Qué es la IA generativa: predice palabras, no consulta datos

La IA generativa es un tipo de programa que produce texto, imágenes, audio o vídeo nuevos en lugar de buscar algo que ya existía. Cuando le escribes a ChatGPT, a Gemini o a Claude, no estás consultando un archivo: estás poniendo en marcha un cálculo que construye la respuesta sobre la marcha, trozo a trozo. Entender ese cálculo te ahorra la mitad de los disgustos que la gente se lleva con estas herramientas.

La explicación corta que circula por todas partes es "es un autocompletado muy bueno". Es un buen punto de partida y es literalmente cierto. El problema es que se queda ahí, y no explica por qué un autocompletado puede escribir un soneto decente y luego afirmar con toda seguridad que naciste en 1974. Este artículo va un paso más allá.

Qué está calculando el modelo exactamente

Un modelo de lenguaje no trabaja con palabras, sino con tokens: fragmentos de texto que pueden ser una palabra entera, un trozo de palabra o un signo de puntuación. La documentación de OpenAI da una regla aproximada para el inglés: un token equivale a unos cuatro caracteres, o alrededor de tres cuartos de palabra. En español y en otros idiomas la cuenta cambia, y varía también de un modelo a otro.

Con esa unidad, la tarea del modelo es siempre la misma: dado todo el texto que lleva delante, calcular una probabilidad para cada token posible que podría venir a continuación. Elige uno, lo añade al texto, y vuelve a empezar. Lo que ves aparecer palabra a palabra en la pantalla no es un efecto de diseño: es el orden real en que se está generando la respuesta.

De ahí sale una consecuencia que conviene interiorizar. El modelo nunca decide "voy a decir la verdad" ni "voy a mentir". Decide qué continuación es probable dado lo anterior. Cuando lo probable y lo verdadero coinciden, acierta. Cuando no coinciden, sigue produciendo texto probable con la misma soltura.

Por qué predecir palabras basta para escribir un soneto

Aquí es donde la analogía del autocompletado empieza a fallar, y conviene decir dónde. El autocompletado del móvil mira las dos o tres palabras anteriores y poco más. Un modelo grande tiene que hacer buenas predicciones sobre miles de millones de fragmentos de texto muy distintos, y la única forma de conseguirlo es representando internamente las regularidades del mundo que aparecen en ese texto: la gramática, la estructura de un argumento, cómo se resuelve una ecuación, qué tono lleva una carta de reclamación.

Predecir bien obliga a comprimir. Un sistema que solo memorizara frases sueltas fallaría con cualquier pregunta nueva. Para acertar de forma general hay que capturar los patrones, y esos patrones son lo que después parece comprensión.

Que ahí dentro pasa algo más que una copia de patrones locales está documentado. En 2025, el equipo de interpretabilidad de Anthropic publicó un trabajo en el que rastrea los cálculos internos de uno de sus modelos y describe, entre otras cosas, que al escribir un poema con rima el modelo activa candidatos de palabra final antes de empezar el verso, y luego construye el verso para llegar hasta ahí. Es decir: hay una forma de planificación, aunque el mecanismo de salida siga siendo token a token.

El mismo trabajo describe otro detalle incómodo. Al sumar números, el modelo usa varios caminos de cálculo en paralelo, y sin embargo, cuando se le pide que explique cómo lo ha hecho, describe el método de toda la vida que se enseña en el colegio. La explicación que te da no es un informe de lo que ha ocurrido dentro, sino otro texto generado igual que los demás.

De dónde sale todo eso: el entrenamiento

Los modelos se construyen en dos fases muy distintas, y confundirlas es fuente de malentendidos.

En el preentrenamiento, el sistema procesa una cantidad enorme de texto y ajusta sus parámetros (números internos, muchísimos) para equivocarse lo menos posible al predecir el siguiente token. Es un proceso caro, largo y que se hace una vez. El resultado sabe mucho, pero no sabe comportarse: continúa texto sin más.

En el post-entrenamiento, se le enseña a responder como un asistente: seguir instrucciones, mantener un formato, negarse a ciertas cosas. Buena parte de esto se hace con ejemplos escritos por personas y con sistemas que puntúan respuestas para premiar unas y penalizar otras. Es la fase que da la personalidad y el tono servicial.

Dos correcciones importantes. La primera: el modelo no se actualiza mientras hablas con él. Los parámetros están congelados. Si un chat "recuerda" cosas de conversaciones anteriores es porque el producto guarda notas aparte y te las vuelve a meter en el texto de entrada, no porque el modelo haya aprendido. La segunda: desconfía de cualquier cifra concreta de parámetros que leas sobre los modelos comerciales grandes, porque las empresas dejaron de publicarla hace años.

El contexto: la memoria de trabajo que sí existe

Todo lo que el modelo tiene en cuenta para generar la siguiente palabra cabe en su ventana de contexto: las instrucciones del fabricante, tu conversación, los archivos que hayas subido, los resultados de búsqueda si la herramienta busca. Nada más. Fuera de esa ventana no hay nada a lo que "consultar".

Por eso funcionan tan bien dos cosas. Una, pegar el documento en lugar de preguntar de memoria: pasas el dato de la parte poco fiable (los pesos) a la parte fiable (el texto que tiene delante). Dos, las herramientas que buscan en internet o en tus documentos y meten los fragmentos encontrados en el contexto antes de responder; a ese montaje se le llama RAG desde el trabajo de Lewis y sus coautores en 2020.

Y por eso fallan otras. Una conversación muy larga empuja lo antiguo fuera de la ventana. Un modelo sin buscador solo puede hablar de lo que había en su entrenamiento, con su fecha de corte. Y cuando el modelo se inventa algo, casi siempre es porque le has pedido un dato que no estaba ni en el contexto ni bien representado en sus parámetros.

Imágenes, voz y vídeo no funcionan igual

"IA generativa" es una etiqueta que agrupa mecanismos distintos. Los generadores de imágenes más extendidos no predicen tokens de texto: parten de una imagen de ruido aleatorio y la van limpiando en muchos pasos, guiados por tu descripción, hasta que lo que queda encaja con ella. Los de vídeo y audio siguen ideas parecidas.

Lo que comparten con los modelos de texto es lo esencial para ti: producen una salida plausible, no una salida verificada. Un generador de imágenes puede darte un edificio precioso con una escalera imposible por el mismo motivo por el que un modelo de texto te da una sentencia judicial con un número de expediente que no existe.

Qué hacer con esto mañana

Si te quedas con una sola idea, que sea esta: la herramienta es excelente produciendo forma y mediocre garantizando contenido. Todo lo demás se deduce.

• Úsala para tareas donde tú puedas juzgar el resultado: redactar, reescribir, resumir un texto que le has dado, ordenar ideas, traducir, explicarte algo que luego contrastas.
• Desconfía por defecto en lo que no puedas juzgar: fechas, cifras, citas, referencias legales, nombres propios poco conocidos.
• Dale el material en vez de pedirle memoria. Un texto pegado vale más que diez instrucciones.
• Si necesitas un dato con consecuencias, verifica en la fuente original. Que el modelo cite una fuente no significa que la fuente diga eso.

Nada de esto convierte a la IA generativa en algo inútil. La convierte en una herramienta con un perfil de error concreto y bastante predecible, que es exactamente lo que necesitas saber para usarla bien.