Cómo "piensa" una IA — sin jerga, para humanos
Una mañana cualquiera en tu teléfono
Abrís WhatsApp. Escribís: "Hola, ¿cómo…". El teclado te sugiere "estás". No pensó nada. Predijo.
Una IA generativa hace exactamente lo mismo, pero a una escala que cuesta imaginar. Se llama Large Language Model — modelo grande de lenguaje — y es una máquina de predecir palabras entrenada con tanto texto que sus predicciones terminan pareciendo inteligentes.
Pero no lo son. Son probabilidades. Ese es el truco y ese es el límite.
Cómo se entrenó
Los creadores le dan al modelo cantidades brutales de texto. GPT-3 se entrenó con aproximadamente 300 mil millones de tokens según el paper original (Brown et al. 2020, NeurIPS). Modelos posteriores usaron aún más. No hay cifra pública exacta para los últimos Claude o GPT-4, pero están en el mismo orden de magnitud o superior.
El modelo lee todo eso y aprende correlaciones. No "entiende" conceptos. Aprende: después de "el gato" viene probablemente "está", "salta" o "maúlla" — casi nunca "estudia matemáticas".
Ese aprendizaje queda congelado en pesos neurales — números que viven en las conexiones entre neuronas artificiales simuladas. GPT-3 tiene 175 mil millones de esos pesos. Cifra oficial, del mismo paper. Los modelos más grandes de 2024 tienen más, aunque las empresas cada vez publican menos detalles.
Cómo predice en tiempo real
Vos escribís: "Analiza este balance financiero y…". El modelo hace esto:
Primero. Convierte cada palabra en números. Esos números se llaman embeddings y viven en un espacio matemático de miles de dimensiones.
Segundo. Pasa esos números por capas de multiplicaciones y sumas. Muchas capas.
Tercero. Al final calcula un número para cada palabra posible de su vocabulario (unas 50 mil palabras o fragmentos de palabra para GPT-2, por dar una referencia verificable).
Cuarto. La palabra con el número más alto gana. Esa es la próxima.
Quinto. Esa palabra entra de vuelta al sistema. Y predice la siguiente. Y otra.
Así se genera un párrafo entero, palabra por palabra, mientras vos lo ves aparecer en pantalla.
¿Y a vos qué te cambia?
Significa que la IA no entiende verdaderamente el significado. No sabe qué es un balance. No sabe si tus números son correctos. Lo que hace es: "después de 'analiza este balance financiero' viene probablemente 'ingresos', 'gastos', 'mejoraste tu margen'…". Palabras estadísticamente plausibles.
Por eso funciona en tres tipos de tareas muy bien. Escribir un email. Resumir un texto. Explicar un concepto conocido. El patrón está en sus 300 mil millones de palabras de entrenamiento.
Por eso falla en otros tres tipos. Verdad nueva que no vio en su entrenamiento. Hechos específicos de tu negocio. Cosas que pasaron la semana pasada. Ahí adivina.
Y acá viene el detalle más importante. Cuando adivina mal, lo hace con la misma confianza que cuando adivina bien. Esto se llama alucinación. La máquina no tiene termómetro interno de certidumbre.
La arquitectura que lo cambió todo
Hasta 2017 las IAs procesaban texto de forma lenta y secuencial. Palabra por palabra. Entonces Google publicó un paper llamado "Attention Is All You Need" (Vaswani et al. 2017) y todo se rompió.
El paper introdujo los transformers. La innovación clave es el mecanismo de atención. El modelo, en lugar de leer palabra por palabra, procesa el párrafo entero en paralelo. Y decide matemáticamente cuánto importa cada palabra anterior para predecir la siguiente.
Ese paper hoy tiene más de 100 mil citas. Cambió todo. Sin transformers no hay ChatGPT, ni Claude, ni Gemini.
Sin contexto, predice genéricamente
Si vos le decís "escribime un email", la IA predice el email más promedio posible. Sus predicciones salen genéricas porque no tiene pistas tuyas.
Con contexto — tu negocio, tu voz, tu problema específico — las predicciones se ajustan. Ese es el punto entero del Método CAFÉ: Contexto claro, Acción concreta, Formato preciso, Estilo definido. No es un truco. Es darle al modelo más señal para que sus predicciones salgan tuyas.
Lo que muchos no ven
Mucha gente piensa que la IA tiene "conocimiento adentro" o una "comprensión mágica del mundo". No tiene nada de eso. Tiene números. Cuando vos hacés una pregunta, esos números se rearreglan de formas que probaron funcionar bien en casos similares durante el entrenamiento.
