Un sistema de inteligencia artificial es, según la definición que hoy usan tanto la OCDE como el Reglamento europeo, un sistema basado en máquinas que infiere, a partir de la información de entrada que recibe, cómo generar resultados de salida: predicciones, contenidos, recomendaciones o decisiones. La palabra clave es inferir: en un programa común alguien escribió las reglas, y en un sistema de IA esas reglas se ajustaron a partir de ejemplos. Funciona en dos tiempos: entrenamiento, donde el modelo ajusta millones de parámetros con datos, e inferencia, donde aplica lo ajustado a una entrada nueva. Ninguna de las dos etapas incluye un paso donde compruebe si lo que dice es verdad.
Ver índice de contenidos
Qué es, con precisión
La expresión «inteligencia artificial» se usa desde 1956 y arrastra tanto significado acumulado que hoy sirve para casi cualquier cosa. Por suerte existe una definición precisa, y no es de una empresa: es la que acordaron los países de la OCDE y la que quedó escrita en el Reglamento (UE) 2024/1689, la primera ley general de IA del mundo. Las dos dicen lo mismo, y vale leerla despacio:
«Sistema de IA: un sistema basado en una máquina que está diseñado para funcionar con distintos niveles de autonomía y que puede mostrar capacidad de adaptación tras el despliegue, y que, para objetivos explícitos o implícitos, infiere de la información de entrada que recibe la manera de generar resultados de salida, como predicciones, contenidos, recomendaciones o decisiones, que pueden influir en entornos físicos o virtuales.»
Fijate en lo que no dice. No menciona conciencia. No menciona comprensión. No menciona pensamiento, ni cerebros, ni inteligencia en sentido humano. Habla de un sistema que infiere salidas a partir de entradas, con distintos grados de autonomía. Toda la discusión sobre si «piensa de verdad» queda deliberadamente afuera, porque para regular —y para usar— lo que importa es qué hace, no qué siente.
De esa definición se desprenden tres piezas que conviene nombrar desde el principio:
- Modelo. El resultado del entrenamiento: un conjunto enorme de números —los parámetros— que codifican los patrones encontrados en los datos.
- Inferencia. El acto de usar ese modelo con una entrada nueva para producir una salida. Es lo que ocurre cada vez que escribís algo y recibís una respuesta.
- Sistema. El modelo más todo lo que lo rodea: la interfaz, los filtros, las herramientas que puede usar, los límites configurados. Cuando hablás con un asistente no hablás con un modelo desnudo, sino con un sistema construido alrededor.
«Inferir»: la palabra que lo cambia todo
Acá está la frontera práctica entre la IA y el resto del software, y es más nítida de lo que parece.
Un programa tradicional aplica reglas que una persona escribió. «Si el monto supera mil pesos, pedir autorización.» Esa condición existe en algún archivo, se puede leer, se puede discutir y se puede corregir cambiando una línea. Su comportamiento es predecible porque está escrito.
Un sistema de IA no tiene esa línea. Se le mostraron miles de casos —operaciones aprobadas y rechazadas, por ejemplo— y el entrenamiento ajustó sus parámetros hasta que empezó a acertar. Después, frente a una operación que nunca vio, infiere una respuesta. Nadie escribió el criterio y, en los modelos grandes, nadie puede leerlo tampoco: está distribuido entre millones de números.
La pregunta que separa las aguas
¿El comportamiento salió de reglas que alguien escribió o de parámetros ajustados a partir de datos? Si podés señalar la línea de código que toma la decisión, es un programa. Si la decisión emerge de números ajustados con ejemplos, es inteligencia artificial. El tamaño, la marca y la palabra que figure en el envase no entran en la cuenta.
Cómo funciona, de punta a punta
La OCDE describe el ciclo de vida de un sistema de IA en siete fases, y sirve como mapa porque muestra que el modelo es solo una parte del trabajo:
- Planificar y diseñarDefinir qué problema se quiere resolver y cómo se va a medir el éxito.
- Recolectar y procesar datosReunir los ejemplos, limpiarlos y organizarlos. Es donde se va la mayor parte del esfuerzo, y donde entran los sesgos que después aparecen en las respuestas.
- Construir el modelo o adaptar uno existenteEntrenar desde cero es carísimo, así que lo habitual es partir de un modelo ya entrenado y ajustarlo. Acá el modelo «aprende»: ajusta sus parámetros para reducir el error en los ejemplos.
- Probar, evaluar, verificar y validarMedir cómo se comporta con datos que no vio durante el entrenamiento. Evaluarlo con los mismos datos con los que se entrenó no significa nada.
- Poner en usoPublicarlo o integrarlo en un producto.
- Operar y monitorearEl mundo cambia y los datos nuevos dejan de parecerse a los de entrenamiento, así que el rendimiento se degrada solo, sin que nadie toque nada.
- Retirar del servicioDarlo de baja cuando ya no corresponde usarlo.
La OCDE aclara algo importante: estas fases «a menudo se dan de manera iterativa y no son necesariamente secuenciales». En la práctica se vuelve todo el tiempo a los datos.
