Al terminar sabrás qué es la inteligencia artificial, cómo "piensa" un modelo de lenguaje y por qué a veces se equivoca con total seguridad, y podrás ubicar cualquier herramienta entre el chat y el agente.
"Inteligencia artificial" no es un producto: es una disciplina que busca que las máquinas hagan tareas que asociamos con la inteligencia humana, como reconocer, clasificar, predecir o redactar. Los asistentes que usas hoy son solo la capa más reciente.
Cada capa está dentro de la anterior: toda IA generativa es aprendizaje profundo, pero no toda IA aprende. El GPS no aprende nada, y aun así es IA.
¿Cuánto voy a vender el próximo mes? ¿Este cliente está a punto de irse? ¿Esta transacción es un fraude? Responde con un número, una probabilidad o una categoría. En las empresas, todavía es la que más valor produce.
Redacta la propuesta para ese cliente, resume el informe, diseña la imagen del anuncio. Es la que se volvió famosa con ChatGPT, pero no es toda la IA: muchas veces lo que necesitas es predecir, no generar.
La gran diferencia entre las capas está en de dónde sale el conocimiento de la máquina: o se lo escribe una persona en forma de reglas, o la máquina lo saca de los ejemplos. Durante casi treinta años ganó la primera forma.
En los años setenta y ochenta, la IA más exitosa fueron los sistemas expertos: programas que guardaban el saber de un especialista en cientos o miles de reglas del tipo "SI pasa esto Y esto, ENTONCES concluye aquello". Para construirlos, un ingeniero del conocimiento entrevistaba al experto durante meses y convertía cada criterio en una regla. Por ejemplo: "SI las luces del carro no encienden Y el motor no hace ruido, ENTONCES la batería no está entregando corriente".
En su nicho funcionaban bien. MYCIN, de la Universidad de Stanford, recomendaba antibióticos tan bien como los especialistas, aunque nunca se usó con pacientes reales. XCON le ahorraba millones de dólares al año a la empresa que lo usaba para armar pedidos de computadores. Pero todo había que escribirlo a mano, y ante un caso que nadie había previsto, el sistema no sabía qué responder.
Cada regla había que obtenerla de un experto, escribirla y mantenerla. Piensa en un filtro de spam con reglas: "si el asunto dice GRATIS y trae un enlace, es spam". Basta con que alguien escriba GR4TIS para que falle. Cuantas más reglas, más difícil mantenerlas.
En lugar de escribir las reglas, le muestras miles de correos marcados como spam o no spam y el sistema descubre por su cuenta los patrones. No hay que prever cada truco: con ejemplos nuevos, se adapta. Este cambio de enfoque, de programar reglas a aprender de datos, es lo que hace posible la IA de hoy.
| Tipo de aprendizaje automático | Cómo aprende | Ejemplo cotidiano |
|---|---|---|
| Supervisado | Con ejemplos que ya traen la respuesta correcta | Correos marcados como spam; fotos etiquetadas |
| No supervisado | Encuentra grupos y patrones sin que nadie le diga qué buscar | Agrupar clientes con hábitos de compra parecidos |
| Por refuerzo | Prueba, recibe premio o castigo y mejora | Los chats de IA, que se ajustan con las calificaciones de personas a sus respuestas; AlphaGo, que mejoró jugando millones de partidas |
La IA no nació con ChatGPT: tiene más de 70 años. Conocer sus grandes saltos te ayuda a entender cómo funciona por dentro y a desconfiar de promesas exageradas.
Ingenieros entrevistaban a expertos y programaban miles de reglas lógicas: "SI ocurre A y B, ENTONCES concluye C". Muy precisas en nichos cerrados, pero incapaces de aprender.
En lugar de escribir las reglas a mano, la máquina extrae patrones a partir de millones de ejemplos usando redes neuronales profundas.
La arquitectura Transformer (Google) revoluciona el lenguaje: procesa frases completas calculando qué palabras se relacionan estadísticamente entre sí.
La IA pasa de solo aconsejar en un chat a ejecutar trabajo real: navega internet, analiza carpetas locales y corre flujos programados de varios pasos.