Es como un chef que leyó 50 mil recetas pero nunca probó la comida. Sabe dónde va la sal porque está en todos los textos. No sabe cómo sabe la comida porque nunca la probó.
Esa metáfora es importante. La IA puede hablar brillantemente de temas que nunca experimentó. Puede escribir poesía sobre el dolor sin haber sentido nunca nada. Puede explicar cómo andar en bicicleta sin tener equilibrio propio.
Es texto que generó patrones. No es vivencia que generó texto.
La próxima vez que la uses
Pregunta abierta para vos: si la IA predice estadísticamente, ¿qué tan diferente sería el resultado si le dieras tres ejemplos tuyos de cómo escribís? ¿Y si le dieras diez? ¿Y si además le aclararas para quién estás escribiendo?
Esa es la diferencia entre usar una IA genérica y hacer que prediga como vos. Si querés entender por qué Claude diferencia bien entre lo que sabe y lo que no sabe mientras otros modelos alucinan más, eso lo vemos en otro artículo de la serie.
Mientras tanto, recordá: la IA predice. Dale pistas claras, tarea concreta, forma específica, sonido tuyo. Así sus predicciones te sirven.
Cómo "piensa" una IA — sin jerga, para humanos
Una escena que ya viviste
Estás escribiendo un mensaje en el celular. Tipeás "Buenos" y el teclado te ofrece "días". Tipeás "Cómo" y aparece "estás". No te sorprende. Es autocomplete.
Ahora imaginá ese mismo truco. Pero entrenado con cientos de miles de millones de palabras. Libros. Artículos. Código. Conversaciones. Todo internet prácticamente.
Eso es una IA generativa. Un autocomplete gigantesco.
La idea en dos minutos
Cuando vos le escribís algo a Claude o a ChatGPT, la máquina no "entiende" lo que le dijiste. Lo que hace es predecir cuál es la próxima palabra más probable. Después predice la que viene después de esa. Y la siguiente. Una por una.
Funciona asombrosamente bien porque leyó cantidades brutales de texto. GPT-3, el modelo que arrancó el boom de ChatGPT, se entrenó con unas 300 mil millones de palabras (Brown et al. 2020). Eso es más texto del que vos podrías leer en mil vidas.
El aprendizaje queda congelado en lo que llamamos pesos — números que viven dentro de la red neuronal. Cuando vos escribís un prompt, la máquina multiplica esos números de formas muy sofisticadas y sale una palabra probable.
¿Entonces por qué a veces miente?
Porque confunde probabilidad con verdad. Para la máquina son la misma cosa.
Si en sus datos de entrenamiento había mil artículos falsos sobre un tema, aprendió esos patrones falsos. Los va a predecir con la misma confianza total que predice una verdad. No tiene un órgano interno que distinga "esto es real" de "esto suena real".
Por eso a veces te dice cosas con la autoridad de un experto y están mal. No miente por maldad. Predice. Y lo que predice no siempre es cierto.
Por qué esto te importa a vos
Porque cambia cómo tenés que usarla.
Si pensás que la IA entiende, le vas a pedir cosas como si le hablaras a un humano. Vagas. Sin contexto. Y vas a quedar decepcionado.
Si entendés que predice, le vas a dar pistas claras. Le vas a decir quién sos, qué querés, cómo tiene que sonar, qué formato esperás. La IA agarra esas pistas y sus predicciones se ajustan. Salen tuyas, no genéricas.
Ese es el secreto entero. No hay magia. Hay probabilidad.
Tres ideas para llevar
Primero: la IA no piensa, predice. Funciona porque leyó montañas de texto y aprendió qué palabras siguen a qué palabras. Nada más que eso.
Segundo: por eso a veces miente con total confianza. No distingue verdad de mentira. Distingue estadísticamente probable de improbable.
Tercero: si querés buenos resultados, dale contexto abundante. Tu negocio, tu voz, tu problema específico. Cuanto más sabe de vos, mejor predice para vos.
Cómo "piensa" una IA — sin jerga, para humanos
Una mañana cualquiera en tu teléfono
Abrís WhatsApp. Escribís: "Hola, ¿cómo…". El teclado te sugiere "estás". No pensó nada. Predijo.
Una IA generativa hace exactamente lo mismo, pero a una escala que cuesta imaginar. Se llama Large Language Model — modelo grande de lenguaje — y es una máquina de predecir palabras entrenada con tanto texto que sus predicciones terminan pareciendo inteligentes.
