.

En términos del ecosistema completo:

La ciencia descubre las capacidades → la ingeniería las convierte en sistemas → la industria las convierte en productos → la sociedad las utiliza.

Cada eslabón depende del anterior. Sin la capa de ciencia e investigación, los demás no tendrían de dónde partir.

Entender el origen para entender el presente

Si quieres comprender de dónde salen las capacidades de la inteligencia artificial, esta es la capa fundamental. No se ve en los titulares de productos, pero está detrás de cada avance. Es el lugar donde las preguntas difíciles se formulan, donde se prueban hipótesis y donde, poco a poco, se construye el conocimiento que luego transforma industrias y sociedades.

La próxima vez que uses una herramienta de IA, recuerda: detrás hay matemáticas, años de investigación, comunidades abiertas, laboratorios y una tensión constante entre compartir y competir. Esa es la capa que hace posible todo lo demás.

Alberto Arroyo

Introducción: la punta del iceberg

Cuando la mayoría de la gente piensa en inteligencia artificial, piensa en ChatGPT, Gemini, Claude o algún generador de imágenes. Es natural: son las interfaces que vemos y usamos. Pero reducir la IA a eso es como reducir internet a una página web.

El ecosistema mundial de IA no es una sola tecnología ni un conjunto de chatbots. Es una cadena tecnológica, económica y geopolítica formada por capas interdependientes. Cada eslabón depende del anterior y condiciona al siguiente.

Entender esa cadena no es un ejercicio académico. Es la diferencia entre ver la superficie y comprender dónde están realmente el poder, el dinero y las limitaciones de esta tecnología.

La cadena básica de la IA

El flujo fundamental que sostiene todo el ecosistema es este:

Energía → chips → cómputo → datos → modelos → herramientas/APIs → aplicaciones → agentes → usuarios → valor → capital

Veamos qué hace cada capa.

1. Infraestructura: energía, chips, servidores y redes

Todo comienza aquí. Sin electricidad no hay cómputo. Sin semiconductores no hay procesadores capaces de entrenar modelos. Sin centros de datos y redes de alta velocidad, nada de lo que viene después es posible.

Esta es la capa más física de todas. Hablamos de plantas de energía, fábricas de chips, cables submarinos y enormes naves llenas de servidores. Es también la capa más difícil de mover: no se improvisa una fábrica de semiconductores ni se construye un centro de datos en un fin de semana.

2. Nube: cómputo como servicio

La nube convierte la capacidad de cómputo en un servicio accesible. En lugar de que cada empresa compre y mantenga sus propios servidores, alquila capacidad a proveedores como AWS, Azure o Google Cloud.

Esto democratiza el acceso, pero también concentra el control: unos pocos actores globales gestionan la infraestructura de la que dependen miles de empresas.

3. Datos: el combustible

Los datos alimentan y permiten entrenar, evaluar y mejorar los sistemas de IA. Sin datos no hay modelo. Y no se trata solo de cantidad: importa la calidad, la diversidad, la representatividad y los derechos de uso.

Aquí aparece una tensión clave: los datos son abundantes en teoría, pero escasos en la práctica cuando se necesitan con licencia, curados y libres de sesgos problemáticos.

4. Modelos: los motores

Los modelos son el corazón de la IA: desde los grandes modelos de lenguaje (LLMs) hasta los modelos de imagen, audio y video. Aquí es donde se concentra gran parte de la atención mediática y científica.

Pero un modelo sin infraestructura, sin datos y sin capacidad de cómputo no existe. Es la capa más visible, pero no la más determinante.

5. Herramientas y APIs: construir sin empezar de cero

Las APIs permiten que cualquier desarrollador use un modelo sin tener que entrenarlo. Esto ha multiplicado la innovación: pequeñas empresas y desarrolladores independientes pueden crear productos sofisticados sin inversiones millonarias.

Es la capa que conecta la potencia bruta de los modelos con la creatividad de miles de equipos en todo el mundo.

6. Aplicaciones: la IA en el mundo real

Aquí la IA llega a la programación, el diseño, la medicina, la educación, las finanzas, la industria y prácticamente cualquier sector. Las aplicaciones son la traducción de la capacidad técnica en utilidad concreta.

7. Agentes: de responder a actuar

Los agentes convierten la IA de un sistema que responde en uno que puede planear, utilizar herramientas y ejecutar tareas. Este es uno de los saltos más importantes: la IA deja de ser un asistente pasivo y se convierte en un ejecutor activo.

8. Robótica: la conexión con el mundo físico

La robótica conecta la inteligencia digital con el mundo físico. Aquí la IA deja de ser solo texto o imágenes y pasa a mover brazos, conducir vehículos o manipular objetos.

9. Usuarios y empresas: la adopción

Los usuarios y las empresas convierten la capacidad tecnológica en adopción y valor. Sin usuarios no hay retroalimentación, sin empresas no hay escala, sin escala no hay inversión sostenida.

10. Capital: el combustible del ecosistema

Alrededor de toda la cadena están el capital, el talento, la investigación, los gobiernos, la regulación y la geopolítica. El capital fluye hacia donde ve retorno, y ese flujo determina qué tecnologías avanzan y cuáles se quedan atrás.

El mapa de poder: quién controla qué

La competencia mundial no consiste únicamente en quién tiene el mejor modelo. También consiste en quién controla:

energía + chips + fabricación + datos + nube + modelos + aplicaciones + agentes + usuarios + capital.

Por eso:

• Estados Unidos destaca por modelos frontera, capital, nube, chips de diseño y grandes tecnológicas.
• China compite en modelos, hardware, manufactura, datos y despliegue masivo.
• Europa tiene fortaleza científica e industrial y un papel especialmente importante en regulación.
• Asia-Pacífico y otras regiones ocupan posiciones estratégicas en chips, manufactura, talento, inversión y mercados.

Ningún país domina todas las capas. La competencia es por el control de eslabones críticos, no por el ecosistema completo.

La idea fundamental

La IA no es simplemente software: es una nueva infraestructura tecnológica alrededor de la capacidad de cómputo para producir inteligencia.

ChatGPT es solamente la ventana visible. Detrás existe una enorme infraestructura física, financiera, empresarial y geopolítica.

En una frase: quien estudia IA únicamente desde los modelos entiende una parte; quien entiende el ecosistema entiende dónde están realmente el poder, el dinero y las limitaciones de la IA.

Para llevar

• La IA es una cadena, no un producto aislado.
• Cada capa depende de las anteriores y condiciona las siguientes.
• El poder no está solo en los modelos, sino en el control de la infraestructura, los datos, el cómputo y el capital.
• Entender el ecosistema completo es entender dónde se juega realmente la partida.

Alberto Arroyo

En 2026, la inteligencia artificial ya no es una novedad. Está en nuestros teléfonos, en el trabajo, en la educación y en la ciencia. Pero sigue generando confusión: ¿es una herramienta revolucionaria o una moda peligrosa? ¿Puede reemplazar a los humanos o solo ayudarnos?

La forma más útil de entenderla no es preguntar “qué profesiones va a sustituir”, sino “qué capacidades tiene y bajo qué condiciones funcionan”. Porque la IA actual tiene una frontera irregular: puede realizar tareas extraordinariamente complejas y, al mismo tiempo, fallar en otras aparentemente sencillas.

Este artículo repasa qué puede hacer, qué no puede hacer y por qué la pregunta correcta ya no es “¿puede la IA hacerlo?”, sino “¿puede hacerlo de principio a fin, con qué herramientas, qué tasa de error y cuánta supervisión humana?”.

1. Una frontera irregular

Imagina un asistente que puede escribir un ensayo, traducir diez idiomas, programar una aplicación y analizar montañas de datos. Pero ese mismo asistente, a veces, se equivoca al contar cuántas veces aparece la letra “a” en una frase. No es un defecto de diseño; es la naturaleza de estos sistemas.

La IA de 2026 no es uniformemente competente. Tiene picos de capacidad altísimos y valles de fragilidad inesperada. Entender eso es el primer paso para usarla bien.

2. Lo que la IA puede hacer

Estas son algunas de las capacidades más desarrolladas hoy:

• Lenguaje: redactar, resumir, traducir, explicar, clasificar, comparar y extraer información.
• Análisis: encontrar patrones, relaciones, contradicciones, categorías y anomalías en grandes volúmenes de información.
• Razonamiento: resolver problemas avanzados de matemáticas, ciencia, lógica y programación, aunque de forma variable.
• Código: escribir, modificar, depurar y probar software, especialmente cuando dispone de herramientas.
• Multimodalidad: interpretar y generar texto, imágenes, audio y video.
• Generación: producir rápidamente múltiples versiones de textos, imágenes, código, diseños, presentaciones y otros contenidos.
• Predicción y análisis de datos: detectar patrones en grandes conjuntos de información y realizar determinadas predicciones.
• Uso de herramientas: buscar información, consultar archivos, ejecutar código, utilizar APIs y operar otros sistemas.
• Agentes: encadenar planificación → herramientas → acciones → observación → corrección para ejecutar tareas de varios pasos.

La gran transformación está en que la IA deja de limitarse a responder y empieza a poder actuar mediante herramientas. Ya no solo te dice cómo hacer algo; puede hacerlo, si le das acceso a las herramientas adecuadas.

3. Lo que sigue siendo un límite

Pero no todo es capacidad. Estos son los límites que persisten en 2026:

• No garantiza la verdad: puede generar información falsa con apariencia de certeza.
• No garantiza razonamiento correcto: puede resolver problemas muy difíciles y equivocarse en otros aparentemente simples.
• No comprende el mundo de manera perfecta: puede interpretar mal imágenes, espacios, instrucciones o situaciones ambiguas.
• No tiene experiencia física humana: puede representar conceptos como dolor, hambre o amor sin que eso demuestre experiencia subjetiva.
• No tiene objetivos propios demostrados: perseguir un objetivo proporcionado por el usuario no equivale a tener deseos propios.
• No tiene capacidad física por sí misma: necesita robots, sensores, máquinas u otros sistemas para intervenir físicamente.
• La autonomía tiene límites: cuanto más largo y complejo es el flujo de acciones, más oportunidades existen para que aparezcan errores.
• No asume responsabilidad: la responsabilidad legal, profesional y ética sigue correspondiendo a personas u organizaciones.
• No sabemos resolver definitivamente cuestiones como conciencia o experiencia subjetiva: producir comportamiento inteligente no demuestra por sí mismo que exista una experiencia interna comparable a la humana.

Estos límites no significan que la IA sea inútil. Significan que necesita supervisión, verificación y contexto.

4. La idea central

La IA de 2026 no es simplemente una herramienta que “piensa” ni una máquina que “no piensa”.

Es más preciso verla como un sistema capaz de realizar conjuntos muy amplios de operaciones cognitivas, pero con una fiabilidad desigual.

La pregunta importante pasa de:

¿Puede hacerlo la IA?

a:

¿Puede hacerlo de principio a fin, con qué herramientas, qué tasa de error, bajo qué condiciones y con cuánta supervisión humana?

5. El cambio fundamental en el flujo de trabajo

Antes, el esquema era simple:

Persona → hace → resultado

Ahora, con la IA generativa, el flujo se transforma:

Persona → especifica → IA → genera/analiza/ejecuta → persona verifica → resultado

Y con agentes autónomos, aparece un nuevo nivel:

Objetivo → planificación → herramientas → acciones → observación → corrección → resultado

Por eso, probablemente la característica más importante de la IA actual no es que pueda hacer una tarea determinada, sino que está desplazando la frontera entre lo que una persona tiene que ejecutar directamente y lo que puede simplemente especificar, supervisar y verificar.

Conclusión

La IA de 2026 es una tecnología poderosa, pero no mágica. Entender qué puede y qué no puede hacer, y bajo qué condiciones, es la diferencia entre usarla como una herramienta transformadora o frustrarse con sus fallos.

No se trata de confiar ciegamente ni de rechazarla por miedo. Se trata de aprender a trabajar con ella: especificar bien, verificar siempre y mantener la responsabilidad humana en el centro.

En una frase: la IA actual es extraordinariamente capaz, pero no uniformemente fiable; su poder está creciendo más rápido que la garantía de que sus resultados sean correctos.

Alberto Arroyo

Una guía clara para entender la diferencia entre conocer el mundo y aprender patrones sobre él

Cuando usamos un modelo de lenguaje como ChatGPT, Gemini o Claude, es fácil caer en la trampa de pensar que “sabe” cosas de la misma manera en que las sabemos nosotros. Responde con fluidez, recuerda conceptos, combina ideas y hasta parece razonar. Pero hay una diferencia de fondo que conviene entender bien: no es lo mismo construir conocimiento a través de la experiencia que aprender patrones estadísticos a partir de datos.

Este artículo explica esa diferencia sin tecnicismos innecesarios, pero sin simplificar de más.

1. Dos caminos distintos hacia el conocimiento

Una persona construye conocimiento a través de un recorrido que podríamos resumir así:

mundo → percepción → experiencia → memoria → conceptos → lenguaje

Un LLM, en cambio, sigue una ruta muy diferente:

datos → tokens → representaciones → parámetros → predicción → lenguaje

La diferencia clave está en el punto de partida. El ser humano tiene una relación directa con el territorio: lo toca, lo huele, lo habita, se equivoca y aprende de las consecuencias. El LLM aprende principalmente de mapas del territorio: textos, imágenes, audio y otros datos producidos por otras personas.