Antes de que existieran computadores potentes, un grupo de matemáticos ya se preguntaba si una máquina podría pensar.
El matemático británico, que había ayudado a descifrar los códigos secretos nazis en la Segunda Guerra Mundial, propuso un experimento: el "juego de la imitación", conocido hoy como prueba de Turing. Si conversas por escrito y no logras distinguir si al otro lado hay una persona o una máquina, ¿importa si la máquina "piensa"? Hoy, en conversaciones cortas, a mucha gente ya le cuesta distinguir un chat de una persona; aun así, no piensan como nosotros. La pregunta sigue abierta.
John McCarthy, junto con Marvin Minsky, Claude Shannon y Nathaniel Rochester, organizó un taller de verano en el Dartmouth College (Estados Unidos). En la propuesta pedían dinero para que diez investigadores trabajaran dos meses, convencidos de lograr avances importantes en lenguaje y razonamiento. Ahí se usó por primera vez la expresión inteligencia artificial. Lo que creían resolver en un verano tardó más de medio siglo.
Joseph Weizenbaum, en el MIT, creó un programa que imitaba a un psicoterapeuta devolviendo preguntas con reglas sencillas ("Me siento triste" → "¿Por qué te sientes triste?"). No entendía nada, pero muchas personas sintieron que las escuchaba; se cuenta que su propia secretaria le pidió que saliera de la sala para conversar a solas con ELIZA. Weizenbaum se alarmó de lo fácil que atribuimos comprensión a una máquina, una advertencia que hoy vale más que nunca.
Las promesas incumplidas llevaron a recortes de financiación. Los investigadores llaman a esas épocas los inviernos de la IA: uno a mediados de los setenta y otro a finales de los ochenta.
Un informe encargado por el gobierno británico, el informe Lighthill, concluyó que la IA no había cumplido casi nada de lo prometido. Los gobiernos de Reino Unido y Estados Unidos recortaron los fondos y muchos proyectos se cerraron. La lección se repetiría: prometer de más tiene un costo.
La IA volvió de la mano de los sistemas expertos que viste arriba. Las empresas invirtieron millones y surgió toda una industria. Pero mantener miles de reglas era caro, y los sistemas fallaban ante lo imprevisto. Hacia finales de los ochenta el mercado se desplomó y llegó el segundo invierno.
Un año antes, Garri Kaspárov, campeón mundial de ajedrez, le había ganado 4 a 2 al computador de IBM. En la revancha, en Nueva York, Deep Blue evaluaba 200 millones de posiciones por segundo y ganó 3,5 a 2,5. Kaspárov quedó tan desconcertado con una de sus jugadas que llegó a sospechar que había una persona detrás. Fue noticia mundial, pero Deep Blue no aprendía: era fuerza de cálculo más criterios escritos por grandes maestros.
Llegaron tres ingredientes a la vez: internet puso a disposición enormes cantidades de datos, los procesadores gráficos (las tarjetas de los videojuegos) permitieron hacer cálculos masivos y se retomaron las redes neuronales, una idea de los años cincuenta. La IA pasó de las reglas al aprendizaje.
Apple lanza Siri en el iPhone y, por primera vez, millones de personas le hablan a una máquina a diario. Ese mismo año, Watson, de IBM, gana el concurso de televisión Jeopardy! contra los dos mejores campeones de su historia, respondiendo preguntas llenas de juegos de palabras. La IA sale del laboratorio y entra en la vida diaria.
En ImageNet, un concurso internacional de reconocimiento de imágenes, una red neuronal profunda del equipo de Geoffrey Hinton, en la Universidad de Toronto, cometió muchos menos errores que todos los demás participantes. La entrenaron con dos tarjetas gráficas de videojuegos. Desde ahí, el aprendizaje profundo se impuso en visión, voz y traducción. En 2024, Hinton recibió el Premio Nobel de Física por sus aportes a las redes neuronales.