Pero no lo son. Son probabilidades. Ese es el truco y ese es el límite.
Cómo se entrenó
Los creadores le dan al modelo cantidades brutales de texto. GPT-3 se entrenó con aproximadamente 300 mil millones de tokens según el paper original (Brown et al. 2020, NeurIPS). Modelos posteriores usaron aún más. No hay cifra pública exacta para los últimos Claude o GPT-4, pero están en el mismo orden de magnitud o superior.
El modelo lee todo eso y aprende correlaciones. No "entiende" conceptos. Aprende: después de "el gato" viene probablemente "está", "salta" o "maúlla" — casi nunca "estudia matemáticas".
Ese aprendizaje queda congelado en pesos neurales — números que viven en las conexiones entre neuronas artificiales simuladas. GPT-3 tiene 175 mil millones de esos pesos. Cifra oficial, del mismo paper. Los modelos más grandes de 2024 tienen más, aunque las empresas cada vez publican menos detalles.
Cómo predice en tiempo real
Vos escribís: "Analiza este balance financiero y…". El modelo hace esto:
Primero. Convierte cada palabra en números. Esos números se llaman embeddings y viven en un espacio matemático de miles de dimensiones.
Segundo. Pasa esos números por capas de multiplicaciones y sumas. Muchas capas.
Tercero. Al final calcula un número para cada palabra posible de su vocabulario (unas 50 mil palabras o fragmentos de palabra para GPT-2, por dar una referencia verificable).
Cuarto. La palabra con el número más alto gana. Esa es la próxima.
Quinto. Esa palabra entra de vuelta al sistema. Y predice la siguiente. Y otra.
Así se genera un párrafo entero, palabra por palabra, mientras vos lo ves aparecer en pantalla.
¿Y a vos qué te cambia?
Significa que la IA no entiende verdaderamente el significado. No sabe qué es un balance. No sabe si tus números son correctos. Lo que hace es: "después de 'analiza este balance financiero' viene probablemente 'ingresos', 'gastos', 'mejoraste tu margen'…". Palabras estadísticamente plausibles.
Por eso funciona en tres tipos de tareas muy bien. Escribir un email. Resumir un texto. Explicar un concepto conocido. El patrón está en sus 300 mil millones de palabras de entrenamiento.
Por eso falla en otros tres tipos. Verdad nueva que no vio en su entrenamiento. Hechos específicos de tu negocio. Cosas que pasaron la semana pasada. Ahí adivina.
Y acá viene el detalle más importante. Cuando adivina mal, lo hace con la misma confianza que cuando adivina bien. Esto se llama alucinación. La máquina no tiene termómetro interno de certidumbre.
La arquitectura que lo cambió todo
Hasta 2017 las IAs procesaban texto de forma lenta y secuencial. Palabra por palabra. Entonces Google publicó un paper llamado "Attention Is All You Need" (Vaswani et al. 2017) y todo se rompió.
El paper introdujo los transformers. La innovación clave es el mecanismo de atención. El modelo, en lugar de leer palabra por palabra, procesa el párrafo entero en paralelo. Y decide matemáticamente cuánto importa cada palabra anterior para predecir la siguiente.
Ese paper hoy tiene más de 100 mil citas. Cambió todo. Sin transformers no hay ChatGPT, ni Claude, ni Gemini.
Sin contexto, predice genéricamente
Si vos le decís "escribime un email", la IA predice el email más promedio posible. Sus predicciones salen genéricas porque no tiene pistas tuyas.
Con contexto — tu negocio, tu voz, tu problema específico — las predicciones se ajustan. Ese es el punto entero del Método CAFÉ: Contexto claro, Acción concreta, Formato preciso, Estilo definido. No es un truco. Es darle al modelo más señal para que sus predicciones salgan tuyas.
Lo que muchos no ven
Mucha gente piensa que la IA tiene "conocimiento adentro" o una "comprensión mágica del mundo". No tiene nada de eso. Tiene números. Cuando vos hacés una pregunta, esos números se rearreglan de formas que probaron funcionar bien en casos similares durante el entrenamiento.
Es como un chef que leyó 50 mil recetas pero nunca probó la comida. Sabe dónde va la sal porque está en todos los textos. No sabe cómo sabe la comida porque nunca la probó.
Esa metáfora es importante. La IA puede hablar brillantemente de temas que nunca experimentó. Puede escribir poesía sobre el dolor sin haber sentido nunca nada. Puede explicar cómo andar en bicicleta sin tener equilibrio propio.
