¿Qué es la IA generativa? Una guía en lenguaje llano
La usas cada vez que abres ChatGPT o creas una imagen con IA. Esto es lo que es la IA generativa, cómo funciona y dónde ayuda o tropieza, sin jerga.
Escribes una frase y, unos segundos después, aparece un párrafo funcional, una imagen fotorrealista o un bloque de código. Ese truco tiene nombre, y de repente está en todas partes: en los borradores de tus emails, en tus resultados de búsqueda, en tus herramientas de diseño, en los deberes de tus hijos. La tecnología que hay detrás no es magia, y tampoco es del todo la máquina pensante que insinúan los titulares. Es un tipo concreto de software que aprendió patrones a partir de un montón enorme de ejemplos y ahora produce material nuevo que encaja con esos patrones. Esta guía explica qué significa eso en lenguaje llano, qué puede y qué no puede hacer la tecnología, y cómo sacarle respuestas útiles.
Entonces, ¿qué es la IA generativa?
La IA generativa es software que crea contenido nuevo —texto, imágenes, audio, código o vídeo— en respuesta a una petición que escribes en lenguaje corriente. Le das un prompt y genera algo que no existía un momento antes.
La palabra "generativa" es la parte importante. La IA más antigua sobre todo clasificaba, puntuaba o predecía: decidía si un email era spam, estimaba el precio de una casa o marcaba un cargo fraudulento. Esos sistemas eligen entre opciones que ya existen. Un sistema generativo produce la opción en sí. Pide un poema sobre un martes lluvioso y obtienes un poema, no una valoración de poemas.
Ese cambio —de elegir a crear— es la razón por la que la tecnología se siente tan distinta, y por la que aparece a la vez en tantas herramientas cotidianas.
Cómo funciona la IA generativa, a grandes rasgos
Aquí tienes cómo funciona la IA generativa sin las matemáticas. El sistema se entrena con una colección muy grande de ejemplos: texto de la web y de libros, o millones de imágenes emparejadas con descripciones. Durante el entrenamiento, se ajusta una y otra vez para mejorar en una tarea engañosamente simple: predecir qué viene a continuación.
Para un modelo de texto, "a continuación" significa el siguiente trozo de una palabra, dado todo lo anterior. Dale "La capital de Francia es" y ha visto ese patrón suficientes veces como para continuar con "París". Escala eso a ensayos y conversaciones enteras, y la misma predicción del siguiente trozo produce escritura fluida y coherente con el tema. Los modelos de imagen y audio funcionan sobre una idea parecida, aprendiendo qué patrones de píxeles o de sonido tienden a ir juntos y construyendo una salida que encaja con tu descripción.
De esto se derivan unas cuantas cosas que conviene tener presentes:
- El modelo no está buscando nada en una base de datos. Está generando una continuación plausible basada en patrones que absorbió.
- El mismo prompt puede producir resultados distintos cada vez, porque hay un elemento de azar en cómo elige el siguiente trozo.
- Está optimizando para lo que *encaja*, no para lo que es *verdad*. Normalmente esas dos cosas coinciden. A veces no.
Ese último punto explica buena parte del comportamiento que veremos más abajo.
IA generativa frente a IA tradicional
La IA tradicional, o predictiva, responde a una pregunta cerrada con un conjunto fijo de respuestas posibles. ¿Es fraude esta transacción: sí o no? ¿A cuál de estas cinco categorías pertenece este ticket? La salida es una etiqueta o un número, y normalmente puedes comprobarla contra una respuesta correcta.
La IA generativa responde a una pregunta abierta donde no hay una única salida correcta. "Escribe un email amable de recordatorio" tiene mil respuestas aceptables y ninguna hoja de soluciones. Esa apertura es a la vez el poder y el problema. Es lo que permite a la tecnología redactar, generar ideas y traducir. También es la razón por la que los resultados necesitan que una persona los lea antes de fiarte de ellos: no hay ninguna comprobación incorporada de que lo que salió sea preciso, apropiado o siquiera sensato para tu situación.
Los tipos principales, con ejemplos
La mayoría de los modelos de IA generativa caen en unas pocas familias, agrupadas por lo que producen.
- Texto (grandes modelos de lenguaje). Se encargan de escribir, resumir, responder preguntas, traducir y razonar problemas. ChatGPT, Claude y Gemini son los asistentes de chat más conocidos construidos sobre este tipo de modelo.
