40 preguntas sobre inteligencia artificial, con humo sin humo

Es software que hace tareas que antes pedían juicio humano: entender un texto, reconocer una foto, decidir qué correo mandar primero. No es un robot ni una mente: es matemática entrenada con ejemplos, a una escala que hace diez años no existía.

La parte útil de la definición es la que casi nadie dice: la IA no sabe qué es verdad. Sabe qué es probable. Todo lo demás que leas en esta página cuelga de esa diferencia.

LLM significa "modelo grande de lenguaje" (large language model). Es el tipo de IA detrás de ChatGPT, Claude o Gemini: un sistema entrenado con cantidades enormes de texto para predecir cuál es la palabra más probable que sigue.

De esa habilidad aparentemente modesta —predecir la palabra siguiente— emergen las otras: redactar, resumir, traducir, programar. Suena a truco y en parte lo es. Un truco que ya cambió cómo trabaja medio mundo.

De dos lugares, y conviene distinguirlos. Primero, de su entrenamiento: texto de internet, libros y bases de datos con los que se construyó, congelado hasta una fecha de corte. Segundo, de lo que le des tú en el momento: tus documentos, tu pregunta, o una búsqueda web si la herramienta puede hacerla.

Por eso un modelo puede citar con soltura un hecho de 2019 y no tener idea de lo que pasó el mes pasado, salvo que busque. Si la fecha importa, pídele que busque y que cite.

Un token es el pedazo mínimo de texto que procesa un modelo: a veces una palabra, a veces una sílaba. En español, mil tokens son más o menos 700 palabras.

Importa porque es la unidad de cobro de casi toda la industria: pagas por tokens que entran y tokens que salen. Cuando una herramienta de IA te parece cara o barata, debajo hay un precio por millón de tokens. Saberlo te deja comparar proveedores con la misma vara.

Es cuando el modelo afirma con total seguridad algo que es falso: una ley que no existe, una cita inventada, un dato deformado. No es un error raro ni un bug por arreglar pronto: es consecuencia directa de cómo funcionan. El modelo genera lo probable, y lo falso puede ser muy probable.

La defensa práctica: todo dato que vayas a usar para decidir algo —una cifra, una fecha, un artículo de ley— se verifica en la fuente. El modelo redacta; la responsabilidad sigue siendo tuya.

Depende de qué llames pensar, y esa discusión lleva desde 1950 abierta: Alan Turing propuso ese año dejar de preguntar si las máquinas piensan y mirar solo lo que hacen.

Nuestra posición de laboratorio es práctica: los modelos exhiben algo que funciona como razonamiento en muchas tareas y se quiebra en otras, a veces de formas absurdas. Tratarlos como genios o como loros son los dos errores simétricos. Trátalos como un practicante brillante que no se hace responsable de nada.

La IA tradicional clasifica y predice sobre lo que existe: este correo es spam, este cliente probablemente se va, esta transacción parece fraude. Lleva décadas funcionando en silencio en tu banco y en tu bandeja de entrada.

La generativa produce cosas nuevas: texto, imágenes, código, audio. Es la que explotó desde 2022 y la que probablemente te trajo hasta acá. Las dos conviven, y para muchos problemas de empresa la tradicional sigue siendo la herramienta correcta y la más barata.

El término nació en 1956, en un taller de verano en Dartmouth donde un grupo de investigadores propuso estudiar cómo hacer que las máquinas usaran lenguaje y resolvieran problemas. O sea: esto tiene setenta años, no tres.

Lo nuevo no es la idea. Es que por primera vez coincidieron tres cosas: datos suficientes, computadores suficientes y una arquitectura que escala. Por eso lo que durante décadas fue promesa académica ahora te aparece en el teléfono.

El 30 de noviembre de 2022 OpenAI publicó ChatGPT, y en unas semanas tenía más de cien millones de usuarios: la adopción más rápida que se haya registrado para un producto de consumo hasta entonces.

La tecnología de fondo ya existía. Lo que cambió fue el envase: una caja de chat que cualquiera podía usar sin saber nada. La lección no es tecnológica, es de producto: la revolución no llegó cuando la IA mejoró, llegó cuando se volvió usable.