Dicho de otro modo: el humano conoce el fuego porque se quemó; el modelo conoce el fuego porque leyó millones de descripciones sobre quemaduras.

2. No es solo memorizar

Sería injusto decir que un LLM es una base de datos gigante o un loro que repite frases. Durante el entrenamiento, el modelo aprende estructuras, relaciones y regularidades complejas que quedan distribuidas en sus parámetros.

Por eso puede generalizar y combinar conceptos que nunca aparecieron exactamente juntos en sus datos de entrenamiento. Eso no es memorización pura; es una forma sofisticada de abstracción estadística.

Pero atención: generalizar no es lo mismo que comprender. Puedes generalizar patrones sin haber vivido ninguna experiencia directa del mundo.

3. El problema del “saber”

Un LLM puede responder correctamente a la pregunta “¿Qué es un perro?” y demostrar que contiene información muy detallada sobre perros. Pero eso no significa que tenga el mismo concepto que una persona que ha:

• visto perros;
• tocado perros;
• escuchado ladridos;
• jugado con ellos;
• sido mordida;
• observado su comportamiento.

El modelo puede tener una representación funcional de “perro” sin haber tenido jamás una experiencia de perro. Sabe cómo se usa la palabra, qué relaciones mantiene con otras, en qué contextos aparece. Pero no tiene el concepto anclado en vivencia.

4. La diferencia más profunda: estar en el mundo

Una persona mantiene un ciclo constante:

percepción → decisión → acción → mundo → consecuencia → nueva percepción

Por ejemplo:

tocar una taza caliente → sentir dolor → aprender → evitarla

Ese vínculo entre palabra, percepción, acción y consecuencia ancla el conocimiento humano a la realidad. No solo sabemos que el fuego quema: lo sabemos porque nuestro cuerpo lo registró.

Un LLM, por sí solo, no tiene ese ciclo de experiencia corporal. Puede simularlo, describirlo o razonar sobre él, pero no lo vive.

5. Conocer información no es verificarla

Un modelo puede contener información correcta en sus parámetros y aun así responder incorrectamente. Esto es clave:

Tener información representada no equivale a tener un mecanismo perfecto para recuperarla y verificarla.

Aquí conectamos directamente con las alucinaciones: el modelo genera una respuesta plausible según sus patrones, pero no tiene un mecanismo interno infalible para comprobar si eso corresponde con la realidad. Nosotros tampoco somos infalibles, pero contamos con percepción, memoria episódica y acción en el mundo para corregirnos. El modelo, sin herramientas externas, no.

6. ¿Entonces un LLM comprende?

Hay dos extremos que conviene evitar:

❌ “No entiende absolutamente nada.”
Demasiado simplista. Un LLM construye representaciones funcionales muy sofisticadas del lenguaje y de aspectos del mundo.

❌ “Entiende exactamente como un humano.”
Tampoco está justificado. No tiene experiencia, cuerpo, intenciones propias ni consecuencias vitales.

La posición más útil es esta:

Un LLM puede construir representaciones funcionales y sofisticadas del lenguaje y de aspectos del mundo, pero eso no implica que posea experiencia, conciencia o comprensión humana del mismo tipo.

7. Una distinción clave en tabla

8. La conexión con todo

Para entender dónde vive lo que un LLM “sabe”, conviene ver el recorrido completo:

Datos → Entrenamiento → Parámetros → Tokens → Embeddings → Transformer + Attention → Representaciones → Probabilidades → Siguiente token → Generación

Lo que el modelo “sabe” está principalmente en esas representaciones y parámetros, no en una base de datos de hechos ni en experiencias personales. No hay un archivador con fichas; hay patrones distribuidos en millones de números que, combinados, producen respuestas útiles.

Conclusión

Entender esta diferencia no es un ejercicio filosófico abstracto. Tiene consecuencias prácticas: nos ayuda a usar mejor estas herramientas, a no sobreestimar lo que pueden hacer solas, a saber cuándo necesitan verificación externa y a diseñar mejores sistemas que combinen lo mejor de ambos mundos.

Un LLM no “sabe” como una persona. Pero eso no lo hace inútil. Lo hace otra cosa: una forma nueva y poderosa de procesar patrones sobre cómo describimos y representamos el mundo.

Alberto Arroyo

1. La idea central

Un LLM genera texto prediciendo qué token es más probable que aparezca después, utilizando como contexto todo lo generado anteriormente.

No genera la respuesta completa de una vez: la construye token por token.

Esta es la diferencia más importante entre imaginar un LLM como una máquina que «sabe» respuestas y entenderlo como lo que realmente es: un sistema que calcula probabilidades sobre el siguiente token, una y otra vez.

2. Generación autoregresiva

El proceso es:

contexto → Transformer → probabilidades → siguiente token → nuevo contexto → repetir

Se llama autoregresivo porque cada token generado se incorpora al contexto que determina el siguiente.

Un ejemplo conceptual. Supongamos que el modelo debe completar:

El gato se sentó sobre la

El modelo calcula probabilidades para el siguiente token. Elige uno. Lo añade al contexto. Ahora debe predecir el siguiente token de:

El gato se sentó sobre la alfombra

Y así sucesivamente. Cada paso depende de todos los anteriores. No hay un plan global de la respuesta: hay una cadena de decisiones locales.

3. Tokens, no necesariamente palabras

El modelo predice tokens, que pueden ser:

• Palabras completas
• Fragmentos de palabras
• Signos de puntuación
• Espacios
• Símbolos especiales

Por eso es más preciso decir:

probabilidad del siguiente token

que «probabilidad de la siguiente palabra».

Esta distinción importa porque una palabra como «inteligencia» puede dividirse en varios tokens, y cada uno se predice por separado. El modelo no «piensa» en palabras completas: trabaja con las unidades que definió su tokenizador.

4. Logits → probabilidades

El Transformer produce primero logits, que son puntuaciones para cada token posible del vocabulario. Son números crudos, sin normalizar, que indican cuánto «favorece» el modelo a cada token.

Después:

logits → softmax → distribución de probabilidades

El softmax convierte esas puntuaciones en probabilidades que suman 1. Por ejemplo:

gato    → 65%
perro   → 26%
caballo → 8%
avión   → 1%

Los números son ilustrativos. Lo importante es el mecanismo: el modelo pasa de puntuaciones internas a una distribución sobre todo el vocabulario.

5. Sampling: por qué no siempre sale lo más probable

El modelo no necesariamente elige siempre el token con mayor probabilidad.

Puede muestrear de la distribución:

gato    50%
perro   30%
caballo 15%
avión   5%

y seleccionar «perro», aunque «gato» sea el más probable.

Esto introduce variabilidad entre generaciones. Si le pides al modelo la misma frase dos veces, puedes obtener dos respuestas distintas. No es un error: es el resultado de muestrear de una distribución en lugar de tomar siempre el máximo.

Si el modelo siempre eligiera el token más probable, el texto sería repetitivo y predecible. El sampling permite explorar alternativas.

6. Temperatura

La temperatura modifica la distribución antes de muestrear:

• Baja: concentra las probabilidades → respuestas más predecibles.
• Alta: las distribuye más → más variedad y posibilidades menos probables.

Con temperatura baja, la distribución se agudiza y el token más probable domina. Con temperatura alta, la distribución se aplana y tokens menos probables ganan peso.

Importante:

Temperatura no equivale exactamente a creatividad.

Es un mecanismo de control de la distribución de selección. Decir «sube la temperatura para que sea más creativo» es una simplificación útil pero imprecisa. Lo que hace la temperatura es cambiar cómo se reparte la probabilidad entre los candidatos, no añadir una capacidad creativa nueva.

7. El contexto cambia todo

Cada token generado modifica el contexto y, por tanto, las probabilidades siguientes.

Por eso:

pequeña diferencia al principio → contexto diferente → probabilidades diferentes → respuesta final diferente

Esta es la razón profunda de la variabilidad. Una elección distinta en el primer token puede llevar a una respuesta completamente diferente al final. El efecto se amplifica a medida que avanza la generación.

También explica por qué el mismo prompt puede producir resultados muy distintos: no hay un camino único, hay un árbol de posibilidades que se va podando con cada decisión.

8. El mapa completo

Texto
  ↓
Tokens
  ↓
Embeddings
  ↓
Transformer + Attention
  ↓
Representación contextual
  ↓
Logits
  ↓
Softmax
  ↓
Distribución de probabilidades
  ↓
Sampling / decodificación
  ↓
Siguiente token
  ↓
Se actualiza el contexto
  ↓
Se repite

Este es el ciclo completo. Cada paso alimenta al siguiente. El modelo no tiene un módulo separado de «verificación de verdad»: solo transforma contexto en probabilidades y muestrea.

9. La conexión con las alucinaciones

Aquí está el punto clave:

Probabilidad ≠ verdad.

El modelo busca una continuación plausible según sus patrones aprendidos, no necesariamente una continuación verdadera.

Por eso puede producir:

lingüísticamente probable + coherente + convincente + factualmente falso

→ alucinación

La misma maquinaria que genera texto correcto genera texto falso. No hay una bifurcación donde el modelo decida inventar. Simplemente sigue el proceso: calcula probabilidades, muestrea, actualiza el contexto, repite. A veces lo que sale coincide con la realidad y a veces no.

Esto conecta directamente con lo que vimos sobre alucinaciones: el modelo está optimizado para generar continuaciones plausibles, no para garantizar que cada afirmación sea verdadera.

10. Lo que debes memorizar

1. Probabilidad: el modelo calcula probabilidades para los posibles siguientes tokens.

2. Generación: construye la respuesta token por token.

3. Sampling: permite seleccionar diferentes continuaciones a partir de la distribución.

4. Limitación: una continuación muy probable puede ser falsa.

Y la frase que sintetiza todo:

Un LLM transforma el contexto en una distribución de probabilidades sobre posibles siguientes tokens y utiliza esa distribución para generar una secuencia.

Esa frase conecta directamente:

probabilidad → generación → variabilidad → creatividad → alucinaciones

Resumen final

Entender la generación de un LLM como un proceso probabilístico token a token cambia la forma de interpretarlo. No hay una respuesta almacenada que se recupera: hay una distribución que se calcula en cada paso y de la que se muestrea. La temperatura, el sampling y el contexto determinan qué camino toma la generación.

Esta perspectiva explica la variabilidad entre respuestas, la aparente creatividad del modelo y también su tendencia a inventar. Todas son consecuencias del mismo mecanismo: predecir el siguiente token probable, no verificar la verdad.

Alberto Arroyo

1. Qué es una alucinación

Una alucinación ocurre cuando un LLM genera información plausible, coherente y convincente, pero falsa, inventada o no respaldada por la evidencia disponible.

La palabra «alucinación» puede sonar extraña aplicada a un programa. No implica que el modelo vea cosas ni que tenga experiencias subjetivas. Es una metáfora útil para describir un fenómeno muy concreto: el modelo produce una salida que parece correcta pero no lo es.

2. La causa fundamental

Un LLM está optimizado principalmente para:

predecir el siguiente token más probable a partir del contexto.

No tiene como objetivo fundamental determinar la verdad.

Por eso el proceso se parece a:

contexto → representaciones → Transformer → probabilidades → siguiente token → siguiente token → respuesta

y no a:

pregunta → base de datos → hecho verdadero → respuesta

Esto explica cómo puede producir una respuesta lingüísticamente excelente pero factualmente falsa. El modelo no consulta una base de datos de hechos verificados. Genera una secuencia de tokens que estadísticamente encaja con el contexto. Y esa secuencia puede ser falsa.

3. No es exactamente «mentir»

Mentir implica intención de engañar. Un LLM no necesita tener esa intención. No hay un plan oculto ni una decisión de falsear la realidad.

Es más preciso decir:

Genera una continuación lingüísticamente plausible que resulta ser falsa.

La diferencia importa porque cambia cómo debemos interpretar el fenómeno. No estamos ante un adversario que quiere engañarnos, sino ante un sistema que hace bien su tarea —predecir— y esa tarea no incluye verificar la verdad.

4. Tipos comunes de alucinaciones

Las formas que adopta una alucinación son variadas:

• Hechos inventados: personas, eventos, empresas, estudios que no existen.
• Citas o fuentes inventadas: referencias bibliográficas que parecen reales pero no lo son.
• Datos incorrectos: cifras, fechas o estadísticas equivocadas.
• Atribuciones incorrectas: asignar una obra o descubrimiento a la persona equivocada.
• Explicaciones inventadas: construir una explicación causal convincente sin evidencia.

Lo peligroso es que todas estas formas comparten un rasgo: suenan bien. Una cita inventada puede tener autores, año, revista y título perfectamente verosímiles. Un dato incorrecto puede estar expresado con total seguridad.

5. El gran peligro: coherencia no es verdad

Coherencia ≠ verdad.

Un texto puede ser elegante, específico, bien estructurado y convincente, y aun así ser completamente falso.

