Módulo 0 — Onboarding y enfoque empresarial

Qué es (y qué no es) la IA generativa

🎧

Escuchar esta lección

Versión en formato podcast

Selecciona cualquier fragmento del contenido para subrayarlo, anotarlo o preguntar a la IA. En la demo se guarda temporalmente.

Antes de hablar de productos concretos necesitamos una idea sencilla: una IA generativa produce contenido a partir del contexto y las instrucciones que recibe. Puede redactar, resumir, clasificar, transformar, analizar o proponer, pero eso no significa que «sepa» que una respuesta es correcta.

1. Generar no es lo mismo que buscar

Un buscador intenta localizar información que ya existe. Una IA generativa, en cambio, construye una respuesta a partir de los patrones aprendidos durante su entrenamiento y de la información disponible en ese momento.

Eso no impide que una aplicación de IA pueda utilizar también un buscador, consultar documentos o conectarse a una base de datos. De hecho, muchas herramientas actuales combinan varias capacidades. La diferencia importante es entender que la respuesta final puede estar generada, aunque parte de la información proceda de una fuente recuperada.

Ejemplo: si pides «resume este contrato», la IA genera un nuevo texto a partir del documento. Si le pides «busca la última normativa aplicable y resume los cambios», primero necesita acceder a información actual y después generar la explicación.

2. Una respuesta convincente puede estar equivocada

Los modelos generativos están diseñados para producir una salida coherente con la petición y el contexto, no para actuar como una base de datos infalible. Por eso pueden ofrecer una explicación fluida, bien escrita y aparentemente segura que contenga errores, datos inventados o conclusiones que no se desprenden de la información disponible.

A este tipo de error se le suele llamar alucinación (hallucination). El término es útil, pero lo importante para trabajar es otra cosa: la seguridad con la que está redactada una respuesta no mide su fiabilidad.

Consecuencia práctica: cuanto mayor sea el impacto de un error, mayor debe ser la comprobación. Un borrador interno no exige el mismo control que una respuesta a un cliente, un cálculo económico o una decisión con implicaciones legales.

3. El contexto cambia el resultado

La IA responde con la información que tiene disponible: tu petición, la conversación, los documentos que hayas aportado y, cuando la herramienta lo permite, datos recuperados mediante búsqueda, conectores u otras fuentes.

Por eso una instrucción genérica suele producir una respuesta genérica. Si explicas qué necesitas, para quién, con qué datos, qué restricciones existen y cómo debe ser la salida, aumentan las probabilidades de obtener un resultado útil.

4. No todos los modelos se comportan igual

Distintos modelos pueden dar resultados diferentes ante la misma tarea. Cambian su capacidad, velocidad, coste, ventana de contexto, modalidades disponibles, forma de trabajar con herramientas y comportamiento ante problemas complejos.

Eso significa que no existe un «mejor modelo» para todo. A lo largo del curso aprenderás a elegir la opción adecuada para cada trabajo y a no pagar más capacidad de la necesaria.

5. La idea práctica

Piensa en la IA como una capacidad de trabajo que puede ser muy potente, pero que necesita contexto, dirección y comprobación. La pregunta útil no es solo si puede hacer una tarea, sino en qué condiciones merece la pena delegarle parte del trabajo.

Regla del curso: no preguntaremos solo «¿puede hacerlo la IA?». Preguntaremos también «¿con qué información, con qué riesgo, con qué coste y con qué nivel de revisión?».

No necesitas entender todavía cómo funciona internamente un modelo. En el módulo 1 veremos lo suficiente para comprender por qué genera, por qué puede equivocarse y qué significa realmente trabajar con contexto. Por ahora quédate con una idea: que una IA pueda producir un resultado útil no significa que debamos aceptarlo sin comprobarlo.