Es la arquitectura sobre la que están construidos casi todos los modelos actuales. La presentó un equipo de Google en 2017, en un paper titulado "Attention Is All You Need", y su gracia es que procesa todas las palabras de un texto en paralelo, atendiendo a cómo se relacionan entre sí, en vez de leerlas una por una.

Eso la hizo escalable: más datos y más máquinas producían modelos mejores, de forma bastante predecible. La T de GPT viene de ahí.

AGI es "inteligencia artificial general": un sistema que iguale o supere a un humano en prácticamente cualquier tarea cognitiva. Es la meta declarada de varios laboratorios y el centro de una pelea de predicciones donde gente seria dice "en dos años" y gente igual de seria dice "en décadas, si acaso".

Nuestra postura: nadie lo sabe, y quien te diga una fecha con seguridad está vendiendo algo. Para tu empresa la pregunta es otra: lo que ya existe hoy, ¿lo estás usando bien? Esa respuesta suele ser no, y ahí hay más plata que en la especulación.

El prompt es lo que le escribes al modelo. Y la mayor mejora que puedes hacer gratis está ahí, no en cambiar de herramienta.

Tres reglas cubren el 80%: dale contexto (quién eres, para qué es, para quién es), dale el formato de salida que quieres (una tabla, tres opciones, máximo cien palabras) y dale un ejemplo de algo que te haya gustado. La diferencia entre "escríbeme un correo de venta" y esas tres cosas bien puestas es la diferencia entre un borrador inútil y uno que casi sale solo.

Confía en el borrador, no en el dato. Un modelo es excelente redactando, estructurando, resumiendo y proponiendo; es poco fiable afirmando hechos, citando fuentes y haciendo aritmética con números que le importan a tu contabilidad.

Regla de la casa: mientras más te conviene que la respuesta sea cierta, más obligación tienes de verificarla. El modelo no se juega nada. Tú sí.

Para la mayoría de las personas, la diferencia entre los modelos de primera línea es menor que la diferencia entre usarlos bien y usarlos mal. Los tres grandes son buenos, se turnan el primer lugar cada pocos meses, y el ranking de hoy caduca rápido.

Consejo de laboratorio: elige por el ecosistema, no por el benchmark. Si tu empresa vive en Google Workspace, Gemini se integra solo. Si valoras redacción cuidadosa y trabajo con documentos largos, Claude. Si quieres el catálogo más amplio de herramientas conectadas, ChatGPT. Y prueba dos en paralelo una semana con tu trabajo real: es el único benchmark que importa.

Las versiones gratis de hoy son mejores que las pagadas de hace un año, y para uso ocasional alcanzan de sobra. Los planes pagados —del orden de 20 dólares al mes— te dan los modelos más capaces, más uso antes de topar límite y funciones como proyectos o conexión con tus archivos.

El cálculo es simple: si la usas para trabajar más de un rato al día, el plan pagado se paga solo con la primera hora que te ahorra al mes. Si no, quédate en gratis sin culpa.

Un chatbot te responde; un agente hace cosas: navega, ejecuta pasos, usa herramientas, encadena decisiones hasta terminar una tarea. "Revisa estas diez facturas, anota las diferencias en la planilla y avísame si algo no cuadra" es trabajo de agente.

Es la dirección real de la industria y funciona cada vez mejor, con una advertencia: un agente que se equivoca, se equivoca haciendo. Dale tareas acotadas, revisables, y donde el costo del error sea bajo, sobre todo al empezar.

Porque los modelos no tienen memoria: tienen contexto, una ventana de texto que ve completa en cada respuesta. Todo lo que quede fuera de esa ventana no existe para el modelo, aunque haya sido parte de la misma conversación.

Las ventanas modernas son enormes —cientos de páginas—, y muchas herramientas suman memoria persistente entre sesiones. Pero el principio sigue: si algo es importante, repítelo o pídeselo en un documento. No asumas que se acuerda; comprueba qué está viendo.

Depende del plan, y esa letra chica sí hay que leerla. Los planes de empresa de los proveedores serios se comprometen contractualmente a no entrenar con tus datos. En los planes de consumo, el tratamiento varía y a veces el uso para entrenamiento viene activado por defecto, con opción de apagarlo.