Esto sucede porque el conocimiento del modelo está distribuido estadísticamente en sus parámetros, no almacenado como una base de datos perfectamente estructurada. El modelo no «sabe» cosas del mismo modo en que un archivo contiene un dato. Tiene patrones estadísticos que le permiten generar texto que se parece al conocimiento, pero no hay una garantía de correspondencia con la realidad.

Por eso la fluidez de una respuesta no es evidencia de su veracidad. De hecho, la fluidez es exactamente lo que el modelo está entrenado para producir.

6. ¿Por qué «rellena huecos»?

Cuando el modelo no tiene suficiente información, puede intentar completar la respuesta en lugar de decir «no lo sé».

Ahí aparece una tensión fundamental:

capacidad de generar → utilidad + creatividad
capacidad de generar → también posibilidad de inventar

La misma capacidad que permite al LLM combinar y generalizar información puede producir una afirmación plausible que no corresponde con la realidad. No son dos mecanismos separados: son dos caras del mismo mecanismo.

Esto es importante porque sugiere que no se puede eliminar la alucinación sin afectar la capacidad generativa. El objetivo realista no es eliminarla por completo, sino reducirla y detectarla.

7. ¿Cómo se reducen?

Principalmente mediante varias estrategias complementarias:

• RAG: proporcionar documentos externos relevantes.
• Búsqueda web: verificar información actual.
• Herramientas: calculadoras, código, APIs, bases de datos.
• Mejor entrenamiento: datos y técnicas de alineación.
• Verificación: comprobar la respuesta contra evidencia externa.
• Abstención: permitir que el modelo diga que no tiene suficiente información.

Cada una ataca el problema desde un ángulo distinto. RAG aporta contexto. Las herramientas aportan cómputo exacto. La abstención reduce la presión de responder siempre. La verificación externa detecta errores después de generados.

Pero conviene subrayar una advertencia:

RAG no elimina las alucinaciones.

Si el documento es incorrecto o el modelo lo interpreta mal, la respuesta también puede ser incorrecta. RAG reduce el espacio de invención, pero no lo cierra. El modelo sigue generando, y sigue pudiendo generar mal.

8. La distinción clave

Hay dos capacidades diferentes:

Generar:

«¿Qué respuesta parece apropiada?»

Verificar:

«¿Esta respuesta corresponde realmente con la evidencia?»

Los LLM son extraordinariamente buenos en la primera; la segunda requiere mecanismos adicionales.

Esta distinción es probablemente la más útil para pensar el problema. Un LLM puede ser excelente generando y pésimo verificando, porque nunca fue entrenado para verificar. Confundir ambas capacidades lleva a sobreestimar lo que el modelo puede hacer por sí solo.

9. Para tu mapa mental

LLM → tokens → embeddings → Transformer → atención → representaciones → predicción → generación

Y aquí aparece el riesgo:

predicción plausible → respuesta correcta O alucinación

La misma ruta produce ambas cosas. No hay una bifurcación explícita donde el modelo decida «ahora voy a inventar». Simplemente genera, y a veces lo generado coincide con la realidad y a veces no.

10. Frase para memorizar

Una alucinación es una salida generada por un modelo de IA que presenta como plausible o cierta información falsa, inventada, incorrecta o insuficientemente respaldada.

Y la idea más importante:

Un LLM está optimizado para generar continuaciones lingüísticamente plausibles, no para garantizar que cada afirmación sea verdadera.

Resumen final

Las alucinaciones no son un bug que se pueda parchear con una actualización. Son una consecuencia estructural de cómo funcionan los LLM: predicen tokens, no verifican hechos. Entender esto cambia la forma de usarlos. En lugar de confiar en la fluidez de una respuesta como señal de verdad, conviene tratarla como lo que es: una generación plausible que necesita verificación externa cuando la exactitud importa.

Las estrategias como RAG, búsqueda, herramientas y abstención reducen el problema, pero no lo eliminan. La distinción entre generar y verificar sigue siendo el marco más claro para pensar qué puede hacer un LLM por sí solo y qué requiere apoyo adicional.

Alberto Arroyo

1. ¿Qué es una modalidad?

Una modalidad es simplemente un tipo de información con una estructura diferente. Las más comunes en IA son:

• 📝 Texto → palabras / tokens
• 🖼️ Imagen → píxeles
• 🔊 Audio → ondas / señales
• 🎥 Video → imágenes + tiempo
• 💻 Código → símbolos con sintaxis formal
• 📊 Datos estructurados → tablas, registros

Una fotografía y una frase son ambas información, pero están estructuradas de maneras completamente distintas. Por ejemplo:

"Un perro está corriendo"

es una secuencia de tokens. Mientras que una fotografía es una matriz enorme de valores de píxeles:

[255, 120, 80, ...]
[240, 110, 70, ...]
[...]

El problema es: ¿cómo metes información tan diferente dentro de un modelo que pueda relacionarla?

2. La idea fundamental: todo se convierte en representaciones

Conceptualmente:

          TEXTO
             ↓
        representación
             ↓
             
IMAGEN → representación
             ↓
             ↓
          MODELO
             ↑
             ↑
        representación
             ↑
           AUDIO

Cada modalidad necesita algún mecanismo que la transforme en una representación que el modelo pueda utilizar:

texto  → embeddings
imagen → embeddings
audio  → embeddings

Y entonces podemos empezar a relacionarlas.

3. El puente conceptual: tokens y embeddings

Aquí es donde lo que ya sabes sobre embeddings se vuelve fundamental.

Un LLM tradicional solo ve tokens de texto. Un LLM multimodal también ve tokens visuales, tokens de audio, etc. El Transformer no necesita saber si un vector viene de la palabra «perro» o de un parche de una imagen de un perro. Solo ve una secuencia de vectores y aprende a relacionarlos.

Imagina que tenemos:

"perro"
   ↓
vector
[...]

y una imagen de un perro:

fotografía de perro
   ↓
vector
[...]

Si el sistema está entrenado adecuadamente, puede aprender a colocar representaciones relacionadas en un espacio común o relacionable:

                ESPACIO DE REPRESENTACIÓN

                         perro
                          •
                       /     \
                      /       \
                     •         •
          "perro"          imagen de perro

Esto permite que el modelo aprenda: esta representación visual y esta representación lingüística están relacionadas.

4. Lo que la multimodalidad NO es

Conviene despejar un malentendido. La multimodalidad no significa simplemente que una IA tenga cinco herramientas diferentes conectadas:

modelo de texto
+
modelo de imágenes
+
modelo de audio

Tampoco significa necesariamente que la imagen se convierta primero en palabras:

imagen
 ↓
"un perro corriendo"
 ↓
LLM

como si hubiera una persona describiendo la imagen antes de que el modelo la procese.

Lo interesante es que el sistema pueda relacionar las modalidades dentro de un mismo proceso de inferencia. Puede existir una arquitectura mucho más integrada:

imagen ──────┐
             │
texto ───────┼──→ representaciones → Transformer
             │
audio ───────┘

La arquitectura exacta depende del modelo. Pero conceptualmente queremos conseguir algo:

diferentes modalidades → representaciones compatibles → razonamiento conjunto.

5. Cómo procesa una imagen un modelo

Aquí hay otra conexión con los Transformers.

Una imagen puede dividirse en pequeñas regiones o parches:

┌───┬───┬───┬───┐
│   │   │   │   │
├───┼───┼───┼───┤
│   │   │   │   │
├───┼───┼───┼───┤
│   │   │   │   │
├───┼───┼───┼───┤
│   │   │   │   │
└───┴───┴───┴───┘

Esos parches pueden transformarse en representaciones numéricas. Entonces terminamos con algo conceptualmente parecido a:

imagen
  ↓

[vector]

[vector]

[vector]

[vector]

[vector]

…

Es decir: la imagen termina convirtiéndose en una secuencia de representaciones que una arquitectura basada en Transformers puede procesar. Esto conecta directamente con los tokens.

6. La arquitectura típica de un sistema multimodal

Para que un LLM multimodal funcione, se necesitan tres piezas:

1. Encoders específicos por modalidad

• Texto: tokenizador + embedding.
• Imagen: Vision Transformer (ViT) que divide la imagen en parches y los convierte en embeddings.
• Audio: espectrograma o waveform procesado por CNN/Transformer para obtener embeddings.
• Video: frames + información temporal.

2. Proyección al espacio del LLM

Los embeddings de imagen o audio no tienen la misma dimensión ni distribución que los de texto. Se usa un adaptador —normalmente una MLP, un Q-Former o cross-attention— para proyectarlos al espacio del LLM.

3. Secuencia multimodal

El LLM recibe algo como:

[texto] "Describe esta imagen:" [img_patch_1] ... [img_patch_N] [texto]

Todos esos vectores se concatenan y el Transformer los procesa con atención.

7. Alineación entre modalidades: el caso CLIP

Para que el LLM pueda razonar sobre imagen y texto, ambos deben estar alineados semánticamente. El ejemplo más influyente es CLIP.

CLIP entrena un encoder de texto y uno de imagen para que un texto y su imagen correspondiente queden cerca en un espacio vectorial compartido:

similitud(ztexto​,zimagen​)≈1

Para pares incorrectos, la similitud se minimiza. Así, «un perro corriendo en la playa» queda cerca de la imagen correspondiente y lejos de una imagen de una moto.

Pero CLIP no genera texto ni razona. Para un LLM multimodal, se suele usar el encoder visual de CLIP o similar, y luego se proyecta al espacio del LLM. Ahí el LLM ya puede «leer» la imagen como si fueran tokens.

8. Arquitecturas multimodales típicas

Hay varias formas de integrar modalidades en un LLM:

a) Adaptador + tokens visuales

Ejemplo: LLaVA.

• La imagen pasa por un ViT.
• Los embeddings visuales se proyectan con una MLP.
• Se concatenan con los tokens de texto.
• El LLM los procesa como una secuencia normal.

Ventaja: simple y reutiliza un LLM ya entrenado.
Desventaja: muchos tokens visuales consumen contexto.

b) Cross-attention

Ejemplo: Flamingo.

• El LLM no recibe todos los tokens visuales en la secuencia.
• En algunas capas, se añaden mecanismos de atención cruzada que permiten a los tokens de texto «mirar» los embeddings visuales.
• Esto reduce la longitud de la secuencia.

c) Modelos nativos multimodales

Ejemplos: Gemini, GPT-4o.

• Se entrenan desde el principio con múltiples modalidades.
• No son un LLM de texto con un adaptador, sino un modelo unificado que maneja texto, imagen, audio y a veces video.
• Pueden generar no solo texto, sino también imágenes o audio.

d) Sistemas compuestos

• Pipeline: audio → texto → LLM → texto → audio.
• No es multimodalidad nativa, sino varios modelos conectados.
• Funciona, pero pierde información no verbal y es más frágil.

9. Cómo razona un LLM multimodal

El LLM ve una secuencia intercalada de embeddings. La atención permite que:

• Los tokens de texto asistan a los tokens visuales.
• Los tokens visuales asistan a otros tokens visuales.
• La información se mezcle capa por capa.

Por ejemplo, ante la pregunta «¿De qué color es el coche de la izquierda?», el token «coche» puede atender a las regiones de la imagen que el modelo ha aprendido a asociar con coches. Luego, «izquierda» sesga la atención hacia esa parte. Finalmente, el LLM genera «rojo».

No hay un módulo explícito de visión separado en la generación final. Todo ocurre en el mismo espacio de representaciones.

10. Las modalidades principales y sus aplicaciones

11. El caso del video: tiempo como dimensión

El video es particularmente interesante porque añade una dimensión: el tiempo.

Una imagen:

imagen → espacio

Un video:

imagen 1
   ↓
imagen 2
   ↓
imagen 3
   ↓
imagen 4
   ↓
...

El modelo tiene que capturar no solamente:

¿Qué hay?

sino:

¿Qué cambió?

Por ejemplo:

Persona
   ↓
levanta una taza
   ↓
bebe
   ↓
deja la taza

La información relevante está en la secuencia. Por eso el video puede verse conceptualmente como:

visión + secuencia + tiempo + lenguaje.

12. El caso del audio: más que transcripción

El audio también puede transformarse en representaciones:

voz
 ↓
señal acústica
 ↓
representación
 ↓
modelo

El sistema puede aprender información sobre palabras, pausas, sonidos, música, ambiente y características acústicas.

Y entonces:

• «¿Qué dijo?» es diferente de
• «¿Qué sonido se escucha?» y diferente de
• «¿Cómo está hablando?»

La modalidad contiene mucha más información que una simple transcripción.

13. Generación multimodal

Un LLM multimodal puede:

• Entender imagen o audio y generar texto.
• Generar imagen o audio a partir de texto o de otras modalidades.

Para generar imágenes, normalmente el LLM no produce píxeles directamente. Produce una representación condicionante que un modelo de difusión decodifica. O bien genera tokens discretos de imagen —por ejemplo, con VQ-VAE— y un decodificador los convierte en píxeles.

Para audio, ocurre algo similar: el LLM puede generar tokens discretos de audio que un vocoder transforma en onda de sonido.

