Hay dos palabras que se repiten en todas las conversaciones sobre inteligencia artificial y a menudo no significan lo mismo: predecir y decidir. Un modelo de lenguaje puede escribir un párrafo coherente sobre cualquier tema, pero no sabe si llueve en Galicia ahora mismo. Puede resumir un contrato de alquiler sin haberlo leído en sentido jurídico. Puede sonar seguro de cosas que son falsas.
La distinción importa porque de ella depende cómo se usa la tecnología en la vida real: en una consulta médica, en un despacho de abogados, en una redacción, en un departamento de atención al cliente.
Cómo funciona, en una frase
Un modelo de lenguaje no busca la respuesta en una base de datos: calcula cuál es la palabra que probablemente sigue a las anteriores, una tras otra, con una distribución de probabilidad. Simplificando mucho, ha aprendido qué combinaciones de palabras aparecen juntas en cantidades enormes de texto. No tiene un mecanismo interno de verdad; tiene un mecanismo de verosimilitud.
Eso explica tres cosas que desconciertan a los usuarios. La primera, que a veces invente datos con total seguridad y sin rastro de duda (lo que se llama alucinación). La segunda, que pueda parecer más inteligente con preguntas abiertas que con preguntas concretas con respuesta única. La tercera, que su comportamiento cambie según cómo se le pregunte: el mismo modelo da distintas respuestas al mismo problema según el contexto, el idioma o la longitud del texto.
Lo que ha mejorado
No todo es limitación. En los últimos dos años, tres avances han cambiado el uso práctico. Las ventanas de contexto se han multiplicado: un modelo actual puede procesar el equivalente a cientos de páginas de una sola vez, lo que permite analizar contratos completos o código de un proyecto entero. Las herramientas externas permiten conectar el modelo con buscadores, calculadoras o bases de datos, de modo que el cálculo real lo hace otro sistema. Y la memoria persistente permite al usuario mantener una continuidad entre conversaciones.
El resultado es un modelo que, bien usado, es menos un oráculo y más un asistente competente con deberes hechos a medias: rápido, articulado y con un punto de fiabilidad que hay que verificar.
Dónde falla de verdad
El fallo más caro no es la alucinación evidente —un dato inventado que todo el mundo detecta—, sino la alucinación plausible. Un texto que cita una ley que existe pero le atribuye un artículo que no dice eso. Una estadística con la fuente correcta y el número equivocado. Ese tipo de error es el que pasa desapercibido y el que exige verificación humana.
El segundo fallo es la aritmética: los modelos no calculan, aproximan. Una cuenta simple puede salir bien; una cadena de operaciones suele salir mal. La solución práctica es obligarles a usar una herramienta externa para calcular y limitarse a interpretar el resultado.
Cómo usarlo sin perder el criterio
Tres reglas bastan para la mayoría de casos. Primera, separa tareas: para buscar información actual, un buscador; para redactar, reescribir o clasificar, un modelo. Segunda, exige fuentes y verifícalas: si el modelo cita un documento, ese documento debe existir y decir lo que se le atribuye. Tercera, mantén la decisión: el modelo puede proponer tres opciones y argumentarlas; la responsabilidad de elegir sigue siendo de quien firma el documento.
La IA no va a reemplazar el criterio profesional en los próximos años. Lo que ya está reemplazando es el trabajo de primera versión: el borrador, el resumen, la búsqueda preliminar. Y eso, bien gestionado, libera tiempo para lo que las máquinas no hacen: dudar, preguntar y decidir.
También te puede interesar: Amar a una máquina: cuando la IA ocupa el lugar de la pareja.