Regla práctica: nada que no le mandarías a un proveedor externo por correo. Y desde diciembre de 2026, con la Ley 21.719 vigente en Chile, qué datos personales le pasas a qué sistema deja de ser buena práctica voluntaria y pasa a ser obligación con multa.

La respuesta honesta: a la mayoría no le va a quitar el empleo, le va a cambiar la composición de la semana. Las tareas repetitivas de texto, datos y gestión se automatizan primero; el criterio, la relación con personas y la responsabilidad final se automatizan último o nunca.

El riesgo real a corto plazo no es la máquina: es la persona del mismo rubro que la usa bien y produce el doble. La respuesta defensiva no es esconderse, es correr esa carrera. Y partir hoy es más barato que partir apurado.

No partas por comprar tecnología. Parte por una lista: anota durante una semana las tareas que se repiten y que nadie disfruta —responder las mismas preguntas, transcribir, resumir reuniones, redactar cotizaciones. Elige una, la más frecuente y la menos riesgosa, y resuélvela bien con una herramienta general antes de pensar en nada a medida.

El error clásico es al revés: contratar un desarrollo grande para un problema que todavía no se entiende. Primero el proceso, después el software.

Menos de lo que crees, si partes por donde corresponde. Un plan pagado de un asistente general cuesta del orden de 20 dólares mensuales por persona, y para un equipo chico eso ya mueve la aguja.

Lo caro no es la herramienta: es el desarrollo a medida contratado antes de tiempo, y las horas perdidas en herramientas que nadie adoptó. Y una advertencia que ya dimos en una nota: el costo de fondo de esta industria viene bajando fuerte, así que desconfía de los contratos largos firmados a precios de hoy.

Automatiza lo que es frecuente, repetitivo y de bajo costo de error: clasificar correos, primeros borradores, resúmenes, recordatorios. No automatices —todavía— lo que es raro, ambiguo o caro de equivocarse: despedir, cotizar un contrato grande, responder una crisis.

Y una regla que nos importa: automatiza tareas, no relaciones. El cliente que descubre que lleva tres meses hablando con un bot que fingía ser Carolina no vuelve. El que siempre supo que era un bot y le resolvió el problema, sí.

Para empezar, puedes solo: las herramientas generales están hechas para eso y la mejor inversión inicial es tiempo de tu propio equipo probándolas sobre trabajo real.

La ayuda externa se justifica en dos momentos: cuando quieres conectar la IA con tus sistemas —tu facturación, tu CRM, tu web— y cuando necesitas criterio para decidir qué no hacer. Ahí sí, pide referencias y desconfía de quien te promete resultados garantizados en un campo que cambia cada tres meses.

Con la misma vara que cualquier inversión: antes y después, en números tuyos. Horas por tarea, tiempo de respuesta a clientes, cotizaciones enviadas por semana. Si no mediste el antes, tu evaluación va a ser una sensación, y las sensaciones con la IA vienen infladas de fábrica.

Y aplícale a tu propio entusiasmo las tres preguntas que le aplicamos a cualquier cifra de esta industria: ¿quién midió?, ¿comparado con qué?, ¿en qué condiciones?

El SEO clásico era pelear por aparecer primero en una lista de enlaces. Esa lista ya no es lo que la gente mira: los buscadores responden arriba, con resúmenes generados, y una parte creciente de las búsquedas ocurre directamente dentro de asistentes de IA.

Por eso en Mamífero lo llamamos Search Experience Optimization: optimizar para el conjunto de lugares donde alguien pregunta y algo responde. La disciplina no murió; cambió de cancha. Y la cancha nueva premia otra cosa: ser la fuente que la respuesta cita, y ser la marca que la gente busca por nombre.

Son las respuestas generadas que Google arma arriba de los resultados. Su efecto está medido y es fuerte: la mayoría de las búsquedas ya termina sin clic a ningún sitio, y con resumen de IA presente esa proporción sube todavía más.