14. El salto conceptual importante

Hasta ahora estabas estudiando algo como:

TEXTO
 ↓
TOKENS
 ↓
EMBEDDINGS
 ↓
TRANSFORMER
 ↓
PREDICCIÓN

La multimodalidad amplía el mapa:

                 TEXTO
                    ↓
               representación
                    ↓
                 
IMAGEN → representación
                    ↓
                 
AUDIO → representación
                    ↓
                 
VIDEO → representación
                    ↓
                 
               TRANSFORMER
                    ↓
             REPRESENTACIÓN
                CONJUNTA
                    ↓
                  SALIDA

La gran idea es:

El modelo ya no tiene que trabajar exclusivamente con lenguaje. Puede convertir diferentes tipos de información en representaciones que puedan relacionarse dentro de un mismo sistema.

15. Por qué esto es un cambio de juego

Entendimiento del mundo real

Los humanos no aprendemos sobre el mundo leyendo solo diccionarios; vemos, oímos y experimentamos. La multimodalidad acerca a los LLMs a esa forma humana de entender el contexto.

Menos pérdida de información

Una imagen vale más que mil palabras. Al procesar la imagen nativamente, el modelo no pierde los matices, la iluminación, la composición o los datos espaciales que se perderían al intentar describirla con texto.

Relaciones más ricas

El mundo no está hecho de texto. Un ser humano experimenta visión, sonido, lenguaje, espacio, movimiento y tiempo. Una IA que solamente procesa texto tiene acceso a una representación muy particular del mundo. Una IA multimodal puede recibir lo que dices, lo que ves, lo que escuchas y lo que ocurre en un video. Eso cambia enormemente lo que puede hacer.

16. Retos de la multimodalidad

• Alineación: que «perro» en texto y la imagen de un perro queden cerca, pero también que se distingan matices.
• Tokenización: una imagen puede ocupar cientos o miles de tokens. El video, mucho más.
• Contexto limitado: más modalidades implican más tokens y más cómputo.
• Grounding: evitar alucinaciones, que el modelo invente objetos o relaciones que no están en la imagen.
• Evaluación: medir si el modelo realmente ve o solo aprende sesgos del dataset.
• Sesgos: heredados de los datos, y a veces amplificados al cruzar modalidades.
• Eficiencia: entrenar y servir modelos multimodales es costoso.

17. La frase para memorizar

Si estás construyendo tu mapa mental de IA, resumiría multimodalidad así:

La multimodalidad es la capacidad de un sistema de IA para procesar y relacionar diferentes tipos de información —como texto, imágenes, audio y video— mediante representaciones que permiten integrarlas dentro de un mismo proceso de inferencia.

Y conectándolo con lo anterior:

Los tokens representan lenguaje; los embeddings convierten información en representaciones numéricas; los Transformers procesan relaciones entre esas representaciones; y la multimodalidad permite aplicar esta idea a diferentes tipos de información y relacionarlos entre sí.

Ese último párrafo es el puente conceptual que necesitas para pasar de «entiendo cómo funciona un LLM» a «entiendo cómo funcionan los modelos multimodales».

Resumen final

La multimodalidad, desde la perspectiva de un LLM, es extender el espacio de embeddings y el mecanismo de atención para que texto, imagen, audio y video se representen como vectores en una misma secuencia. Cada modalidad tiene su encoder, pero todos se proyectan al espacio del LLM. La atención permite que el modelo relacione palabras con regiones de imagen, sonidos con conceptos, o frames con acciones.

Así, el LLM deja de ser solo un modelo de lenguaje y se convierte en un modelo de representación y razonamiento conjunto sobre múltiples formas de información. Si los embeddings tradicionales le dieron «oído» a la IA para entender el texto, la multimodalidad le da el resto de los sentidos.

Alberto Arroyo

1. El problema inicial: una computadora no entiende palabras

Imagina que quieres que una máquina distinga entre estas cuatro palabras:

• gato
• perro
• automóvil
• democracia

Para nosotros las relaciones son evidentes: gato y perro son animales domésticos; automóvil es un vehículo; democracia es un concepto abstracto de organización social. Pero un ordenador no puede operar directamente con esas palabras.

Una solución ingenua sería asignar un número a cada una:

gato       → 1
perro      → 2
automóvil  → 3
democracia → 4

El problema es que esos números no contienen ninguna relación semántica. El 4 no es «más democrático» que el 1. La distancia entre 1 y 2 no refleja que gato y perro sean parecidos. La aritmética no captura el significado.

2. La solución: vectores en un espacio multidimensional

En lugar de asignar un solo número, representamos cada palabra con muchos números:

gato  → [0.21, -0.73, 0.44, 0.18, ...]
perro → [0.19, -0.69, 0.41, 0.22, ...]

Eso es un vector. Y un vector tiene propiedades que un número aislado no tiene: dirección, magnitud, distancia a otros vectores, ángulos.

Podemos imaginar un espacio extremadamente simplificado de tres dimensiones:

          animal
              ↑
              |
        perro •
             /
       gato •
           /
          /
---------•--------------→ doméstico
        /
       /
      ↓
   vehículo

En un modelo real no hay tres dimensiones. Puede haber cientos, miles o decenas de miles. Pero la intuición es la misma: cada palabra ocupa un punto en un espacio donde la proximidad refleja similitud.

3. ¿Qué es exactamente un embedding?

Un embedding es una representación de un objeto mediante un vector de números que permite capturar relaciones relevantes entre ese objeto y otros objetos.

En un LLM, el flujo es:

"gato"
   ↓
token
   ↓
embedding
   ↓
[0.18, -0.42, 0.71, 0.03, ...]

Ese vector es la representación matemática con la que el Transformer comienza a trabajar. Es el punto de partida.

4. Lo que un embedding NO es

Conviene despejar un malentendido común. No debemos imaginar que cada dimensión tiene un significado concreto y legible:

dimensión 1 = animalidad
dimensión 2 = inteligencia
dimensión 3 = tamaño
dimensión 4 = domesticidad

No funciona así. La información está distribuida entre muchas dimensiones. Lo importante no es una coordenada aislada, sino el patrón completo del vector.

Es más parecido a esto:

gato       → [0.18, -0.42, 0.71, 0.03, -0.91, ...]
perro      → [0.21, -0.39, 0.68, 0.08, -0.87, ...]
automóvil  → [-0.72, 0.15, -0.31, 0.81, 0.44, ...]

El significado emerge del patrón, no de una dimensión individual.

5. ¿De dónde salen esos números?

Esta es la parte fundamental. El programador no le dice al modelo:

«gato = [0.18, -0.42, 0.71…]»

El modelo aprende esos números durante el entrenamiento.

Al principio, los parámetros del modelo son valores que no contienen relaciones útiles. Durante el entrenamiento, el modelo procesa cantidades enormes de texto. Por ejemplo:

El gato se sentó sobre la alfombra.

El modelo intenta predecir qué token viene después. Comete errores. Se calculan esos errores. Y mediante el descenso de gradiente se ajustan los parámetros.

Con millones o miles de millones de ejemplos, las representaciones terminan organizándose de manera que resultan útiles para la tarea de predicción.

Si dos tokens aparecen en contextos similares, sus vectores tienden a acercarse. Si son intercambiables en muchos contextos, también. Así emergen relaciones semánticas sin supervisión explícita.

6. La geometría del significado

Imagina que lanzamos millones de palabras a un espacio matemático. Al principio están dispersas:

perro       •
gato                    •
democracia       •
automóvil   •
presidente                     •
mesa       •

Después del entrenamiento, ciertas relaciones terminan reflejándose en la geometría:

       gato •
             • perro

       caballo •

                     automóvil •
                       • camión

No porque alguien haya dibujado esas categorías. Sino porque las relaciones estadísticas del lenguaje hacen que determinadas representaciones resulten útiles para predecir otras palabras.

Un ejemplo clásico de esta geometría es:

vector("rey") − vector("hombre") + vector("mujer") ≈ vector("reina")

En LLMs modernos esto es más complejo, pero la idea geométrica sigue siendo válida: las operaciones matemáticas sobre vectores pueden capturar relaciones conceptuales.

7. ¿Por qué se llaman «embeddings»?

Porque estamos haciendo algo parecido a embeber un objeto dentro de un espacio matemático.

Tenemos algo abstracto:

"gato"

y lo colocamos dentro de un espacio numérico:

"gato"
   ↓
[0.18, -0.42, 0.71, ...]

Ahora podemos hacer operaciones matemáticas con él:

• Calcular distancias
• Medir similitud
• Producto punto
• Relaciones geométricas
• Transformaciones lineales

Y eso es fundamental para una red neuronal.

8. Embeddings en un LLM: de token a vector

El LLM no ve letras ni palabras: ve IDs.

1. Un tokenizador parte el texto en tokens: "aprendiendo" → ["aprend", "iendo"], por ejemplo.
2. Cada token tiene un ID entero.
3. Esos IDs se usan como índices en una matriz de embeddings:

E∈RV×d

Donde:

• V es el tamaño del vocabulario.
• d es la dimensión del embedding (768, 4096 u 8192, por ejemplo).

Cada fila de E es el vector de un token. Buscar el embedding de un token es solo seleccionar una fila:

hi(0)​=E[tokeni​]

A eso se le suma información de posición, porque el Transformer no sabe por sí solo qué token va antes o después:

hi(0)​=E[tokeni​]+Pos(i)

9. Embeddings contextuales: lo importante en un LLM

El embedding inicial de un token es estático: la palabra «banco» empieza igual en «banco de arena» y «banco financiero». Pero dentro del LLM, ese vector se va transformando capa por capa.

En cada capa del Transformer:

• La atención mezcla información entre tokens.
• La MLP transforma cada vector.
• Las conexiones residuales conservan y actualizan la información.

Después de muchas capas, el vector de «banco» ya no es el mismo. Ahora depende del contexto. Eso es un embedding contextual:

hi(l+1)​=TransformerBlock(hi(l)​)

El embedding contextual de «banco» en «banco de arena» se parecerá más a «arena», «playa», «río»; en «banco financiero», a «dinero», «crédito», «préstamo».

Por eso es mejor pensar que:

El embedding inicial representa al token; el Transformer construye representaciones contextualizadas.

10. Embeddings y atención: cómo se relacionan

Aquí se conecta directamente con el mecanismo de atención.

Supongamos:

El perro persiguió al gato porque estaba asustado.

El modelo necesita determinar qué significa «estaba». La representación de los tokens no funciona aislada. El mecanismo de atención permite que las representaciones interactúen:

El
 ↓
perro ─────────┐
 ↓             │
persiguió      │
 ↓             │
al             ├──→ atención
 ↓             │
gato ──────────┤
 ↓             │
porque         │
 ↓             │
estaba ────────┘
 ↓
asustado

La representación de cada token se va modificando según las relaciones con los demás.

Dentro del Transformer, los embeddings no solo se guardan: se usan para calcular las consultas, claves y valores de la atención:

Q=HWQ​,K=HWK​,V=HWV​

La atención compara tokens usando productos punto entre Q y K. Es decir, mide compatibilidad en el espacio vectorial. Si dos representaciones apuntan en direcciones similares, la atención les da más peso.

Al final, para predecir el siguiente token, el LLM toma el estado oculto final y lo proyecta otra vez al vocabulario:

logits=ht(L)​WU​

P(siguiente token)=softmax(logits)

Muchas veces WU está atada a ET, o sea, se reutiliza la misma matriz de embeddings para entrada y salida. Eso se llama weight tying.

11. La imagen mental completa

                   TEXTO
                      │
                      ↓
                  TOKENIZACIÓN
                      │
                      ↓
                    TOKENS
                      │
                      ↓
                 EMBEDDINGS
                      │
                      ↓
             VECTORES NUMÉRICOS
                      │
                      ↓
                TRANSFORMER
                      │
          ┌───────────┴───────────┐
          ↓                       ↓
     SELF-ATTENTION        FEED-FORWARD
          │                       │
          └───────────┬───────────┘
                      ↓
            REPRESENTACIONES
              CONTEXTUALIZADAS
                      │
                      ↓
                PREDICCIÓN
                      │
                      ↓
               SIGUIENTE TOKEN

Y una frase para memorizarlo:

Los embeddings convierten los tokens en representaciones vectoriales que una red neuronal puede manipular; el Transformer transforma esas representaciones utilizando el contexto para poder predecir qué viene después.

12. Embeddings estáticos vs. contextuales

13. Embeddings para búsqueda y sistemas RAG

Aquí aparece otro uso fundamental, distinto del funcionamiento interno del LLM.

Imagina que tienes 10,000 documentos. Los conviertes en embeddings:

Documento 1 → vector
Documento 2 → vector
Documento 3 → vector
...
Documento 10,000 → vector

El usuario pregunta:

«¿Cuál es nuestra política de vacaciones?»

La pregunta también se convierte en un vector:

pregunta → vector

Después buscas los documentos cuyos vectores están matemáticamente próximos:

               espacio vectorial

                    documento 7
                         •
                         |
                         • pregunta
                        /
                 documento 19

Encuentras información relevante. Y entonces se la entregas al LLM como contexto.

Eso es una parte fundamental de muchos sistemas RAG (Retrieval-Augmented Generation).

