Cómo funciona la IA generativa, explicada sin tecnicismos

¿Cómo funciona la IA generativa? La respuesta honesta cabe en una frase, y no es la que suele venderte una agencia. No busca en ningún sitio la respuesta correcta y te la devuelve. Predice, palabra a palabra, cuál es la continuación más probable de lo que le has escrito, apoyándose en los patrones que vio en cantidades enormes de texto.

Piensa en el autocompletado del móvil cuando te sugiere la siguiente palabra, pero llevado a un nivel que da vértigo: en vez de una palabra, te compone un correo entero, un contrato, un resumen de una reunión. Eso es. Y entender ese detalle, que predice en lugar de consultar, es lo que te separa de un disgusto caro cuando la metas en tu empresa. Detrás no hay magia ni una mente que sepa cosas, sino un motor de predicción muy bueno. Vamos a ver qué implica eso de verdad para quien tiene que decidir si se fía o no.

¿Qué es la IA generativa y qué no es?

La IA generativa es un tipo de programa que produce contenido nuevo (texto, imágenes, código) en lugar de limitarse a clasificar o encontrar lo que ya existe. Cuando le pides un correo de disculpa a un cliente, no va a un cajón a sacar un correo escrito por otra persona. Lo fabrica en ese momento, desde cero, ajustándolo a lo que le has dicho.

Conviene contrastarlo con dos cosas que quizá ya conoces, porque se parece a ambas y no es ninguna.

El software tradicional de tu empresa (la nómina, el TPV, la hoja de cálculo) sigue reglas fijas. La misma entrada produce siempre la misma salida. Si sumas 2 más 2, sale 4 hoy, mañana y dentro de un año. Es previsible por diseño. La IA generativa no funciona así, y en la sección sobre no determinismo verás por qué eso importa.

Un buscador tampoco es lo mismo. Cuando buscas en Google, el sistema recupera documentos que ya existían y te los ordena. La información estaba ahí antes de que preguntaras. La IA generativa no recupera: redacta una respuesta que no existía hasta que la pediste. Por eso puede ayudarte a escribir algo original, y por eso también puede afirmar con total soltura algo que nadie escribió nunca porque sencillamente no es cierto.

Si quieres la definición a fondo, con más ejemplos de lo que entra y lo que no en esta categoría, la tienes en qué es la IA generativa. Aquí me interesa lo siguiente: de dónde ha sacado todo lo que parece saber.

¿De dónde saca lo que dice? El entrenamiento sin matemáticas

Imagina un becario brillante al que has dejado leer durante meses una porción enorme de todo lo que se ha publicado en internet: libros, artículos, foros, documentación, conversaciones. Normalmente no memoriza las páginas ni te recitaría un artículo entero tal cual, aunque con texto muy repetido en su entrenamiento sí puede llegar a reproducir fragmentos casi literales; es uno de los motivos detrás de las demandas por derechos de autor contra estas empresas. Lo que hace es absorber cómo suelen encajar las palabras: cómo continúa normalmente una factura, qué tono tiene un correo de reclamación, cómo se estructura un contrato de alquiler.

Ese proceso de “leer y absorber patrones” es el entrenamiento. El resultado, ese becario ya formado, es lo que llamamos un modelo. Cuando el modelo trabaja específicamente con lenguaje (texto), el sector lo llama un LLM, siglas en inglés de modelo grande de lenguaje. No te hace falta recordar la sigla. Quédate con la idea: es un sistema que ha aprendido patrones del lenguaje leyendo muchísimo, no un archivo con la verdad ordenada dentro.

Este punto es el que más malentendidos genera, así que lo dejo claro. Dentro del modelo no hay una base de datos de hechos que pueda consultar. No hay una tabla con “capital de Francia: París” que abra para responderte. Lo que hay es una intuición estadística, afinadísima, sobre qué palabras suelen seguir a qué otras. Que acierte con la capital de Francia es porque esa combinación aparecía tantas veces en lo que leyó que se ha vuelto la continuación más probable. Acierta por frecuencia, no por consulta. La distinción parece sutil. Es la que lo explica casi todo.