Es texto que generó patrones. No es vivencia que generó texto.
La próxima vez que la uses
Pregunta abierta para vos: si la IA predice estadísticamente, ¿qué tan diferente sería el resultado si le dieras tres ejemplos tuyos de cómo escribís? ¿Y si le dieras diez? ¿Y si además le aclararas para quién estás escribiendo?
Esa es la diferencia entre usar una IA genérica y hacer que prediga como vos. Si querés entender por qué Claude diferencia bien entre lo que sabe y lo que no sabe mientras otros modelos alucinan más, eso lo vemos en otro artículo de la serie.
Mientras tanto, recordá: la IA predice. Dale pistas claras, tarea concreta, forma específica, sonido tuyo. Así sus predicciones te sirven.
Cómo "piensa" una IA — sin jerga, para humanos
Por qué entender la mecánica te hace mejor usuario
Si usás una IA sin saber cómo funciona por dentro, tenés suerte cuando funciona y frustración cuando no. Entender la mecánica te permite construir mejores prompts, diagnosticar fallos, saber cuándo confiar y cuándo dudar.
Esto no es una disertación académica. Es ingeniería inversa pragmática para cualquiera que vaya a apoyar decisiones reales en modelos de lenguaje.
La IA no piensa. Ejecuta transformaciones matemáticas sobre vectores de alta dimensión para estimar distribuciones de probabilidad sobre el vocabulario. Traducido: predice qué palabra viene después a partir de patrones aprendidos durante el entrenamiento.
La arquitectura transformer
El paper clave es Vaswani et al., "Attention Is All You Need" (NeurIPS 2017). Ocho páginas que cambiaron todo. La innovación central: el mecanismo de atención.
Hasta ese momento, los modelos de lenguaje procesaban texto secuencialmente, con arquitecturas llamadas RNN o LSTM. Lento. Difícil de escalar. Transformers rompieron ese techo.
Vos escribís: "El gato entró en la casa y se durmió en la silla porque estaba...". El modelo no procesa palabra por palabra. Procesa el párrafo entero simultáneamente y la atención decide matemáticamente cuánto pesa cada palabra anterior para predecir la siguiente.
Eso vive en pesos de atención. Números entre 0 y 1. En este ejemplo: "gato" podría pesar 0,4, "durmió" 0,3, "silla" 0,2, el resto se reparte el 0,1. Luego el modelo combina esos pesos y genera una distribución de probabilidad para la siguiente palabra: "cómodo" 0,52, "cansado" 0,18, "tranquilo" 0,09, miles de otras opciones con probabilidades menores.
El modelo puede tomar la más probable (modo greedy), o muestrear de la distribución con cierta temperatura para dar variedad. Ese es el único lugar donde hay algo parecido a "creatividad": ruido controlado sobre una distribución.
Embeddings: la geometría del significado
Cada token vive como un embedding — un vector en un espacio matemático de miles de dimensiones. No es "la palabra gato". Es un punto en un espacio abstracto.
La propiedad útil: palabras semánticamente cercanas están cerca en ese espacio. "Gato", "felino", "minino" forman un clúster. "Perro" está en otra región cercana. "Zapato" vive lejos.
Cuando el modelo predice, calcula distancias y productos internos en ese espacio. Es geometría pura. No hay comprensión. Hay coordenadas.
El famoso ejemplo del paper word2vec de Mikolov et al. (2013): "rey - hombre + mujer ≈ reina". Se resuelve con aritmética vectorial. Ese fue el momento en que la industria empezó a entender que el significado, a nivel operativo, se podía codificar geométricamente.
Tokens, no palabras
Detalle que mucha gente ignora: la IA no procesa palabras enteras. Procesa tokens. Fragmentos de subpalabra.
"Desorganizar" suele terminar como tres tokens: "Des", "organ", "izar". GPT-2 usa un vocabulario BPE (Byte Pair Encoding) de 50.257 tokens. Cifra oficial del paper de Radford et al. 2019. Modelos posteriores ampliaron ese vocabulario, pero el orden de magnitud se mantiene.
Esto tiene tres implicancias operacionales. Primero: pagás por token en las APIs, no por palabra. Segundo: los límites de contexto se miden en tokens, no en palabras. Tercero: idiomas distintos del inglés se fragmentan en más tokens, lo que los hace efectivamente más caros y más lentos.
Por qué unos modelos son mejores que otros
No es porque "piensen más" o "entiendan mejor". Son tres factores concretos.