El programa de DeepMind (Google) derrota 4 a 1 a uno de los mejores jugadores de Go del mundo, un juego con muchísimas más posibilidades que el ajedrez. En la segunda partida hizo la famosa jugada 37: los comentaristas creyeron que era un error y resultó brillante. A diferencia de Deep Blue, AlphaGo aprendió: estudió partidas humanas y luego jugó millones contra sí mismo. Un año después, su sucesora AlphaZero aprendió ajedrez desde cero, solo con las reglas, en horas.
Ocho investigadores de Google publican el artículo "Attention Is All You Need" con una nueva forma de procesar el lenguaje: el modelo mira todas las palabras de una frase a la vez y calcula cuáles se relacionan entre sí. Parecía un avance técnico más, pero es la base de todos los asistentes actuales. La "T" de GPT significa justamente Transformer.
Con el Transformer, más datos y más capacidad de cálculo, los modelos de lenguaje crecieron hasta sorprender a sus propios creadores. En pocos años la IA pasó de laboratorio a herramienta de trabajo diaria.
OpenAI entrena un modelo de lenguaje con 175.000 millones de parámetros, más de cien veces más grande que su antecesor. La sorpresa fue que nadie le había enseñado a traducir, resumir ni programar, y aun así lo hacía con ver un par de ejemplos. La prensa publicó artículos escritos por él y los programadores empezaron a usarlo para generar código. Todavía no era para el público general, pero dejó claro que "predecir la siguiente palabra" a escala gigante producía habilidades que nadie había programado.
Aparecen DALL·E, que crea imágenes a partir de una descripción ("un aguacate con forma de sillón"), y GitHub Copilot, que sugiere código a los programadores mientras escriben. La IA generativa ya no es solo texto.
El 30 de noviembre, OpenAI abre ChatGPT al público: el mismo tipo de modelo, pero ajustado para conversar, gratis y en una página web. En cinco días tenía un millón de usuarios y en unos dos meses cerca de cien millones, uno de los crecimientos más rápidos de la historia de la tecnología. De pronto, estudiantes, oficinistas y periodistas estaban probando IA. Ese mismo año se popularizan los generadores de imágenes como Midjourney y Stable Diffusion.
Llega GPT-4, capaz de analizar imágenes y de aprobar exámenes profesionales, como el de abogacía en Estados Unidos. Anthropic lanza Claude, Google lanza Bard (que en 2024 pasa a llamarse Gemini) y Microsoft integra Copilot en Windows y en Office. La velocidad asusta: cientos de investigadores y empresarios firman una carta pidiendo pausar seis meses los modelos más potentes. No se pausó nada, pero el debate sobre riesgos y regulación llegó a los gobiernos.
Los asistentes se vuelven multimodales: conversan por voz en tiempo real y analizan imágenes y documentos. Aparecen los modelos de razonamiento, que "piensan" paso a paso antes de responder y mejoran en matemáticas y lógica. En agosto entra en vigor la Ley de IA de la Unión Europea, la primera ley integral sobre IA. Surgen los primeros asistentes capaces de usar un computador o de conectarse a otras aplicaciones mediante el protocolo MCP. Y la IA gana dos premios Nobel: el de Física, por las redes neuronales, y el de Química, para el equipo de DeepMind que predijo la forma de las proteínas con AlphaFold.
La IA pasa de responder a hacer. Los asistentes navegan la web, llenan formularios, escriben y ejecutan programas, y trabajan directamente sobre carpetas y archivos, como Claude Code en el computador. En enero, el modelo chino DeepSeek sorprende al mundo con un rendimiento cercano a los mejores por una fracción del costo, y las acciones de las empresas de chips caen en un solo día. Llegan nuevas generaciones de modelos (Claude 4, GPT-5, Gemini 3) pensadas para tareas largas de varios pasos. En Colombia, el Gobierno aprueba en febrero la Política Nacional de IA (CONPES 4144).
Los flujos de trabajo con agentes se vuelven habituales. Los asistentes de chat heredan funciones de agente, como las tareas programadas, y las suites de oficina integran la IA en el correo, los documentos y el calendario. Es la zona gris que verás más abajo. La pregunta ya no es si usar IA, sino cómo usarla con criterio.