Predecir la siguiente palabra: el motor de plausibilidad

El corazón de todo esto es más simple de lo que su fama sugiere: el modelo genera la respuesta de una en una, calculando en cada paso cuál es la palabra más probable que vendría a continuación, y repitiendo el proceso hasta terminar.

Un matiz técnico que te ahorra confusiones más adelante: internamente no trabaja con palabras enteras sino con tokens, que son trozos de palabra. “Facturación” puede partirse en varias piezas. Para lo que nos importa a nivel de negocio, puedes pensar en tokens como sílabas o piezas de palabra; también son la unidad con la que te facturan los proveedores el uso. La mecánica no cambia: pieza probable, siguiente pieza probable, y así hasta el punto final.

Aquí está la idea de la que cuelga todo el resto, y merece que la digas en voz alta: lo más probable de decir no es lo mismo que lo cierto. Coinciden muchísimas veces, por suerte. Lo más plausible de escribir después de “la capital de Francia es” resulta ser también lo verdadero. Pero no hay ninguna ley que garantice esa coincidencia. Cuando el tema es oscuro, cuando le faltan datos, cuando la pregunta es rara, lo más plausible y lo verdadero se separan. Y el modelo, que solo sabe perseguir lo plausible, sigue adelante como si nada.

Esto es un motor de plausibilidad, no un motor de verdad. Toda su utilidad y todos sus riesgos salen de esa única frase. Las tres rarezas que la gente comenta (“me da respuestas distintas”, “se inventa cosas”, “no sabe lo de la semana pasada”) no son fallos sueltos que alguien olvidó arreglar. Son consecuencias directas de cómo funciona. Veámoslas una a una.

Por qué te da respuestas distintas a la misma pregunta

Le haces la misma pregunta dos veces y te contesta cosas distintas. Con una calculadora eso sería un defecto grave. Aquí es normal, y tiene nombre: la IA generativa no es determinista. Determinista significa que la misma entrada produce siempre la misma salida, como esa calculadora que da 4 cada vez que sumas 2 y 2. El modelo no te da esa garantía.

La razón es que, al elegir cada palabra, no coge siempre la más probable a rajatabla. Se le introduce a propósito una pizca de azar para que el texto suene natural y variado en lugar de robótico y repetitivo. Ese azar deliberado, útil para redactar, es lo que hace que dos ejecuciones de la misma petición tomen caminos ligeramente distintos y acaben en respuestas diferentes.

Para tu negocio esto tiene una consecuencia concreta. No puedes tratar la salida del modelo como un cálculo reproducible del que fiarte a ciegas. Si dos empleados le hacen la misma consulta, pueden recibir respuestas que no coinciden. Para tareas donde eso da igual (redactar, resumir, dar ideas) no pasa nada. Para procesos que exigen exactitud y repetibilidad, necesitas montar control alrededor: verificación, reglas, revisión. El modelo no te lo va a dar solo. Si quieres entender bien esta propiedad y cómo se domestica, lo desarrollo en determinismo en IA, explicado.

Por qué se inventa cosas con total seguridad

De vez en cuando, el modelo afirma con aplomo algo que es sencillamente falso. Un nombre de ley que no existe, una cifra inventada, una cita que nunca se dijo. Esto es una alucinación: una afirmación que suena plausible y es falsa.

Lo importante, y donde casi todo el mundo se equivoca, es esto: la alucinación no es un bug que se arregle en la próxima versión. Es inherente a un motor de plausibilidad. Cuando le faltan datos sobre algo, el modelo no se calla ni te dice “no lo sé” por defecto. Hace lo único que sabe hacer: seguir generando la continuación más probable. Y una respuesta inventada que suena verosímil es, para su forma de calcular, perfectamente plausible. No está fallando en ese momento. Está haciendo exactamente su trabajo.

El peligro real es que se equivoca con el mismo tono seguro con el que acierta. No hay una lucecita roja que se encienda cuando pasa de terreno firme a terreno inventado. La factura falsa suena igual de convincente que la real. Por eso el daño llega cuando alguien se fía sin revisar.