- Imágenes. Herramientas como Midjourney, DALL·E y Stable Diffusion convierten una descripción escrita en una ilustración o una imagen de estilo fotográfico.
- Audio. Algunos modelos generan voz a partir de texto o componen música; otros clonan o transcriben voces.
- Código. Los asistentes de programación completan funciones, explican código desconocido y redactan pequeños programas a partir de una descripción de lo que quieres.
- Vídeo. Herramientas más nuevas producen clips de vídeo cortos a partir de un prompt de texto, aunque este terreno es más joven y más tosco que los demás.
Muchas herramientas ya mezclan todo esto. Un único asistente de chat podría leer una imagen que subes, responder en texto y generar un gráfico, pero por dentro cada capacidad viene de un modelo entrenado con ese tipo de datos.
En qué es bueno, y dónde se rompe
Bien usada, la tecnología es genuinamente útil para una franja concreta de tareas: primeros borradores, reescrituras, resúmenes, lluvia de ideas, explicar un concepto al nivel que pidas, traducir y convertir notas sueltas en algo estructurado. Es rápida, incansable y un punto de partida potente.
Los límites son igual de reales, y conocerlos es lo que separa una herramienta útil de un error caro.
- Alucinaciones. El modelo puede afirmar algo falso con total seguridad: una cita inventada, una estadística falsa, un "hecho" que suena plausible pero no lo es. Esto no es un fallo que puedas apagar del todo; viene de cómo el sistema genera texto plausible. Lo tratamos en profundidad en la guía sobre las alucinaciones de IA.
- Sin comprensión real. Modela patrones del lenguaje, no del mundo. Puede describir preciosamente cómo montar en bici sin ninguna noción de equilibrio o movimiento.
- Sesgo de los datos de entrenamiento. Aprendió de material hecho por personas, así que puede absorber y repetir los estereotipos y los puntos ciegos de ese material.
- Fecha de corte del conocimiento. El entrenamiento de un modelo se detiene en algún punto, así que no sabrá de acontecimientos posteriores a menos que esté conectado a búsqueda en vivo o le des la información en tu prompt.
Usos cotidianos, y prompts para probar
Probablemente ya te has topado con la IA generativa dentro de herramientas que usas: las sugerencias de escritura en tu email, el resumen en la parte superior de una página de búsqueda, el borrador de fondo en una app de fotos. Por sí sola, se encarga de muchos trabajos pequeños: redactar una respuesta, apretar un párrafo, planear un viaje, explicar un formulario de impuestos con palabras más sencillas o generar una ilustración para una diapositiva.
Aquí tienes un prompt de texto que vale la pena probar tú mismo. Pégalo en cualquier asistente de chat y cambia los detalles por los tuyos.
Y aquí tienes un prompt de imagen, del tipo que le darías a una herramienta de imagen. Fíjate en cómo los detalles concretos —sujeto, entorno, luz, estilo— hacen el trabajo pesado.
Algunas tareas se apoyan en más de un prompt trabajando juntos, y unas cuantas empiezan a ejecutarse como agentes de IA que dan varios pasos hacia un objetivo por su cuenta.
Conseguir buenos resultados
La calidad de lo que recibes depende mucho de lo que pones. Una petición vaga da una respuesta vaga y genérica; una específica da algo que de verdad puedes usar. Aquí es donde el prompting se gana su sueldo.
Lo básico es sencillo para empezar: di como qué debe actuar el modelo, indica con claridad la única tarea, dale el contexto que no puede adivinar y fija el formato y la extensión que quieres. Si quieres el método completo, la guía de fundamentos de la ingeniería de prompts recorre cada parte con ejemplos.
Unos cuantos movimientos prácticos:
- Sé específico sobre audiencia, tono y extensión en vez de esperar que el modelo adivine bien.
- Muestra un ejemplo de la salida que quieres cuando el formato importa.
- Itera: trata cada fallo como una instrucción que falta y añade una línea para arreglarlo.
Cuando prefieras no afinar la redacción a mano, el optimizador de prompts aprieta un prompt tosco por ti, el constructor de prompts de imagen estructura una descripción visual, y la biblioteca de prompts te da puntos de partida ya probados. Si eres totalmente nuevo, el generador de prompts de IA redactará un prompt sólido a partir de una descripción llana de lo que necesitas.
Empieza pequeño, comprueba la salida y refina. Ese ciclo es la mayor parte de la habilidad, y funciona igual tanto si escribes un email, generas una imagen o pides código.