Pero el dato fino cambia la estrategia: el clic no cae parejo. Las búsquedas genéricas pierden mucho; las búsquedas con tu nombre, ganan. La conclusión la escribimos completa en una nota: el trabajo de marca dejó de ser el adorno que va antes del SEO. Pasó a ser el SEO.

GEO —"Generative Engine Optimization"— es la etiqueta que apareció para vender posicionamiento dentro de los motores generativos, como antes se vendía posicionamiento en Google.

Nuestra opinión, y la damos como lo que es: fue un chivo expiatorio publicitario. Una sigla nueva para cobrar de nuevo por servicios cuya eficacia nadie ha podido comprobar de forma seria, entre otras cosas porque los modelos evolucionan tan rápido que cualquier táctica "comprobada" caduca antes del informe que la vende.

Lo que sí existe es más aburrido y más viejo: contenido claro y citable, datos con fuente, marca que la gente escribe por su nombre. Eso mejora tu presencia en cualquier motor, generativo o no, y no necesita sigla. Cuando alguien te ofrezca GEO, hazle nuestras tres preguntas: quién midió, comparado con qué, en qué condiciones.

Con honestidad: control directo no hay, y quien te venda lo contrario, sospecha. Lo que sí hay son condiciones que aumentan la probabilidad de ser citado: contenido publicado con estructura clara, respuestas concretas extraíbles en pocas líneas, datos con fuente, presencia consistente de tu nombre asociado a tu tema en sitios que los modelos leen.

Es decir: exactamente lo mismo que te hace citable por un periodista o por el resumen de Google. El fondo no cambió, cambió el lector.

El SEO lleva veinte años muriéndose en titulares y las empresas que lo trabajan bien siguen comiendo de él. Lo que sí se está cerrando es un juego específico: capturar búsquedas informacionales genéricas con contenido hecho para el algoritmo.

Lo que queda vivo, y con más valor que antes: las búsquedas transaccionales, las búsquedas locales, las búsquedas con tu nombre y ser fuente citable de las respuestas generadas. Menos tráfico total, mejor tráfico. Si tu única métrica sigue siendo visitas, vas a leer esta transición al revés.

Más que antes, aunque suene contraintuitivo. Cuando las respuestas las arman máquinas leyendo la web, tu sitio deja de ser solo una vitrina para personas: es tu declaración oficial ante los sistemas que responden por ti. Si no publicas quién eres, qué haces y cuánto sabes, otros llenan ese vacío.

Lo que cambió es el diseño del encargo: menos páginas de relleno para el algoritmo, más páginas con sustancia citable. Esta misma página que estás leyendo está construida así, y no lo escondemos.

Hay un proyecto de ley de IA en trámite en el Congreso, con enfoque de riesgo parecido al europeo. Pero la norma que de verdad te toca primero no dice IA en el título: es la Ley 21.719 de protección de datos personales, aprobada en 2024 y en plena vigencia desde el 1 de diciembre de 2026, que regula el perfilamiento y las decisiones automatizadas —o sea, tu chatbot, tu scoring de clientes y tu segmentador de correos— con multas que llegan a las 20.000 UTM.

Le dedicamos una nota completa, porque mientras todos miran el proyecto, la ley con fecha ya está corriendo.

Es la primera regulación integral de IA del mundo —Reglamento (UE) 2024/1689—, con obligaciones por nivel de riesgo que entraron a aplicarse por etapas desde 2025. Exige, entre otras cosas, avisar cuando una persona interactúa con una máquina y etiquetar ciertos contenidos generados.

¿Te afecta? Directamente, solo si vendes a Europa o eres filial de una matriz europea. Indirectamente, a todos: las normas europeas tienden a volverse el estándar que las demás copian, y el proyecto chileno va en esa línea. Lo que Europa exige hoy es un buen borrador de lo que te van a exigir mañana.

En Europa ya es obligación; en Chile, la dirección regulatoria apunta claramente hacia allá. Pero nuestra recomendación no depende de la ley: avisa igual, porque comunicacionalmente te conviene.

El aviso puede sonar a letra chica de contrato o puede construir confianza. "Este sistema utiliza tecnología de inteligencia artificial conforme a la normativa vigente" cumple. "Te responde un bot; si te enredas, escribe humano y te paso con alguien de verdad" también cumple, y además te hace querible. La transparencia no es un costo: bien escrita, es marca.