Se puede reducir el riesgo, aunque no eliminarlo del todo. Conectarlo a tus propios datos para que responda apoyándose en tus documentos en lugar de en su intuición general ayuda bastante. Y una persona que revise lo que importa antes de que salga por la puerta es, hoy, insustituible. Ninguna de las dos cosas hace desaparecer las alucinaciones. Bajan la frecuencia y acotan el daño. Si quieres el detalle de por qué ocurren y qué las dispara, está en qué es una alucinación de IA.

Lo que sí puedes controlar: contexto, datos y herramientas

Hasta aquí puede sonar a que esto es un juguete peligroso. No lo es, y aquí viene el giro. El modelo base, tal cual, es un becario brillante con amnesia y sin acceso a tu empresa: sabe muchísimo de cómo se escriben las cosas en general, y no sabe absolutamente nada de tu negocio en particular. La diferencia entre eso y una herramienta útil está en lo que tú le des.

Lo primero es el contexto: todo lo que le pegas en la propia conversación. Si le pasas el correo del cliente, la política de devoluciones y el historial del pedido, redacta la respuesta apoyándose en eso y acierta mucho más que si le pides “escribe una respuesta a un cliente enfadado” a secas. El modelo no adivina lo que no le cuentas. Cuanto mejor le pones el problema delante, mejor trabaja.

Lo segundo son tus datos. En lugar de pegar la información a mano cada vez, puedes conectar el modelo a tus documentos para que los consulte antes de responder: tus manuales, tu catálogo, tus contratos. Esto es RAG: que mire tus papeles antes de contestar en vez de tirar de su intuición general. Así una respuesta sobre tu política de garantías sale de tu política real, no de lo que “suele poner” una garantía cualquiera.

Y luego están las herramientas. Un modelo puede tener permiso para usar una calculadora cuando hay que echar cuentas, buscar en la web algo actual, o consultar tu inventario en tiempo real. En vez de inventarse el stock, lo mira. En vez de calcular a ojo, calcula de verdad. Esto es lo que separa una demo curiosa de algo que aguanta en producción.

Nada de esto es un botón que se activa solo. Decidir qué contexto darle, qué datos conectar y dónde poner el control humano es criterio, y el criterio se entrena. Es justo lo que trabajamos en el curso de IA sin hype: usar estas herramientas sabiendo qué hacen por dentro y dónde te la pueden jugar.

Un concepto nuevo cada semana

Suscribirme

Lo que no sabe: la fecha de corte

Hay un límite del que casi nadie te avisa, y desmonta el mito de que la IA “lo sabe todo y está siempre al día”. Todo modelo tiene una fecha de corte: su conocimiento se congela en el momento en que terminó de entrenarse. No sabe nada de lo ocurrido después, salvo que se lo aportes tú.

Piénsalo como un empleado que estuvo leyéndolo todo hasta cierto día y luego se fue de viaje sin cobertura. Lo anterior a esa fecha lo maneja. Lo posterior, sencillamente no ha llegado a él. Los precios de este trimestre, la normativa que cambió el mes pasado, tu catálogo de la semana pasada, la noticia de ayer: por sí solo, no los conoce. Y por lo que ya viste antes, si le preguntas igualmente, puede inventarse una respuesta que suene creíble en lugar de admitir que no llega.

Aquí se cierra el círculo con la sección anterior. Las herramientas y tus datos son precisamente lo que compensa la fecha de corte: si conectas el modelo a tu catálogo o dejas que busque en la web, deja de depender solo de lo que aprendió y pasa a mirar lo actual. Sin eso, das por hecho que está al día bajo tu propia responsabilidad.

Entonces, ¿para qué sirve de verdad en una empresa?

La pregunta correcta no es “¿es buena o mala?”, sino “¿dónde encaja y dónde no?”. Y con el modelo mental que ya tienes, la respuesta se vuelve casi obvia.