Tres lecciones. Primera: cada época tuvo promesas exageradas; desconfía de quien anuncie que la IA "ya piensa como un humano". Segunda: el gran salto no vino de programar más reglas, sino de aprender de datos a gran escala; por eso la IA de hoy es poderosa y a la vez se equivoca de formas extrañas. Tercera: los cambios se aceleraron; lo que aprendas de herramientas concretas caduca rápido, pero los conceptos de esta lección no.
El GPS que recalcula la ruta, las series que te recomiendan, el traductor, el filtro de spam. Llevas años usando IA sin llamarla así.
Un filtro de spam solo sabe filtrar spam. Los modelos de lenguaje actuales, en cambio, son de propósito amplio: redactan, programan, traducen y analizan imágenes. Pero su capacidad es dispareja: pueden resolver un problema difícil y fallar en uno fácil, o inventar un dato con total seguridad.
Una IA con inteligencia general comparable a la humana es un objetivo de investigación, no un producto. Desconfía de quien te venda "una IA que piensa como tú".
Los asistentes de chat funcionan con modelos de lenguaje. Entender cuatro ideas te evita la mayoría de los errores:
Imagina que el modelo debe continuar la frase "Para cerrar el trato, te envío la…". No "sabe" la respuesta: calcula qué tan probable es cada continuación según los textos con que aprendió. Una ilustración simplificada:
| Posible siguiente palabra | Probabilidad (ilustrativa) |
|---|---|
| propuesta | 52 % |
| cotización | 27 % |
| factura | 14 % |
| jirafa | casi 0 % |
Elige una, la agrega y repite el cálculo con la frase ya extendida, miles de veces por respuesta. Es el autocompletado de tu celular llevado al extremo. No siempre toma la más probable: muchas herramientas tienen un ajuste, llamado temperatura, que da más o menos margen a opciones menos probables. Con más margen hay más variedad y también más riesgo de error.
Primero, el preentrenamiento: el modelo procesa cantidades enormes de texto (libros, páginas web, código) y aprende cómo se encadenan las palabras. Después, el ajuste: con ejemplos de preguntas y buenas respuestas, y con la evaluación de personas que califican sus respuestas, aprende a comportarse como asistente.
Lo aprendido queda guardado en los parámetros del modelo, valores numéricos que se ajustan durante el entrenamiento, como perillas. Los modelos grandes tienen miles de millones. No guardan una copia de los textos, sino patrones, aunque a veces pueden repetir fragmentos memorizados palabra por palabra.
Los asistentes actuales también reciben imágenes, documentos y, algunos, audio y video. El principio es el mismo: convierten la entrada en fragmentos que el modelo puede procesar.
Un chat nuevo para cada tema (el contexto no se contamina). Itera: la primera respuesta es un borrador. Verifica las cifras, fechas, normas y referencias que vas a usar (en la lección 6 verás cuánto revisar según lo que está en juego). Y si el dato es reciente, usa una herramienta que busque en la web y cite la fuente.
No todas las herramientas de IA trabajan igual. La diferencia está en cuánto hacen por su cuenta.
El agente no se limita a responder una pregunta: entra al correo, extrae los números de pedido de los clientes, consulta la hoja de envíos, genera los borradores de nota crédito y te presenta una tabla resumen con los casos dudosos. Ejecuta un bucle de varios pasos (lee, planifica y escribe). Tú solo validas y autorizas antes del envío final.
Hay chatbots que evolucionaron lo suficiente como para heredar características de un agente sin ser todavía un agente. La agencia es un espectro, y no la define la interfaz ni el modelo: la define lo que la herramienta hace por su cuenta.
Un asistente de chat conectado al correo, con una tarea programada: todos los días a las 8:30 a. m. revisa lo recibido y lo enviado, entrega un resumen al celular y avisa de lo que sigue sin respuesta ("esta solicitud lleva dos días sin contestar"). Se usa como chatbot, pero ya se ejecuta solo a una hora. Gemini, por ejemplo, ofrece acciones programadas (hasta 10 activas) en sus planes de pago y de Workspace, y las está extendiendo a más cuentas.
