M01: Como funciona la IA

Que es un LLM y por que te importa

Un LLM (Large Language Model) es un programa que ha leído miles de millones de textos y ha aprendido patrones estadísticos. Cuando le pides algo, predice la siguiente palabra más probable. No piensa, no razona, no busca en una base de datos. Predice.

Si escribes "El cielo es...", el modelo dice "azul" porque en los textos que leyo, después de esa frase casi siempre viene "azul". Esto funciona sorprendentemente bien para generar texto, código, traducciones y análisis.

Pero tiene consecuencias directas que necesitas entender:

1. No tiene memoria real. Cada conversación empieza de cero (a menos que configures memoria persistente, como veremos en el M03).
2. No verifica datos. Puede inventar cifras, URLs, citas de libros que no existen. Se llaman "alucinaciones".
3. La calidad depende de tu petición. Basura entra, basura sale. Un prompt vago produce una respuesta vaga.
4. No ejecuta código por si solo. Genera texto que parece código. Excepciones: Claude Code, que si puede ejecutar, y ChatGPT con Code Interpreter.

Que puede y que no puede hacer

Esta tabla te sirve como referencia rápida para saber cuando la IA te va a ayudar y cuando no:

Puede hacer bien

• Redactar textos, emails, documentos con estructura definida
• Analizar documentos largos y extraer información clave
• Generar código funcional (con revisión humana)
• Traducir entre idiomas con calidad profesional
• Resumir, clasificar y organizar información
• Brainstorming y generación de ideas
• Explicar conceptos complejos de forma simple

No puede hacer (o hace mal)

• Verificar si un dato es verdadero o falso
• Recordar conversaciones anteriores sin configuración
• Acceder a internet en tiempo real (excepto Gemini y Perplexity)
• Garantizar que el código funciona sin testear
• Tomar decisiones eticas o legales por ti
• Contar con precisión (contar palabras, caracteres, elementos)
• Matematicas complejas sin herramientas (calculadoras, Code Interpreter)

Alucinaciones: el peligro silencioso

Las alucinaciones son el problema más peligroso de la IA porque son invisibles. El modelo genera texto que suena perfecto, autoritativo, lleno de detalles. Pero es completamente inventado.

Ejemplos reales de alucinaciones:

• URLs que no existen pero tienen formato perfecto
• Citas de papers academicos con autores, anio y revista. Todo falso.
• Estadisticas con decimales que parecen de un estudio real
• APIs y funciones de programacion que no existen en la librería mencionada

Como prevenirlas: pide fuentes, verifica datos críticos, y añade en tu prompt: "Si no estas seguro de un dato, dilo explícitamente. No inventes."

Elegir entre ChatGPT, Claude, Gemini y DeepSeek

No uses la misma IA para todo. Cada una tiene un punto fuerte. Aquí tienes la comparativa real (no la del marketing):

ChatGPT (OpenAI, GPT-4o)

Mejor para: redacción creativa, brainstorming, contenido de marketing, generación de imágenes con DALL-E.

Punto débil: en documentos largos pierde contexto, tiende a ser verboso, a veces ignora restricciones del prompt.

Contexto: 128K tokens (~90 páginas).

Claude (Anthropic, Opus 4 / Sonnet 4)

Mejor para: análisis de documentos largos, seguir instrucciones complejas, código profesional, tareas con muchas restricciones.

Punto débil: más conservador en temas sensibles, puede ser demasiado cauteloso.

Contexto: Hasta 1M tokens (~700 páginas). El contexto más grande del mercado.

Gemini (Google)

Mejor para: búsqueda de información actualizada (conectado a Google Search), síntesis con fuentes frescas, integración con Google Workspace.

Punto débil: menos preciso en formato, a veces se salta restricciones del prompt.

Contexto: Hasta 1M tokens.

DeepSeek

Mejor para: código y razonamiento matemático, ejecución local (open-weight), soberanía de datos.

Punto débil: interfaz menos pulida, capacidad de escritura inferior a Claude/ChatGPT.

Contexto: 128K tokens.

Tu primera petición profesional

La diferencia entre un resultado mediocre y uno excelente no es la IA que usas. Es como le pides.

Petición mala

Resume este artículo.

Resultado: párrafo genérico de 200 palabras sin estructura ni utilidad.

Petición con estructura CORT

Contexto: Soy el director de marketing de una pyme de ciberseguridad
con 50 empleados. Preparo un resumen semanal para el CEO.

Objetivo: Necesito un resumen ejecutivo de este artículo en 3 bullet
points para incluirlo en el informe semanal.

Restricciones: Maximo 100 palabras total. Sin tecnicismos. Incluir
las cifras clave del artículo. No repetir información.

Tono: Profesional, directo, sin relleno ni introducciones.

Mismo artículo, misma IA. El segundo resultado es 10 veces más útil porque le has dado contexto (quien eres), objetivo (que necesitas exactamente), restricciones (que NO quieres), y tono (como debe sonar).

La estructura CORT

CORT es el framework que usamos en todo el curso para estructurar peticiones:

• Contexto: Quien eres, que situación tienes, para que proyecto trabajas.
• Objetivo: Que quieres que haga. Específico, medible.
• Restricciones: Que NO debe hacer. Límites de longitud, formato, contenido.
• Tono: Como debe sonar. Formal, casual, técnico, ejecutivo.

No necesitas las 4 siempre. Para tareas simples, Objetivo + Restricciones basta. Pero cuando el resultado no sea lo que esperas, añade más componentes.

Diferencia entre modelos y cuando usar cada uno

Dentro de cada proveedor hay varios modelos. No es lo mismo usar GPT-4o que GPT-4o-mini, ni Claude Opus que Claude Haiku. Aquí tienes la guía práctica:

Modelos grandes (Opus, GPT-4o, Gemini Ultra)

Más caros, más lentos, más precisos. Para tareas complejas: análisis legal, arquitectura de software, documentos estrategicos. Cuando el coste de un error es alto.

Modelos medianos (Sonnet, GPT-4o-mini)

Balance entre coste y calidad. Para el 80% de las tareas diarias: redacción, código, clasificación, resumen.

Modelos pequeños (Haiku, GPT-3.5)

Muy rápidos, muy baratos. Para tareas de alto volumen y baja complejidad: clasificar 1000 emails, extraer datos de formularios, traducciones simples.

Modelos open-weight vs propietarios

Los modelos open-weight (DeepSeek, Qwen, Llama, Phi) se pueden descargar y ejecutar en tu servidor. Los propietarios (GPT, Claude, Gemini) solo se usan via API o interfaz web.

Cuando usar open-weight:

• Necesitas soberanía de datos (no puedes enviar información a terceros)
• Tienes volumen alto y quieres reducir costes
• Necesitas personalizar el modelo (fine-tuning)

Cuando usar propietarios:

• Quieres la máxima calidad sin gestionar infraestructura
• Necesitas funciones avanzadas (visión, herramientas, agentes)
• El volumen es bajo y el coste de API es asumible

Ejercicio práctico

Conclusiones clave