14. Dos conceptos que conviene no mezclar

Embedding interno de un LLM

Forma parte del funcionamiento del modelo:

tokens → embeddings → Transformer → predicción

Embedding para búsqueda

Se utiliza para representar textos y comparar su similitud:

documento → embedding
pregunta  → embedding
       ↓
comparación
       ↓
documentos relevantes
       ↓
LLM

Ambos utilizan representaciones vectoriales, pero cumplen funciones distintas. No son lo mismo.

15. Limitaciones de los embeddings

• Dependen del tokenizador: no hay un embedding por palabra, sino por token o subpalabra.
• Heredan sesgos de los datos de entrenamiento.
• Una alta similitud coseno no garantiza equivalencia de significado.
• No son interpretables directamente: son vectores densos, no conceptos legibles.
• En LLMs grandes, el «conocimiento» no está solo en los embeddings, sino distribuido en todas las capas y pesos.

16. ¿Embeddings = significado?

Aquí hay que tener cuidado. Es tentador decir:

«El embedding contiene el significado de la palabra.»

Es una simplificación útil, pero técnicamente incompleta. Es mejor decir:

El embedding contiene una representación aprendida que codifica información útil sobre cómo ese token participa en el lenguaje.

Y esa información puede incluir relaciones semánticas, sintácticas, lingüísticas, estadísticas, contextuales y conceptuales. El modelo no necesita tener una definición humana explícita de «perro». Necesita una representación que le permita hacer predicciones útiles.

Resumen final

Desde la perspectiva de un LLM, un embedding es la representación vectorial densa de un token. Al principio es una simple tabla de búsqueda. Luego, capa por capa, se convierte en una representación contextual que codifica significado, sintaxis y relaciones con otros tokens.

El LLM opera completamente en ese espacio vectorial: la atención compara vectores, las MLP los transforman y la capa final los proyecta de nuevo al vocabulario para predecir el siguiente token.

Los embeddings son, en esencia, el idioma interno del modelo. Son la base sobre la que se construye la comprensión del lenguaje en la inteligencia artificial moderna.

Alberto Arroyo

Cuando un modelo de lenguaje genera una respuesta, no parte de cero. Tiene delante un conjunto de información que le permite interpretar lo que se le pregunta y producir una salida coherente. Ese conjunto es el contexto.

En términos simples, el contexto es toda la información que el modelo tiene disponible durante una inferencia. Es su memoria de trabajo temporal: lo que está “a la vista” en ese momento, no lo que aprendió durante su entrenamiento.

¿Qué puede contener el contexto?

El contexto puede incluir varios elementos:

• Mensajes anteriores de la conversación.
• La pregunta actual.
• Instrucciones del sistema.
• Documentos o textos proporcionados.
• Resultados de búsquedas o herramientas.
• Ejemplos incluidos en el prompt.

Todo eso termina convertido en tokens, que son las unidades que el modelo puede procesar.

Contexto, parámetros y memoria no son lo mismo

Es común confundir estos tres conceptos. La diferencia es importante:

Decirle algo al modelo dentro de una conversación no modifica normalmente sus parámetros. El modelo puede usar esa información para responder, pero no la incorpora de forma permanente a su conocimiento interno.

La ventana de contexto

La ventana de contexto es la cantidad máxima de tokens que el modelo puede manejar en una operación.

El flujo básico es:

Contexto → tokens → Transformer → respuesta

Si el contexto excede ese límite, el sistema puede recortar, resumir o seleccionar la información relevante. No se trata solo de “meter todo”, sino de decidir qué merece estar disponible.

¿Qué hace Attention?

Aquí se conecta con otro concepto clave: Attention.

Contexto = información disponible.
Attention = mecanismo para relacionar partes de esa información.

Por ejemplo:

“El estudiante está estudiando IA. Ya entendió los LLM. Ahora quiere estudiar Transformers.”

Si después preguntas:

“¿Qué sigue?”

El contexto permite interpretar qué significa “sigue”. No es una palabra con significado absoluto: depende de la información que la rodea.

Contexto y conocimiento

Los parámetros contienen patrones aprendidos durante el entrenamiento. El contexto aporta información específica que el modelo recibe durante la interacción.

Por ejemplo:

• Parámetros: conocimiento general sobre París.
• Contexto: “Nuestra empresa abrirá una oficina en París en 2027.”

Durante la inferencia, el modelo combina ambos. No reemplaza uno por el otro: los usa en conjunto para generar una respuesta más adecuada.

Más contexto no siempre es mejor

Podría parecer que cuanto más contexto, mejor. Pero no necesariamente. Un contexto enorme puede introducir:

• Información irrelevante.
• Ruido.
• Mayor costo computacional.
• Mayor latencia.
• Dificultades para recuperar información ubicada en determinadas partes del contexto.

Por eso, los sistemas modernos suelen usar resúmenes, selección de información, RAG y otras técnicas para proporcionar al modelo solamente el contexto útil.

El mapa completo

Durante el entrenamiento:

Entrenamiento → parámetros → modelo

Durante una interacción:

Pregunta + contexto + modelo → inferencia → siguiente token → siguiente token → respuesta

En una frase

El contexto es lo que el LLM tiene disponible para trabajar ahora; los parámetros son lo que aprendió durante el entrenamiento.

Y para conectar las piezas principales:

Tokens = cómo representamos el lenguaje.
Contexto = qué información está disponible.
Attention = cómo relacionamos esa información.
Transformer = arquitectura que realiza ese procesamiento.
LLM = modelo grande que utiliza todo esto para generar lenguaje.

Entender el contexto ayuda a comprender por qué un modelo responde de cierta manera, por qué a veces olvida información anterior y por qué no basta con “decirle algo” para que lo aprenda de forma permanente. El contexto es el espacio de trabajo inmediato; los parámetros son la huella del entrenamiento.

Alberto Arroyo

Para entender cómo funcionan los modelos de lenguaje modernos, conviene retener una cadena básica:

Texto → tokens → vectores → atención → Transformer → probabilidades → siguiente token

Esa secuencia resume gran parte de lo que ocurre dentro de un LLM. No es necesario memorizarla como una fórmula, pero sí sirve como mapa para ubicar cada pieza.

1. Tokens: las unidades con las que trabaja el modelo

Un modelo no recibe directamente “palabras” como las percibe una persona. Primero divide el texto en unidades llamadas tokens.

Un token no necesariamente equivale a una palabra. Puede ser:

• una palabra completa,
• un fragmento de palabra,
• un signo de puntuación,
• un espacio,
• o una combinación de caracteres.

Por eso se insiste en que token ≠ palabra.

Cada token se convierte en un identificador numérico, un ID. Después, ese ID se transforma en una representación vectorial llamada embedding.

2. Embeddings: convertir tokens en números útiles

Un embedding es un vector: una lista de números que permite al modelo trabajar matemáticamente con el token.

Pero el orden de las palabras importa. Para conservarlo, el modelo incorpora información sobre la posición del token. Así no solo sabe qué token es, sino también dónde aparece dentro de la secuencia.

3. Attention: relacionar tokens según el contexto

La atención es el mecanismo que permite al modelo relacionar unos tokens con otros según el contexto.

Un ejemplo clásico:

“El perro mordió al hombre porque estaba asustado.”

Para interpretar a qué se refiere “estaba”, el modelo puede considerar relevante el token “perro”. La atención ayuda a establecer ese tipo de vínculos.

Para lograrlo, utiliza tres representaciones:

• Query (Q): qué estoy buscando.
• Key (K): qué características tengo.
• Value (V): qué información puedo aportar.

El modelo calcula qué tan relacionadas están esas representaciones y usa esos pesos para mezclar la información relevante.

4. Self-Attention: atención dentro de la misma secuencia

La self-attention es atención dentro de la propia secuencia: los tokens pueden relacionarse entre sí.

En modelos como GPT existe además atención causal. Esto significa que, al generar un token, el modelo puede utilizar los tokens anteriores, pero no los futuros. Es una forma de respetar el orden natural de la generación: no puede “ver” lo que todavía no ha escrito.

5. Multi-Head Attention: varias miradas al mismo contexto

El Transformer utiliza varias cabezas de atención simultáneamente. Esto se conoce como Multi-Head Attention.

Cada cabeza puede aprender diferentes patrones de relación entre los tokens. No significa que cada cabeza tenga una función humana perfectamente definida, pero sí permite analizar el contexto desde múltiples representaciones.

6. Transformer: la arquitectura completa

Es común escuchar “Transformer” y “atención” como si fueran lo mismo, pero no lo son.

La atención es un mecanismo. El Transformer es la arquitectura completa que utiliza ese mecanismo.

Un bloque Transformer combina principalmente:

• Self-Attention
• Feed-Forward Network
• conexiones residuales
• normalización

Estos bloques se apilan muchas veces. Por eso es más preciso pensar:

Attention = mecanismo
Transformer = arquitectura que utiliza ese mecanismo

7. ¿Cómo genera texto un LLM?

De forma simplificada, el proceso es así:

Texto
↓
Tokens
↓
Embeddings + posición
↓
Capas Transformer
↓
Representación contextual
↓
Probabilidades de posibles tokens
↓
Se selecciona un token
↓
Se repite

Así, un LLM genera texto token por token. En cada paso calcula probabilidades sobre qué token podría venir después y elige uno. Luego repite el proceso con el nuevo token incluido.

8. La idea fundamental

• Los tokens permiten convertir el lenguaje en unidades procesables.
• Los embeddings convierten esas unidades en representaciones numéricas.
• La atención permite relacionar esas representaciones según el contexto.
• El Transformer organiza todo ese procesamiento en una arquitectura profunda capaz de aprender relaciones lingüísticas complejas.

Y GPT significa:

Generative Pre-trained Transformer

Es decir, un modelo generativo basado en la arquitectura Transformer y previamente entrenado.

9. Mapa mental final

IA → Machine Learning → Deep Learning → Redes neuronales → Transformers → LLM → generación de tokens

Esa es, a grandes rasgos, la ruta que conecta una idea amplia como la inteligencia artificial con la generación concreta de texto token a token.

Entender esta cadena no exige dominar todos los detalles matemáticos. Pero sí ayuda a interpretar qué hace un LLM cuando parece “escribir”: convierte texto en tokens, los representa como vectores, calcula relaciones de atención, procesa todo con capas Transformer y elige el siguiente token. Una y otra vez.

Alberto Arroyo

Introducción: desmontando el misterio

Los modelos de lenguaje grande (LLM, por sus siglas en inglés) se han vuelto parte de la conversación cotidiana. Se habla de ellos como si fueran inteligencia artificial general, como si «supieran» cosas o como si «buscaran» información en alguna biblioteca interna. Ninguna de esas ideas es precisa.

Un LLM es, en esencia, un sistema matemático que aprendió a predecir qué viene después en una secuencia de texto. Suena simple, pero esa capacidad, llevada a escala masiva, produce resultados que parecen sofisticados. Este artículo explica qué significa cada palabra, qué hace realmente, cómo se entrena y por qué conviene entender sus límites.

1. Qué significa «Large Language Model»

Las tres palabras del nombre describen tres dimensiones del mismo objeto:

• Large (grande): se refiere a la escala. Grandes cantidades de datos, una enorme cantidad de parámetros y un cómputo significativo para entrenarlo y ejecutarlo.
• Language (lenguaje): su materia prima principal es el lenguaje humano, aunque también puede aprender código y otros lenguajes estructurados.
• Model (modelo): es un sistema matemático con una arquitectura definida y parámetros que se ajustan durante el entrenamiento.

No es una entidad consciente ni una base de datos. Es un modelo: una representación simplificada que captura patrones.

2. Qué hace un LLM: el mecanismo fundamental

El funcionamiento básico puede resumirse en una cadena muy simple:

CONTEXTO → probabilidades → siguiente token → nuevo contexto → siguiente token → …

Por ejemplo, si el modelo recibe:

«El cielo es…»

Calcula probabilidades para posibles continuaciones («azul», «grande», «oscuro», etc.), selecciona una y la añade al contexto. Luego repite el proceso. Así, token a token, construye texto.

Aunque el objetivo inmediato es predecir el siguiente token, al aprender millones de patrones el modelo puede realizar tareas como:

• responder preguntas
• resumir textos
• traducir
• escribir
• programar
• clasificar
• transformar textos
• seguir instrucciones
• mantener conversaciones

Ninguna de estas tareas fue programada explícitamente. Emergen de la capacidad de predicción.

3. Qué es un token

Un token es la unidad mínima que el modelo procesa. No equivale necesariamente a una palabra: una palabra puede ser un token o dividirse en varios fragmentos.

El flujo real es:

texto → tokens → modelo → probabilidades → tokens → texto

Piensa en los tokens como piezas de un rompecabezas lingüístico. El modelo no ve letras ni palabras completas, sino esas unidades.

4. Cómo se entrena un LLM

El entrenamiento sigue un ciclo iterativo:

datos → tokens → predicción → error → ajuste de parámetros → repetir

El modelo intenta predecir el siguiente token, compara su predicción con lo que realmente venía, mide el error y ajusta sus parámetros —principalmente pesos y otros valores— para mejorar. Este proceso se repite innumerables veces sobre grandes volúmenes de texto.