| Nivel de autonomía | Ejemplo de instrucción | Qué hace por debajo (Arquitectura) |
|---|---|---|
| 1. Asistente (chat) | "Resúmeme este texto que te pego" | Inferencia pura: una sola llamada, sin herramientas ni efectos secundarios. |
| 2. Asistente con herramientas | "Busca en mi correo los mensajes del cliente X y dime qué pide" | Operación de solo lectura: consulta una API externa, pero no altera el estado de nada. |
| 3. Zona gris | "Todos los días a las 8:00 a. m. envíame al celular un resumen del correo" | Autonomía temporal: corre sin que tú abras el chat (tarea programada), pero solo lee. |
| 4. Agente completo | "Organiza la reunión de equipo: concilia horarios, crea el evento en Calendar y envía las invitaciones" | Bucle de acción con efectos secundarios: planifica en varios pasos y modifica el entorno real. |
En el chat, un error se queda en la pantalla hasta que tú decides usarlo. Cuando la herramienta actúa sola (envía, borra, agenda), el error llega directo al mundo real. Saber en qué punto del espectro estás te dice cuánto revisar.
Si un agente acierta el 95 % de las veces en cada paso y la tarea solo sale bien cuando todos los pasos salen bien, en una tarea de 10 pasos termina bien unas 6 veces de cada 10 (0,95 multiplicado por sí mismo diez veces da 0,60). Por eso a los agentes se les ponen puntos de revisión en el camino, no solo al final.
Si un asistente solo necesita leer tu correo, no le des permiso de enviar. Empieza con permisos mínimos, activa las confirmaciones antes de cada acción y amplía cuando hayas comprobado que funciona bien.
Piensa en una herramienta que uses (o quieras usar) y en una tarea concreta. Responde las cinco preguntas: la página te dice dónde queda en el espectro.
| Mito | Realidad |
|---|---|
| "Entiende y piensa como una persona" | Predice texto a partir de patrones. Puede parecer que razona, pero no tiene conciencia ni intenciones. |
| "Es un buscador" | Sin búsqueda web activada, responde de memoria (su entrenamiento), no desde internet. |
| "Si lo dice con seguridad, es cierto" | La seguridad del tono no dice nada sobre la exactitud. Por eso existen las alucinaciones. |
| "Reemplaza mi criterio" | Acelera tu trabajo. El criterio profesional, la revisión y la decisión siguen siendo tuyos. |
| "Se acuerda de todo lo que le he dicho" | Dentro de una conversación recuerda lo que cabe en su ventana de contexto. Entre conversaciones, solo si la herramienta tiene memoria o proyectos activados, y aun así de forma parcial. |
| "Es neutral y objetiva" | Refleja los textos con que aprendió, con sus sesgos y sus vacíos. Una respuesta bien redactada no es, por eso, imparcial. |
| "Si dice IA, es IA" | Muchos productos se ponen la etiqueta sin serlo (en inglés le dicen AI washing). Pregunta: ¿aprende de datos o son reglas fijas? Las dos cosas pueden ser útiles, pero no son lo mismo. |
| "A mayor número de parámetros, siempre es mejor" | No siempre. Los modelos masivos (cientos de miles de millones de parámetros) demandan mayor latencia y costo computacional. Para la gran mayoría de tareas de oficina, los modelos compactos y destilados (SLM) son mucho más veloces, económicos y cometen menos divagaciones. |
Todo resultado es un borrador hasta que una persona lo revisa. A más autonomía de la herramienta, más supervisión.
Si un informe hecho con IA tiene un error, la responsabilidad es de quien lo entrega, no de la herramienta. La IA nunca reemplaza la responsabilidad humana.
Si alguien te pregunta si la IA participó en un trabajo, no lo niegas. Y lo declaras cuando una norma, un contrato o una institución lo exige, por ejemplo un colegio, una universidad o una revista.
Lo que le das a un asistente sale hacia los servidores de un tercero. En la lección 5 aprendes el semáforo para decidir qué entra.
La IA reproduce los sesgos de los textos con que se entrenó: de género, edad, origen o cultura. Revisa con cuidado todo lo que afecte a personas, como perfiles, selecciones o evaluaciones.