Funciona muy bien para producir borradores que un humano pule, resumir documentos largos, reformular un texto para otro tono o público, y clasificar u ordenar información. También para un primer contacto de atención al cliente que un empleado supervisa. Fíjate en el patrón: en todos esos casos, el resultado se revisa fácil y un error se pilla a tiempo y barato. Ahí la plausibilidad juega a tu favor, porque acierta la mayoría de las veces y el fallo ocasional se corrige sin drama.

Se vuelve peligroso justo donde se rompe ese patrón. Decisiones que salen sin que nadie las revise. Cifras exactas que se usan sin verificar. Cualquier proceso donde un error caro pase desapercibido y llegue al cliente, a Hacienda o a un contrato firmado. En esos sitios, el mismo tono seguro que lo hace cómodo es lo que lo hace traicionero.

De ahí sale una regla mental que puedes aplicar sin ser técnico: úsalo donde un humano revisa barato y el error se detecta; desconfía donde el error es caro y silencioso. Con eso decides bien la gran mayoría de los casos.

Y ese es el modelo mental completo, en una frase que ya puedes repetir a tu equipo. La IA generativa predice la continuación más plausible de lo que le escribes en vez de consultar un archivo de verdades. De ahí salen, sin sorpresa, que te dé respuestas distintas a la misma pregunta, que se invente cosas con aplomo, que dependa tanto del contexto y los datos que le das, y que no sepa nada posterior a su fecha de corte. En cuanto lo ves así, deja de parecerte magia impredecible y empieza a parecerte una herramienta con un manual de instrucciones claro. A partir de ahí, decidir dónde meterla es cuestión de criterio.

Preguntas frecuentes

¿La IA generativa “piensa” o “entiende”?

No en el sentido en que lo hace una persona. No tiene intenciones, conciencia ni comprensión de lo que dice. Predice la continuación más probable de un texto a partir de patrones estadísticos. El resultado se parece tanto al razonamiento que resulta tentador atribuirle una mente, pero por dentro no hay nadie entendiendo nada. Tratarlo como una herramienta estadística muy capaz, y no como un colega que sabe cosas, es lo que te lleva a usarlo bien.

¿Se equivoca menos con cada versión nueva? ¿Desaparecerán las alucinaciones?

La tendencia general ha sido alucinar algo menos con cada generación, pero no es una ley: en 2025 varios modelos de última hornada alucinaron más que su predecesor. No des por hecho que la próxima versión será más fiable sin comprobarlo tú mismo. Y en cualquier caso, las alucinaciones no van a desaparecer del todo, porque no son un defecto de fabricación sino una consecuencia de predecir lo plausible en lugar de consultar lo verdadero. Mientras el mecanismo sea ese, siempre podrá afirmar algo falso con total seguridad. Por eso conviene diseñar el proceso asumiendo que ocurrirá, con revisión donde importa, en lugar de esperar la versión que lo arregle.

¿Mis datos se usan para entrenar el modelo?

Depende del proveedor y del plan que contrates. Muchos planes de empresa se comprometen por contrato a no usar tus datos para entrenar sus modelos, mientras que en algunas versiones gratuitas o de consumidor las condiciones son distintas. No te fíes de lo que se comente de oídas: es un punto que se lee en las condiciones concretas de tu proveedor y de tu plan antes de meter información sensible. Si manejas datos de clientes o confidenciales, esta pregunta va primero, no después.

¿Necesito programadores para usar esto en mi empresa?

No para empezar. Cualquiera le saca partido a borradores, resúmenes o ideas desde el primer día; los técnicos solo hacen falta cuando quieres conectarla a tus datos o integrarla en tus procesos. El criterio de dónde encaja y dónde revisar es tuyo, no del equipo técnico.

¿Es lo mismo IA generativa que ChatGPT?

No exactamente. La IA generativa es la categoría general de tecnología que produce contenido nuevo. ChatGPT es un producto concreto, uno entre varios, construido sobre un modelo de ese tipo. Es como la diferencia entre “hoja de cálculo” y “Excel”: una es la idea, la otra es una marca que la implementa. Existen otros modelos y otros productos, de distintas empresas, que hacen cosas parecidas con sus propias diferencias.