Después del entrenamiento:

LLM entrenado → inferencia → prompt → generación

Es decir, el modelo ya no cambia sus parámetros; solo los usa para producir respuestas.

5. Qué tiene dentro: Transformer y atención

Los LLM modernos suelen basarse en una arquitectura llamada Transformer. De forma simplificada:

Transformer → tokenización + representaciones/embeddings + atención + capas → probabilidades del siguiente token

La atención es el mecanismo clave. Permite calcular relaciones entre diferentes partes del contexto para determinar qué es relevante al procesar cada token. Gracias a ella, el modelo puede considerar palabras lejanas en el texto y no solo las inmediatamente anteriores.

6. ¿Es una base de datos?

No. Un LLM no almacena frases completas que luego busca y recupera. Su conocimiento no está guardado como una colección de textos. La simplificación útil es:

entrada → representaciones internas → parámetros → cálculos → probabilidades → salida

Por eso puede producir combinaciones que nunca aparecieron literalmente en los datos de entrenamiento. No copia: generaliza patrones.

7. Por qué puede equivocarse

Porque su objetivo fundamental no es decir la verdad, sino generar una continuación adecuada según sus patrones y el contexto. La veracidad no es su métrica principal.

De ahí surgen las alucinaciones: afirmaciones falsas presentadas con total fluidez.

La distinción fundamental es:

Fluidez ≠ veracidad

Un texto puede sonar perfectamente convincente y contener información falsa. Esto no es un fallo menor, sino una consecuencia directa de cómo funciona el modelo.

8. Entrenamiento no es lo mismo que conversación

Cuando escribes un mensaje a un LLM, normalmente estás haciendo inferencia, no entrenando el modelo.

• Entrenamiento: modifica parámetros.
• Inferencia: utiliza los parámetros existentes para producir una respuesta.

El contexto de una conversación puede influir en la respuesta sin que eso signifique que los pesos del modelo estén siendo modificados. La conversación no «enseña» al modelo de forma permanente.

9. LLM, IA generativa y GPT: cómo se relacionan

La relación conceptual puede representarse así:

IA → Machine Learning → Deep Learning → Redes neuronales → Transformers → LLM → IA generativa de lenguaje

Es una simplificación pedagógica, no una jerarquía estricta. Cada nivel contiene al anterior, pero las fronteras son difusas.

GPT significa Generative Pre-trained Transformer: una familia de modelos generativos de lenguaje basada en Transformers y preentrenada con grandes cantidades de datos.

Mapa mental para conservar

DATOS → ENTRENAMIENTO → AJUSTE DE PARÁMETROS → LLM ENTRENADO → PROMPT + CONTEXTO → INFERENCIA → PREDICCIÓN DE TOKENS → GENERACIÓN → RESPUESTA

Idea central

Un LLM es un modelo de lenguaje de gran escala que aprende patrones del lenguaje ajustando enormes cantidades de parámetros y que, durante la inferencia, utiliza esos patrones para predecir y generar tokens en función del contexto.

No es una base de datos, no garantiza verdad y no se entrena con cada conversación. Entender esto no le resta valor: al contrario, permite usarlo con expectativas realistas y aprovechar mejor sus capacidades.

Alberto Arroyo

¿Qué es exactamente la IA generativa?

La inteligencia artificial generativa es un tipo de sistema que aprende patrones a partir de grandes volúmenes de datos y luego utiliza esos patrones para producir nuevas salidas. Puede generar texto, imágenes, audio, video, código, música, voz y otros contenidos.

Es importante entender que no inventa desde cero ni necesariamente copia ejemplos concretos que haya visto antes. Lo que hace es combinar patrones y relaciones que aprendió durante su entrenamiento para producir algo nuevo.

La diferencia clave: discriminar vs. generar

Para entender bien qué hace la IA generativa, conviene contrastarla con la IA discriminativa, que es la que se usa para clasificar o predecir.

• IA discriminativa: recibe una entrada y produce una clasificación o predicción. Por ejemplo, le das una foto y te dice «es un gato».
• IA generativa: recibe una entrada (un prompt) y produce contenido nuevo. Por ejemplo, le pides «dibuja un gato» y te devuelve una imagen.

La diferencia principal está en el objetivo: una identifica o predice; la otra produce.

¿Cómo genera contenido?

El proceso tiene dos fases bien diferenciadas:

Entrenamiento: el modelo recibe datos, los procesa y ajusta sus parámetros internos para capturar los patrones presentes en esa información.

Inferencia: ya con el modelo entrenado, recibe un prompt y genera una salida. No necesita tener almacenada exactamente la respuesta; utiliza los patrones estadísticos que aprendió para producir algo nuevo.

El flujo simplificado sería:

Datos → entrenamiento → ajuste de parámetros → modelo entrenado → prompt → inferencia → contenido nuevo

Texto: cómo funciona un modelo de lenguaje

Un modelo de lenguaje grande (LLM) genera texto prediciendo el siguiente token. Un token puede ser una palabra, parte de una palabra, un carácter o algún otro fragmento.

El proceso es secuencial: dado un contexto, predice un token; ese token se añade al contexto y se predice el siguiente, y así sucesivamente. Muchas predicciones sucesivas producen una frase, un párrafo, código o una conversación completa.

Imagen: una lógica diferente

En los modelos de difusión, el enfoque es distinto. Durante el entrenamiento, el modelo aprende a pasar de imágenes con ruido a imágenes coherentes. Durante la generación, parte de ruido y lo va eliminando progresivamente hasta formar una imagen. El prompt condiciona el resultado en cada paso.

También existen otras familias generativas para imágenes, como las GANs y los VAEs.

Principales familias de modelos generativos

• Modelos autoregresivos: generan elementos secuencialmente. Los LLM son el ejemplo principal.
• Difusión: generan mediante procesos iterativos de eliminación de ruido.
• GANs: un generador y un discriminador compiten durante el entrenamiento.
• VAEs: utilizan representaciones latentes para generar nuevas muestras.
• Transformers: arquitectura fundamental para muchos modelos modernos. No significa por sí misma «modelo generativo».

Entrenamiento y adaptación

Un modelo puede pasar por varias etapas:

Preentrenamiento → fine-tuning → instruction tuning → alineación

También existen técnicas como LoRA para adaptar modelos y RAG para proporcionarles información externa durante su uso.

Generación no significa verdad

Una IA generativa busca producir una salida compatible con los patrones aprendidos. Eso no significa que la salida sea verdadera. Por eso puede producir:

• información correcta;
• información incorrecta pero plausible;
• sesgos;
• errores de razonamiento;
• alucinaciones.

La idea clave es: fluidez no es verdad, coherencia no es exactitud.

Conceptos que conviene recordar

• Prompt: entrada que orienta la generación.
• Token: unidad de texto procesada por un modelo de lenguaje.
• Inferencia: uso del modelo ya entrenado para producir una salida.
• Multimodal: trabaja con varios tipos de información, como texto, imagen o audio.
• Temperatura: controla el grado de aleatoriedad de la generación.
• Modelo fundacional: modelo grande preentrenado que puede servir como base para múltiples tareas.
• Alucinación: salida falsa o inventada que puede parecer plausible.

La conexión conceptual más importante

No pasamos de «IA que sabe» a «IA que crea». Pasamos de modelos que usan patrones aprendidos para predecir o clasificar a modelos que usan patrones aprendidos para producir nuevas salidas. La IA generativa aprende patrones de datos durante el entrenamiento y después utiliza esos patrones para generar nuevas salidas condicionadas por una entrada o prompt.

Frase para conservar: La IA generativa aprende patrones de datos durante el entrenamiento y después utiliza esos patrones para generar nuevas salidas condicionadas por una entrada o prompt.

Alberto Arroyo

Un modelo no es una receta, es un mecanismo que se ajusta

Cuando hablamos de un modelo de inteligencia artificial, conviene imaginarlo como un sistema matemático y computacional que transforma entradas en salidas. No es una lista de instrucciones del tipo «si pasa esto, haz aquello». Es, más bien, una estructura —una arquitectura— que contiene valores internos que se van modificando durante el entrenamiento.

Esos valores internos son los parámetros. Podríamos decir que son las perillas que el modelo gira para cambiar su comportamiento. Al principio están en un estado inicial, a menudo aleatorio. Con el tiempo, y tras muchas iteraciones, van tomando formas que le permiten al modelo producir resultados cada vez más útiles.

Parámetros, pesos y sesgos: no son sinónimos

Dentro del conjunto de parámetros, hay dos tipos que conviene distinguir con claridad:

• Pesos: determinan cuánto influye una entrada o una señal en los cálculos del modelo. Si un peso es alto, esa entrada tendrá un impacto mayor; si es bajo, su efecto será menor.
• Sesgos (biases): se suman a los cálculos y permiten desplazar el resultado. Son como un punto de partida que ayuda al modelo a ajustar mejor su respuesta incluso cuando las entradas son cero.

De forma simplificada, la operación básica se puede expresar así:

salida = (entrada × peso) + sesgo

Y la relación entre los conceptos queda clara:

Parámetros → pesos + sesgos + otros valores aprendidos

La conclusión es directa: no todos los parámetros son pesos, pero los pesos y los sesgos sí son parámetros. Esta distinción es importante porque, cuando alguien dice que un modelo «tiene millones de parámetros», no está hablando solo de pesos, sino de todos esos valores internos que el entrenamiento ajusta.

¿Qué significa realmente que un modelo «aprenda»?

Aprender, en este contexto, es ajustar los parámetros para reducir el error y capturar patrones que funcionen con datos nuevos. El ciclo básico es siempre el mismo:

Datos → predicción → error → cálculo del gradiente → ajuste de parámetros → nueva predicción

Este proceso se repite muchísimas veces. En cada vuelta, los pesos y los sesgos se modifican poco a poco. No hay un momento mágico en el que el modelo «entiende» algo; hay una mejora gradual que se mide en términos de error. El objetivo no es memorizar los datos de entrenamiento, sino encontrar regularidades que se generalicen a situaciones que el modelo nunca vio.

La IA no recibe reglas explícitas

Aquí está una de las ideas más importantes para entender cómo funciona la inteligencia artificial moderna: el modelo no recibe instrucciones del tipo «si ocurre X, haz Y». Lo que recibe es datos + una arquitectura + un algoritmo de entrenamiento. A partir de ahí, ajusta sus números internos para encontrar patrones.

Por eso se dice que los pesos son una representación distribuida de lo aprendido. No existe un peso específico que contenga la palabra «París» o el concepto «perro». El comportamiento del modelo surge de la combinación de enormes cantidades de parámetros que actúan en conjunto. Es una representación repartida por todo el sistema, no localizada en un solo lugar.

El modelo mental definitivo

Para llevarte una imagen clara del proceso completo, este es el recorrido:

DATOS
↓
ENTRENAMIENTO
↓
ajuste de parámetros
↓
MODELO ENTRENADO
↓
NUEVA ENTRADA
↓
INFERENCIA
↓
SALIDA

Y dentro del modelo:

Modelo → parámetros → pesos + sesgos

La idea que conviene retener

Una inteligencia artificial aprende cuando modifica sus parámetros mediante entrenamiento para representar patrones de los datos y producir mejores resultados en entradas nuevas. No hay reglas explícitas ni respuestas pregrabadas. Hay números que se ajustan, errores que disminuyen y patrones que emergen de la combinación de miles o millones de valores internos.

Entender esto no solo aclara qué son los parámetros y los pesos, sino que también prepara el terreno para el siguiente tema: cómo se calcula ese ajuste, qué es el gradiente y por qué el descenso por gradiente se convirtió en la herramienta central del aprendizaje automático moderno.

Alberto Arroyo

Cuando escuchamos que un modelo de lenguaje tiene «7 mil millones de parámetros» o que «se ajustaron los pesos durante el entrenamiento», es fácil perderse en la terminología. Sin embargo, detrás de esas cifras hay conceptos bastante intuitivos que vale la pena entender. Este artículo explica de forma clara qué es un modelo, qué son los parámetros, qué son los pesos y cómo se relacionan entre sí.

¿Qué es un modelo?

Un modelo es una estructura matemática que transforma entradas en salidas. Dicho de otro modo, recibe algo (un texto, una imagen, un número) y produce un resultado (una predicción, una clasificación, una respuesta).

La fórmula conceptual es sencilla:

Entrada + parámetros → salida

El modelo tiene dos componentes principales:

• Arquitectura: define cómo está construido el sistema, es decir, su estructura.
• Parámetros: son los valores internos que determinan cómo se comporta el modelo.

La arquitectura es el plano; los parámetros son los valores que hacen que ese plano funcione de una manera concreta.

¿Qué son los parámetros?

Los parámetros son los valores internos que el entrenamiento modifica para mejorar el modelo. No son datos ni conocimientos almacenados uno por uno, sino una representación distribuida de lo aprendido.

Los parámetros incluyen principalmente:

• Pesos
• Sesgos
• Otros valores aprendidos, como embeddings y matrices internas.

Cuando se dice que un modelo es «7B», significa que tiene aproximadamente 7,000 millones de parámetros. No son 7,000 millones de datos ni 7,000 millones de conceptos independientes, sino 7,000 millones de valores numéricos que en conjunto definen el comportamiento del modelo.