Zona gris, y quien te dé una respuesta redonda te está simplificando. La tendencia dominante —con la oficina de derechos de autor de Estados Unidos a la cabeza— es que lo generado puramente por máquina, sin aporte creativo humano, no es protegible; y hay litigios abiertos sobre los datos con que se entrenaron los modelos.

En la práctica: los términos de los proveedores grandes te permiten usar comercialmente lo que generas. El riesgo real está en otra parte: parecerte demasiado a algo existente, o construir tu marca sobre material que no puedes proteger. Para piezas centrales de tu negocio, que la IA proponga y un humano decida y transforme. Que es, además, como se hace mejor trabajo.

Puede, y está documentado: un modelo entrenado con datos humanos hereda los sesgos de esos datos, y los devuelve con apariencia de neutralidad estadística. Sistemas de selección de personal y de crédito han mostrado sesgos medibles por género, edad y origen.

Para una empresa el punto no es filosófico: si un sistema automatizado decide sobre personas —a quién contratas, a quién le das crédito, a quién le subes el precio—, tú respondes por esa decisión, la haya tomado quien la haya tomado. La Ley 21.719 va exactamente en esa línea. Revisa las decisiones automatizadas con la misma seriedad que las humanas: es lo mínimo, y pronto será lo exigible.

El consumo agregado de los centros de datos es real, crece rápido y es una discusión seria de infraestructura, sobre todo local: dónde se instalan, qué agua usan, qué red eléctrica cargan.

A nivel de uso individual, el orden de magnitud es menos dramático de lo que sugieren los titulares: tus consultas del año pesan menos que hábitos digitales que nadie cuestiona, como el streaming. Nuestra vara de siempre aplica: cuando veas una cifra alarmante —o una tranquilizadora—, pregunta quién midió, qué midió y comparado con qué. En este tema, casi nadie lo dice.

No en el momento: tu conversación no modifica el modelo mientras hablas, y lo que le cuentes hoy no aparece mágicamente en la respuesta de otro usuario mañana.

La pregunta correcta es si tus conversaciones se guardan para entrenar versiones futuras, y eso depende del plan y de la configuración: en varios productos de consumo viene activado y se puede apagar; en los planes de empresa serios, está excluido por contrato. Cinco minutos revisando esa configuración valen más que cualquier intuición sobre el tema.

De forma confiable, no. Los detectores automáticos fallan en ambas direcciones: dejan pasar texto generado y —peor— acusan texto humano legítimo. OpenAI retiró su propio detector por baja precisión, y ese dato dice todo lo que necesitas saber del estado del arte.

Por eso desconfiamos de las políticas basadas en detección, en colegios y en empresas. Lo que sí funciona es más antiguo: pedirle a la persona que explique, defienda y aplique lo que entregó. El conocimiento se nota conversando. Siempre se notó.

Probablemente las dos cosas, como internet en el 2000: la burbuja financiera de entonces reventó y la tecnología igual reorganizó la economía en la década siguiente.

Hoy hay valorizaciones que asumen escenarios perfectos y hay, al mismo tiempo, cientos de millones de personas usando estas herramientas a diario para trabajar. Lo primero se puede corregir con estruendo; lo segundo no se va a desinstalar. Nuestra recomendación es aburrida a propósito: ignora el precio de las acciones, mira tus procesos, y decide por lo que la herramienta te resuelve hoy.

Es la pregunta más razonable de esta página y la respuesta es no, por un motivo concreto: adoptar esto tiene una curva de aprendizaje organizacional que no se puede comprar apurada. Saber qué delegarle, cómo revisarlo y dónde se equivoca es conocimiento que solo se produce usando.

Esperar tiene sentido para comprar tecnología cara. No tiene sentido para aprender. Empieza chico, con la herramienta general más barata, en la tarea menos riesgosa que tengas. En un año, esa experiencia acumulada va a valer más que cualquier consultoría que puedas contratar entonces. Y si en el camino te surge una pregunta, para eso está el muro de al lado.