Primero, datos de entrenamiento. Más volumen y mejor curación produce modelos que generalizan mejor. Anthropic, por ejemplo, ha publicado explícitamente que filtra datos para reducir contenido tóxico y priorizar calidad editorial. OpenAI mantiene más secreto. Google entrena con datos distintos. Cada corpus deja una huella.
Segundo, arquitectura y escala. Más parámetros no siempre es mejor, pero hasta cierto punto escala la capacidad representacional. Kaplan et al. (2020) y Hoffmann et al. (2022) publicaron "leyes de escala" que mapean cómo mejoran los modelos con más cómputo, más datos y más parámetros. La relación no es lineal y hay retornos decrecientes.
Tercero, fine-tuning y RLHF. Después del pretraining, los modelos se afinan con feedback humano. Reinforcement Learning from Human Feedback. Anthropic sumó una capa más: Constitutional AI (Bai et al. 2022), donde el modelo crítica sus propias salidas contra un conjunto de principios. Eso no cambia cómo predice internamente, pero cambia qué predice en situaciones sensibles y cuándo se rehúsa.
Por eso Claude tiende a reconocer "no sé" y decirlo, mientras otros modelos predicen con confianza respuestas falsas. No es virtud moral del modelo. Es elección de datos de afinamiento. Penalizaron más duro las alucinaciones confiantes durante RLHF.
Generalización limitada
Este es el punto que la mayoría de los analistas optimistas pasan por alto. La IA no generaliza como un humano.
Un humano ve tres ejemplos y extrae un principio. Una IA necesita millones de ejemplos. Y lo que "extrae" son correlaciones estadísticas, no principios causales.
Si le enseñás "A es como B, B es como C", un humano infiere "A es como C" sin dudarlo. Un modelo de lenguaje puede no hacerlo si esa cadena transitiva no apareció lo suficiente en sus datos. Hay papers recientes mostrando exactamente este tipo de fallo en tareas de razonamiento simbólico.
Implicaciones prácticas tres. Sesgos entrenados. Si los datos tenían sesgos, el modelo los reproduce como distribuciones. No por malicia, por estadística pura. Alucinaciones persistentes. Si algo suena estadísticamente plausible, el modelo lo genera, verdad o no. Debilidad en casos raros. Lo infrecuente en los datos produce patrones frágiles; por eso los modelos fallan con problemas lógicos atípicos.
Qué significa esto operacionalmente
Cinco principios que cambian cómo usás modelos de lenguaje si internalizaste lo anterior.
Primero, dale contexto abundante. Más contexto es más señal. Ejemplos, restricciones, estilo deseado. El prompt no es una orden. Es un marco donde el modelo muestrea.
Segundo, sé específico en la tarea. "Escribí un email" es un marco vago que produce salida promedio. "Escribí un email de 150 palabras pidiendo prórroga de pago a un proveedor en tono formal pero cercano" es un marco estrecho que colapsa la distribución hacia salidas útiles.
Tercero, verificá en dominios críticos. Plata, clientes, decisiones irreversibles. La salida del modelo puede sonar correcta aunque la predicción sea falsa. No hay semáforo interno.
Cuarto, usá modelos distintos para tareas distintas. Claude tiende a mejor calibración sobre incertidumbre. GPT-4 tiene fortalezas en código (entrenamiento con GitHub es público). Gemini empuja capacidades multimodales. No hay "el mejor". Hay "el mejor para tu caso".
Quinto, separá confianza de corrección. El modelo es igual de confiante cuando miente que cuando dice verdad. La confianza es output de la distribución, no garantía epistémica.
La tesis del blog
Escribí mucho sobre esto y llegué a una convicción que sostengo. La gente que mejor aprovecha la IA no es la más técnica ni la más entusiasta. Es la que internalizó la mecánica: esto es predicción estadística, no comprensión.
Los técnicos a veces se pierden en la matemática y olvidan que el producto final es texto generado en vivo frente al usuario. Los entusiastas a veces antropomorfizan y se decepcionan cuando el modelo falla en algo que "obviamente" tendría que saber.
Los buenos usuarios operan con una tercera postura. Saben que el modelo predice. Construyen sus prompts para darle señal. Verifican donde la verdad importa. Y no se asombran cuando falla, porque saben exactamente dónde termina la estadística y dónde empieza su responsabilidad humana.
La IA no entiende. Pero predice tan bien que podés construir sistemas reales con ella. El truco no está en esperar que entienda. Está en saber cuándo confiar en la predicción y cuándo pedir una segunda opinión.