¿Qué son los pesos?

Los pesos son un tipo de parámetro que determina cuánto influye una entrada o señal en un cálculo. La idea central es:

entrada × peso → influencia

Un peso alto amplifica la influencia de esa entrada. Un peso cercano a cero la reduce casi por completo. Un peso negativo puede hacer que esa influencia reste en lugar de sumar.

Pensemos en un ejemplo cotidiano: si estamos decidiendo si salir con paraguas, la presencia de nubes oscuras tiene un peso alto, mientras que el color de nuestros zapatos tiene un peso cercano a cero. En un modelo, los pesos cumplen esa misma función: indican qué señales importan más y cuáles menos.

¿Qué son los sesgos?

Los sesgos también son parámetros. Se suman al resultado y permiten desplazarlo. La fórmula básica es:

salida = (entrada × peso) + sesgo

El sesgo permite que el modelo se ajuste incluso cuando todas las entradas son cero. Es un valor que añade flexibilidad al cálculo.

¿Cómo aprende un modelo?

Durante el entrenamiento, el modelo sigue un ciclo repetitivo:

Datos → predicción → error → ajuste de parámetros → nueva predicción

El modelo hace una predicción, compara con el resultado esperado, calcula el error y ajusta sus parámetros para reducir ese error en la próxima iteración. Los pesos y sesgos cambian repetidamente hasta conseguir mejores resultados.

Por eso se dice que los parámetros son una representación distribuida de lo aprendido: no hay un «conocimiento» aislado en un parámetro específico, sino que la información está repartida por todo el modelo.

Parámetros ≠ hiperparámetros

Es común confundir estos términos, pero son distintos:

• Parámetros: los aprende el modelo durante el entrenamiento.
• Hiperparámetros: configuraciones elegidas antes del entrenamiento para controlarlo, como la tasa de aprendizaje (learning rate), el número de capas o el tamaño del lote.

Los hiperparámetros no se ajustan solos; los define quien diseña o entrena el modelo.

Mapa mental

MODELO
→ arquitectura + parámetros
→ parámetros
→ pesos + sesgos + otros valores
→ se ajustan durante el entrenamiento
→ permiten que el modelo transforme nuevas entradas en resultados durante la inferencia.

Entender la diferencia entre modelo, arquitectura, parámetros, pesos y sesgos ayuda a interpretar mejor las noticias sobre inteligencia artificial y a comprender qué ocurre realmente cuando un sistema «aprende». No se trata de magia ni de conocimiento almacenado en compartimentos: se trata de valores numéricos que se ajustan iterativamente para transformar entradas en salidas útiles.

Alberto Arroyo

La idea de fondo

Cuando usamos una IA para clasificar un correo como spam, generar un texto o reconocer una imagen, estamos viendo solo el final de una película larga. Ese resultado visible es la inferencia. Pero antes de llegar ahí, alguien tuvo que reunir ejemplos, ajustar millones de valores internos y repetir ese proceso hasta que el modelo aprendiera patrones útiles.

Ese recorrido es el que vamos a desarmar aquí. No es magia: es un pipeline con etapas bien definidas.

1. Los datos: la materia prima

Todo empieza con datos. Textos, imágenes, audios, números, correos electrónicos, cualquier información que una máquina pueda procesar. Sin datos, no hay nada que aprender.

Hay un detalle importante: los datos pueden venir con una etiqueta (la respuesta correcta) o sin ella. Si entrenas un modelo para detectar spam, necesitas correos marcados como «spam» o «no spam». Si lo entrenas para generar texto, probablemente trabajarás con grandes volúmenes de texto sin etiquetar.

Y aquí va una advertencia que se repite en la industria: la calidad de los datos determina la calidad del modelo. Datos incompletos, sesgados o directamente erróneos producen un modelo deficiente, por más sofisticada que sea la arquitectura. Es el principio de «basura entra, basura sale», aplicado al aprendizaje automático.

2. El modelo: una estructura que transforma

Un modelo es una estructura matemática que toma una entrada y produce una salida. Conviene desterrar una idea equivocada: no es una base de datos con respuestas guardadas. No funciona como una biblioteca donde el sistema busca la respuesta correcta. Lo que hace es aprender patrones a partir de los ejemplos y usarlos para responder ante situaciones que nunca vio.

Esa capacidad de responder ante lo nuevo es justamente lo que distingue a un modelo entrenado de una simple tabla de consulta.

3. Los parámetros: las perillas internas

Dentro del modelo hay valores numéricos llamados parámetros. Son los que determinan cómo procesa la información. Una forma intuitiva de imaginarlos: millones de perillas que se giran durante el entrenamiento.

El aprendizaje del modelo queda representado, casi por completo, en esos parámetros. Cuando decimos que un modelo «aprendió», en términos técnicos significa que sus parámetros adoptaron valores que minimizan el error en las predicciones.

4. El entrenamiento: ajustar para mejorar

El entrenamiento es el proceso mediante el cual se ajustan los parámetros para mejorar el desempeño. Sigue un ciclo que se repite una y otra vez:

1. El modelo recibe un dato.
2. Produce una predicción.
3. Se compara esa predicción con la respuesta esperada.
4. Se calcula el error o pérdida (loss).
5. Se ajustan los parámetros para reducir ese error.
6. Se repite con muchos ejemplos.

Este ciclo, repetido miles o millones de veces, es lo que permite que el modelo pase de responder mal a responder bien.

Ahora, una distinción clave: aprender no es memorizar. El objetivo no es que el modelo recuerde cada ejemplo, sino que generalice patrones para responder correctamente ante situaciones nuevas. Cuando un modelo memoriza demasiado los datos de entrenamiento y falla con datos nuevos, hablamos de sobreajuste (overfitting). Es como un estudiante que se aprende las respuestas de memoria sin entender el tema: le va bien en el examen de práctica y mal en el examen real.

5. La inferencia: usar lo aprendido

La inferencia es utilizar un modelo ya entrenado para producir una salida a partir de una entrada nueva. En esta fase, los parámetros permanecen fijos. El modelo no sigue aprendiendo por su cuenta: simplemente realiza cálculos con lo que ya aprendió y genera una predicción, una clasificación, una decisión o un contenido.

Un ejemplo concreto:

Llega un correo nuevo → el modelo entrenado lo analiza → devuelve un 95 % de probabilidad de que sea spam.

Eso es inferencia. Rápida, con parámetros congelados y sin actualización interna.

6. Entrenamiento vs. inferencia: dos fases, dos lógicas

Esta tabla resume bien la diferencia. El entrenamiento es la fase pesada, lenta y costosa. La inferencia es la fase ligera, la que ocurre cada vez que usas el modelo en producción.

7. La cadena fundamental

Todo el proceso se puede resumir en dos secuencias:

Datos → Entrenamiento → Modelo
Los parámetros se ajustan mediante ejemplos.

Entrada nueva → Inferencia → Resultado
El modelo entrenado utiliza lo aprendido.

En una sola frase

Una IA aprende ajustando los parámetros de un modelo mediante datos; después, durante la inferencia, utiliza esos parámetros para transformar nuevas entradas en resultados.

Entender esta cadena no solo aclara cómo funciona la tecnología: también explica por qué los datos de calidad importan tanto, por qué el sobreajuste es un riesgo real y por qué un modelo puede ser rápido al usarlo pero costoso al entrenarlo. Tres etapas, una lógica, y todo lo demás se construye encima.

Alberto Arroyo

¿Qué es una red neuronal artificial?

Imagina un sistema que recibe datos, los procesa en varias etapas y produce una respuesta. Eso es, en esencia, una red neuronal artificial: un modelo matemático compuesto por unidades conectadas que aprenden patrones ajustando sus parámetros a partir de ejemplos.

No es magia ni una copia del cerebro. Es una estructura de operaciones matemáticas organizada en capas, y su poder radica en que puede aprender representaciones complejas sin que nadie le indique paso a paso qué debe buscar.

Su estructura básica

Toda red neuronal, por sofisticada que parezca, sigue un esquema simple:

entrada → capas ocultas → salida

• Entrada: recibe los datos crudos. Pueden ser píxeles de una imagen, palabras de una frase, números de una transacción bancaria.
• Capas ocultas: transforman esa información y detectan patrones cada vez más complejos. Las primeras capas captan detalles simples; las siguientes combinan esos detalles en conceptos más abstractos.
• Salida: produce el resultado final, ya sea una predicción numérica, una clasificación o una probabilidad.

Cada capa no trabaja aislada: pasa su resultado a la siguiente, refinando la información en el camino.

¿Cómo aprende una red neuronal?

Aquí está el corazón del asunto. Cada conexión entre unidades tiene un peso, un número que determina cuánta influencia tiene una señal sobre la siguiente. Al inicio, esos pesos son aleatorios, así que la red comete errores. El aprendizaje consiste en corregirlos.

El proceso simplificado es:

datos → predicción → error → ajuste de pesos → nueva predicción

La red hace una predicción, la compara con la respuesta correcta, mide el error y ajusta los pesos para reducirlo. Luego repite. Y repite. Y repite.

Aquí entra en juego la retropropagación (backpropagation), el mecanismo que permite calcular cómo debe modificarse cada peso para disminuir el error. Es como enviar la corrección desde la salida hacia atrás, capa por capa, para que cada conexión se ajuste en la dirección correcta. Con suficientes iteraciones, la red llega a una configuración de pesos que le permite resolver la tarea con precisión.

Un ejemplo concreto: reconocer gatos

Supón que quieres que una red distinga fotos de gatos.

El flujo sería algo así:

imagen → patrones simples → formas → rasgos → «gato»

Las primeras capas detectan bordes y contrastes. Las intermedias combinan esos bordes en formas: curvas, óvalos, líneas. Las más profundas identifican rasgos como orejas puntiagudas, bigotes o la forma de los ojos. La capa final concluye: «gato».

Lo notable es que nadie programó explícitamente qué es un ojo, una oreja o un bigote. La red aprendió esas representaciones por sí sola a partir de miles de ejemplos. Eso es lo que distingue al Deep Learning de los enfoques tradicionales.

¿Dónde se usan?

Las redes neuronales están detrás de muchas tecnologías cotidianas:

• Reconocimiento de imágenes y voz.
• Procesamiento y generación de lenguaje.
• Traducción automática.
• Sistemas de recomendación.
• Detección de fraude.
• Generación de imágenes, audio y video.
• Robótica y conducción autónoma.

Cada vez que un asistente responde una pregunta, una app sugiere una película o un banco detecta un cargo sospechoso, probablemente hay una red neuronal trabajando en segundo plano.

En una frase

Una red neuronal es una red de operaciones matemáticas conectadas que aprende ajustando sus pesos hasta encontrar patrones útiles en los datos.

Alberto Arroyo

¿Qué es el Deep Learning?

El Deep Learning es una forma de Machine Learning que se basa en redes neuronales con muchas capas. La idea central es que la máquina no solo aprenda patrones, sino que aprenda a representar esos patrones de manera cada vez más abstracta y compleja.

El flujo básico es:

datos → red neuronal → entrenamiento → modelo → predicción/generación

La red neuronal recibe datos, los procesa a través de sus capas, produce una salida, se compara con lo esperado y ajusta sus parámetros internos para mejorar. Después de muchas repeticiones, el resultado es un modelo capaz de realizar la tarea para la que fue entrenado.

¿Por qué “profundo”?

El término “profundo” se refiere a la cantidad de capas que tiene la red. Cada capa transforma la información y la pasa a la siguiente. Cuantas más capas, más “profunda” es la red, y más complejas pueden ser las representaciones que aprende.

Un ejemplo clásico es el reconocimiento de rostros. La red no ve un rostro de golpe. Lo que ocurre es algo así:

píxeles → bordes → formas → ojos/nariz/boca → rostro

Cada capa detecta patrones de creciente complejidad. Las primeras capas pueden identificar bordes y contrastes. Las intermedias, formas más definidas. Las últimas, partes específicas como ojos o nariz. Finalmente, la red integra todo para reconocer un rostro.

Lo importante es que la máquina no necesita que alguien programe explícitamente cada característica. Aprende qué representaciones son útiles durante el entrenamiento.

¿Cómo aprende?

Cada conexión de la red tiene parámetros llamados pesos. Estos pesos determinan cuánta importancia tiene cada señal en la predicción final. Al principio son valores aleatorios, pero se van ajustando.

El proceso, simplificado, es el siguiente:

predicción → error → ajuste de pesos → nueva predicción → …

La red hace una predicción, se calcula el error (la diferencia entre lo que predijo y lo que debería haber predicho) y luego se ajustan los pesos para reducir ese error. Este ciclo se repite muchas veces, con muchos ejemplos. Al final, la red encuentra una configuración capaz de realizar la tarea con un margen de error aceptable.

Deep Learning vs. Machine Learning tradicional

La diferencia clave está en quién define las características relevantes.

• Machine Learning tradicional: los humanos suelen definir o seleccionar las características importantes de los datos. Por ejemplo, para clasificar flores, un experto podría indicar que el largo del pétalo y el ancho del sépalo son relevantes.
• Deep Learning: la red aprende las representaciones directamente de los datos. No se le dice qué mirar; ella lo descubre.