Estos principios coinciden con la Recomendación de la UNESCO sobre la ética de la IA (adoptada en 2021 por 193 Estados) y con la Política Nacional de Inteligencia Artificial de Colombia (CONPES 4144 de 2025), que tiene la ética y la gobernanza como uno de sus seis ejes.
Una persona le pide a la IA un informe para su jefe. El informe sale impecable, con tres cifras y una norma citada. Lo envía sin revisar. Una cifra estaba inventada y la norma ya no está vigente. ¿Qué principio falló? Varios: no hubo supervisión humana, la responsabilidad es de quien envió y, si el jefe pregunta, negar el uso de IA empeora todo. Revisar tomaba cinco minutos.
| Término | Qué significa |
|---|---|
| Modelo | El programa entrenado que genera las respuestas. Un mismo asistente puede usar varios modelos. |
| Modelo de lenguaje (LLM) | Modelo entrenado con grandes cantidades de texto para predecir y generar lenguaje. En inglés, large language model. |
| Prompt | La instrucción que le das a la IA. Es el tema de la lección 2. |
| Token | Fragmento de texto (una palabra corta o parte de una larga) con el que el modelo lee y escribe. Los límites de uso suelen medirse en tokens. |
| Parámetros | Los valores internos que el modelo ajusta al aprender; ahí queda lo aprendido. |
| Fecha de corte | Hasta cuándo llegan los datos con que se entrenó el modelo. |
| Ventana de contexto | Cuánto texto puede tener en cuenta a la vez en una conversación. |
| Alucinación | Respuesta falsa o inventada presentada con seguridad. |
| Temperatura | Ajuste que da más o menos margen a respuestas menos probables: más variedad, más riesgo. |
| Conector | Permiso para que el asistente use otra aplicación, como tu correo, tu calendario o tu Drive. |
| Agente | Sistema al que le delegas una tarea y la resuelve por su cuenta, en varios pasos, usando herramientas. |
Dos experimentos rápidos en el asistente que uses (ChatGPT, Claude, Gemini o Copilot). Cambia lo que va entre [corchetes] por un tema de tu trabajo y anota lo que observas.
Un caso que falla demuestra que el modelo puede fallar. Un caso que sale bien no demuestra que siempre salga bien. Por eso la IA acelera tu trabajo, pero tu criterio profesional nunca se delega.
Comprueba cómo el modelo completa patrones con total seguridad incluso cuando inventa:
Dame tres libros o artículos especializados sobre [tema específico de tu trabajo], con autor, año y editorial o revista.
Abre una pestaña aparte y busca cada referencia en Google o Google Académico. ¿Existen las tres? ¿Los autores y revistas coinciden? Si alguna no existe, acabas de ver una alucinación en vivo. Moraleja: el modelo busca verosimilitud estadística, no la verdad; toda cita o dato técnico se corrobora fuera del chat antes de usarse.
Toma una tarea repetitiva de tu semana (ej: resumir correos de clientes, preparar la agenda del lunes o revisar un reporte). Pídele que actúe en modo agente:
Actúa como un coordinador operativo. Para mi tarea recurrente de [resumir las solicitudes pendientes de mi equipo]: 1. Diseña un flujo de trabajo de 3 pasos para adelantar esta tarea de forma autónoma. 2. Dime qué herramientas externas o conectores (correo, calendario, hojas) necesitarías para ejecutarlo. 3. Señala en qué paso exacto una persona debe revisar y autorizar antes de entregar.
Compara el resultado: ya no le estás pidiendo que opine, sino que proponga un flujo operativo. Fíjate en el paso 3: esa es la frontera de supervisión indispensable para delegar con confianza.
Escribe tu nombre y responde las 8 preguntas. Si fallas, verás al instante por qué; si aciertas, un dato que amplía. Al final descarga tu resultado en .txt y súbelo a tu carpeta de entregas.
Lleva lo aprendido directamente a tu trabajo diario: identifica áreas de oportunidad, asume un reto adaptativo y registra tu compromiso de aplicación laboral.
Ya sabes qué es la IA y cómo funciona por dentro. En la lección 2 aprendes a pedirle bien: las cuatro piezas de un buen prompt y cómo pasar de un pedido genérico a uno que da resultados útiles a la primera.