Esa autonomía es una gran ventaja, pero también tiene un costo: normalmente requiere más datos y más capacidad de cómputo. Entrenar una red profunda puede implicar millones de ejemplos y hardware especializado.

¿Dónde se utiliza?

El Deep Learning está detrás de gran parte de la IA actual. Algunos campos donde se aplica:

• Visión: reconocimiento y análisis de imágenes.
• Lenguaje: traducción, generación de texto y modelos de lenguaje grandes (LLM).
• Audio: reconocimiento y generación de voz.
• Imagen y video: generación, edición y comprensión.
• Robótica: percepción y navegación.

Cada vez que se usa un traductor automático, se pide a un asistente que genere texto o se sube una foto a una red social que la etiqueta automáticamente, es muy probable que haya Deep Learning involucrado.

El mapa hasta ahora

Para ubicar el Deep Learning dentro del ecosistema de la IA, un mapa mental útil es:

IA
↓
Machine Learning
↓
Deep Learning
↓
Redes neuronales
↓
Transformers
↓
LLM (ChatGPT)

No es una jerarquía completamente estricta, pero sirve para recordar cómo se relacionan estos conceptos. El Deep Learning es una parte del Machine Learning, y las redes neuronales profundas son su herramienta principal. Los Transformers son un tipo específico de arquitectura de red neuronal, y los LLM son modelos de lenguaje construidos con Transformers.

En una frase

Machine Learning aprende patrones; Deep Learning utiliza redes neuronales profundas para aprender representaciones cada vez más complejas de esos patrones.

Entender esta diferencia ayuda a comprender por qué los sistemas actuales pueden hacer cosas que antes parecían exclusivas de la inteligencia humana, y también por qué necesitan tantos datos y tanta potencia de cálculo para lograrlo.

Alberto Arroyo

De reglas escritas a patrones aprendidos

La forma habitual de hacer que una computadora resolviera un problema era escribirle las reglas. El programador pensaba en la lógica, la traducía a instrucciones y la máquina las ejecutaba. Ese enfoque sigue siendo útil y sigue siendo la base de la mayoría del software que usamos a diario.

Pero hay problemas donde escribir todas las reglas es prácticamente imposible. Reconocer si una foto contiene un gato, detectar spam o predecir qué película le gustará a una persona son tareas donde las reglas son difusas, cambian con el contexto o son demasiadas para enumerarlas.

Ahí entra el Machine Learning.

La diferencia básica

Programación tradicional:
reglas + datos → resultado

El humano escribe las reglas. La computadora las aplica a los datos y produce un resultado.

Machine Learning:
datos + ejemplos → modelo → resultado

El humano proporciona datos y ejemplos. El sistema encuentra patrones por sí mismo y construye un modelo. Ese modelo es lo que luego produce resultados sobre datos nuevos.

¿Qué es un modelo?

El modelo es lo que queda después del entrenamiento. No es una lista de reglas escritas por una persona, sino una estructura matemática capaz de hacer predicciones sobre datos que nunca vio antes.

Piensa en él como una representación comprimida de los patrones que el sistema encontró en los ejemplos. Si el entrenamiento fue bueno, el modelo generaliza: acierta no solo en los casos que ya conoce, sino también en casos nuevos.

¿Cómo aprende?

El proceso tiene tres etapas:

1. Entrenamiento:
El sistema recibe datos y ajusta sus parámetros internos para reducir errores. Cuanto más se equivoca, más ajusta. Cuanto más acierta, más consolida lo aprendido.

2. Modelo:
Una vez entrenado, conserva los patrones aprendidos. Ese es el resultado del entrenamiento.

3. Inferencia:
El modelo recibe datos nuevos y produce una predicción o una decisión.

Ejemplo:
Miles de correos etiquetados como spam / no spam → entrenamiento → modelo → correo nuevo → «97% probable spam».

Tres formas principales de aprender

No todos los problemas se aprenden igual. Hay tres enfoques clásicos:

Supervisado:
Aprende con ejemplos que ya tienen respuesta.
Ejemplo: fotos etiquetadas como gato o perro. El modelo aprende a distinguirlas.

No supervisado:
Recibe datos sin respuestas y encuentra patrones o agrupaciones por sí mismo.
Ejemplo: segmentar clientes según su comportamiento de compra.

Por refuerzo:
Aprende mediante acciones, consecuencias y recompensas.
Ejemplo: aprender a jugar un videojuego probando, equivocándose y mejorando.

También existen otros enfoques, como el aprendizaje auto-supervisado, que es fundamental para los modelos modernos de lenguaje.

La idea importante

El salto conceptual es este:

• Programar tradicionalmente: decirle a la máquina las reglas.
• Machine Learning: crear un sistema que pueda aprender patrones a partir de ejemplos.

Esa diferencia es la que permite abordar problemas donde las reglas no alcanzan. Y es también la razón por la que el Machine Learning se convirtió en una de las bases de la IA moderna.

En una frase

Machine Learning = aprender patrones de datos para hacer predicciones o decisiones sobre datos nuevos.

Entender esto ayuda a mirar con más criterio las herramientas que usamos a diario: saber que detrás de una predicción hay un modelo entrenado con ejemplos permite preguntarse qué datos vio, qué patrones aprendió y qué tan confiable es su respuesta.

Alberto Arroyo

Dos formas de entender la inteligencia

Cuando hablamos de inteligencia artificial, es común imaginar un solo tipo de sistema. Pero a lo largo de su historia, la IA se ha desarrollado por dos caminos distintos, que responden a una pregunta fundamental: ¿de dónde sale la inteligencia?

• IA simbólica: la inteligencia proviene de reglas escritas por humanos.
• IA estadística: la inteligencia emerge de patrones encontrados en los datos.

Ambos enfoques buscan que una máquina realice tareas que asociamos con la inteligencia humana, pero lo hacen de maneras muy diferentes.

IA simbólica: reglas explícitas

La IA simbólica fue el enfoque dominante en las primeras décadas de la inteligencia artificial. Su idea central es representar el conocimiento de forma explícita: conceptos, reglas y relaciones lógicas.

El proceso es más o menos así:

Humanos → reglas → razonamiento → respuesta

Un humano escribe las reglas que describen cómo resolver un problema. La computadora las sigue paso a paso, aplicando lógica deductiva. Si las premisas son verdaderas y las reglas están bien definidas, la conclusión también lo será.

Ejemplo típico:
Un sistema experto médico podría incluir reglas como:
“Si el paciente tiene fiebre, tos y pérdida del olfato → posible infección respiratoria”.
La máquina no aprende nada por su cuenta: solo aplica lo que ya está escrito.

Ventajas:

• Es altamente explicable: se puede rastrear exactamente por qué se llegó a una conclusión.
• Funciona bien en dominios con reglas claras y estables.

Limitaciones:

• Se vuelve rígida cuando aparecen excepciones.
• Mantener una base de reglas grande es costoso y difícil.
• No se adapta bien a problemas ambiguos o con muchos matices, como el lenguaje natural o el reconocimiento de imágenes.

IA estadística: patrones aprendidos

La IA estadística toma un camino distinto. En lugar de que un humano escriba las reglas, se le proporcionan datos y ejemplos, y el sistema encuentra los patrones por sí mismo.

El proceso sería:

Datos → patrones → modelo → predicción

Aquí no hay una lista de reglas explícitas. Hay un modelo matemático que ha sido ajustado a partir de ejemplos. La lógica que utiliza es inductiva o probabilística: generaliza a partir de lo que ha visto.

Ejemplo típico:
En lugar de decirle a la máquina “si tiene A, B y C → es un perro”, se le muestran millones de imágenes de perros y de otros objetos, y ella descubre por sí misma qué características los distinguen.

Ventajas:

• Es mucho más flexible para tareas complejas: lenguaje, visión, reconocimiento de patrones, predicción.
• Mejora a medida que se le proporcionan más datos.

Limitaciones:

• Sus decisiones pueden ser difíciles de explicar (a veces se le llama “caja negra”).
• Puede cometer errores, especialmente si los datos de entrenamiento son sesgados o incompletos.
• No siempre es fácil entender por qué llegó a una conclusión.

Comparación directa

¿Dónde entra ChatGPT?

ChatGPT pertenece principalmente al enfoque estadístico, concretamente al aprendizaje profundo (deep learning). No aprende mediante una lista de reglas escritas una por una, sino mediante patrones aprendidos de grandes cantidades de datos. Por eso puede generar respuestas fluidas y adaptarse a contextos muy diversos, pero también puede inventar información o cometer errores con total seguridad.

La tendencia actual: combinar ambos enfoques

La historia de la IA no ha sido una simple sustitución de un enfoque por otro. Hoy, la tendencia no es necesariamente elegir entre simbólico y estadístico, sino combinarlos.

Un sistema moderno puede usar un modelo estadístico para interpretar una situación (por ejemplo, entender el lenguaje natural) y luego utilizar reglas, herramientas, bases de datos o verificaciones estructuradas para tomar decisiones más precisas o seguras. A esto a veces se le llama IA híbrida.

Esta combinación permite aprovechar lo mejor de cada mundo: la flexibilidad del aprendizaje automático y la precisión y explicabilidad de las reglas explícitas.

En una frase

• IA simbólica = “te digo las reglas”.
• IA estadística = “te doy ejemplos y encuentras los patrones”.
• IA moderna = “combino aprendizaje de patrones con reglas, herramientas y estructuras cuando hace falta”.

Entender esta distinción no solo ayuda a comprender mejor cómo funcionan los sistemas actuales, sino también a saber qué esperar de ellos y cuándo conviene confiar en su respuesta.

Alberto Arroyo

La IA no es una sola cosa

Cuando alguien dice «inteligencia artificial», muchas veces imagina un solo sistema monolítico. Pero la realidad es bastante más interesante: la IA es un campo amplio, con ramas que se conectan entre sí y otras que funcionan de manera casi independiente.

Una forma útil de visualizarlo es como una serie de capas que se contienen unas a otras:

IA → Machine Learning → Deep Learning → redes neuronales → Transformers → LLM → modelos multimodales → agentes

Cada flecha indica que lo que sigue es un subconjunto o una evolución de lo anterior. No todo el machine learning es deep learning, y no todo el deep learning son Transformers. Pero sí: todos los Transformers son deep learning, todo el deep learning es machine learning, y todo el machine learning es, a grandes rasgos, inteligencia artificial.

Pero la IA no termina ahí. También incluye visión artificial (sistemas que interpretan imágenes), generación de imágenes, robótica, sistemas de recomendación (como los que usan las plataformas de streaming) y muchas otras aplicaciones.

El objetivo común de todas estas ramas es construir sistemas capaces de realizar tareas que asociamos con la inteligencia humana: reconocer, aprender, predecir, generar, analizar y resolver problemas.

La diferencia clave: cómo se construyen

Lo que realmente distingue a estas tecnologías no es qué hacen, sino cómo se construyen. Y aquí hay tres formas muy distintas de trabajar.

Software tradicional: el humano escribe las reglas

En la programación clásica, una persona escribe instrucciones explícitas y la computadora las ejecuta. Si quieres que un programa sume dos números, escribes la regla que dice cómo sumarlos. La máquina no aprende nada por su cuenta: sigue el guion.

Programación: «Haz esto.»

Machine Learning: el sistema aprende de los datos

En machine learning, el enfoque cambia. En lugar de escribir reglas, se proporcionan datos y ejemplos. El sistema analiza esos ejemplos, encuentra patrones y produce resultados. No se le dice cómo hacer la tarea, sino que se le muestra qué se espera.

Por ejemplo, en lugar de programar reglas para detectar spam, se le muestran miles de correos etiquetados como spam y no spam, y el sistema aprende a distinguirlos por sí mismo.

Machine Learning: «Aprende este patrón.»

IA generativa: usar lo aprendido para crear

La IA generativa lleva esto un paso más allá. Un modelo como ChatGPT aprende patrones a partir de grandes cantidades de información y luego usa esos patrones, junto con el contexto que recibe, para generar contenido nuevo: texto, imágenes, código, audio.

No se limita a clasificar o predecir: produce algo que no existía antes.

IA generativa: «Usa lo aprendido y este contexto para generar algo.»

Por qué importa esta distinción

Confundir estos tres enfoques lleva a expectativas equivocadas. El software tradicional es predecible y determinista. El machine learning es probabilístico y depende de la calidad de los datos. La IA generativa es creativa dentro de los límites de lo que aprendió, pero también puede equivocarse con total seguridad.

Saber en qué categoría cae cada herramienta ayuda a entender sus capacidades, sus límites y la mejor forma de usarla. No es lo mismo pedirle a un sistema de recomendación que sugiera una película que pedirle a un modelo generativo que escriba un guion.

En resumen

La inteligencia artificial es un campo amplio y diverso. No es una sola tecnología ni una caja negra indescifrable. Es una familia de enfoques que comparten un objetivo: hacer que las máquinas realicen tareas que antes requerían inteligencia humana.

La próxima vez que escuches hablar de IA, pregúntate: ¿esto aprende de datos, ejecuta reglas o genera contenido nuevo? La respuesta te dirá mucho sobre lo que puedes esperar de ella.

Alberto Arroyo