De las siete, la que más interesa a quien usa la IA sin construirla es la tercera, porque explica el resto. Entrenar consiste en mostrarle ejemplos, comparar lo que predijo con lo correcto, medir el error y ajustar los parámetros para que el error baje. Repetido millones de veces, ese ajuste hace que el modelo capture regularidades del material con el que se entrenó. Todo lo que el modelo «sabe» viene de ahí, con dos consecuencias inmediatas: tiene una fecha de corte y hereda lo que había en esos datos, incluidos sus errores y sus sesgos.
Dentro de un modelo de lenguaje
Cuando hoy alguien dice «IA» casi siempre está hablando de un modelo grande de lenguaje o LLM, que el glosario de Google define como un modelo de lenguaje con una cantidad muy alta de parámetros, basado en la arquitectura Transformer. Vale detenerse en cómo produce texto, porque explica casi todo su comportamiento.
Paso 1: el texto se parte en tokens
El modelo no ve letras ni palabras: ve tokens. Un token puede ser un carácter, un fragmento de palabra o una palabra entera; las palabras largas se parten en varios. La documentación de Google da la referencia práctica: en sus modelos un token equivale a unos cuatro caracteres, y cien tokens rondan las sesenta a ochenta palabras en inglés.
Eso no es un detalle interno. Es la unidad en la que se cobra el uso por API, y es la unidad en la que se mide la ventana de contexto: el máximo de texto que el modelo puede tener en cuenta de una vez, sumando lo que le mandás y lo que responde. Cuando una conversación larga «se olvida» de algo del principio, no es distracción: es que ya no entra.
Paso 2: calcula qué token sigue
Con el texto ya en tokens, el modelo calcula una probabilidad para cada token posible como continuación. Frente a «La capital de Francia es», la probabilidad se concentra fuertemente en «París», y queda algo repartido entre otras opciones gramaticalmente válidas.
Paso 3: elige uno y repite
Elige un token, lo agrega al texto y vuelve al paso 2 con el texto ya extendido. Así, de a un token, construye párrafos enteros. Qué tan estrictamente se queda con el token más probable lo controla un parámetro llamado temperatura, que el glosario de Google describe como el hiperparámetro que controla el grado de aleatoriedad de la salida: más alto, más variedad; más bajo, más previsibilidad.
Que dos respuestas a la misma pregunta salgan distintas. Que escribir mejor el pedido cambie tanto el resultado —le estás cambiando el texto sobre el que calcula la continuación—. Que se le pueda pedir un formato y lo respete. Y que, cuando no tiene el dato, igual complete con algo que suena bien: es literalmente lo único que su mecanismo sabe hacer.
Por qué inventa
El glosario de Google llama alucinación a la producción, por parte de un modelo generativo, de una salida que parece verosímil pero es fácticamente incorrecta, presentada como si fuera una afirmación sobre el mundo real. Su ejemplo es brutalmente claro: un modelo que afirma que Barack Obama murió en 1865 está alucinando.
Lo importante es entender que no es una falla del sistema, en el sentido de algo que se rompió. Es una consecuencia directa del mecanismo: no hay ningún paso donde el modelo consulte una fuente y verifique. Optimiza continuidad plausible, y una cita inventada con formato perfecto es, para ese criterio, una excelente continuación. Por eso el tono de seguridad es idéntico cuando acierta y cuando fabula: no dispone de una señal interna que distinga ambos casos.
De ahí sale una consecuencia operativa concreta: cuanto más específico y comprobable es un dato, más conviene comprobarlo. Nombres, fechas, cifras, citas, artículos de leyes y funciones de una biblioteca son exactamente el material donde una continuación plausible resulta indistinguible de una correcta. Los hábitos de redacción que reducen el problema —darle el material en lugar de pedirle que lo recuerde, pedirle que marque sus supuestos, acotar el alcance— están desarrollados en la guía de cómo escribir buenos prompts.
Qué no es inteligencia artificial
La etiqueta se usa con mucha manga ancha, y saber qué queda afuera ayuda a entender qué queda adentro.
| Sistema | Qué es en realidad | Por qué no es IA |
|---|---|---|
| Un formulario que valida un correo electrónico | Una expresión regular | La regla está escrita y se puede leer |
| Una planilla que calcula comisiones | Fórmulas | El resultado se deduce de la fórmula, no de datos de entrenamiento |
| Un termostato programado por horario | Automatización | Ejecuta un plan fijo; no infiere nada |
| Un buscador con filtros por categoría | Consultas a una base de datos | Filtra según criterios explícitos |
| Un bot que responde con un menú de opciones | Un árbol de decisión escrito a mano | Cada respuesta la escribió una persona |
Ninguno de estos sistemas es peor por no ser IA: varios son la solución correcta, y meterle un modelo donde alcanza una regla es una forma común de complicar un problema simple. La confusión también corre para el otro lado: hay software que sí usa aprendizaje automático desde hace años sin anunciarlo —el filtro de correo no deseado, la corrección predictiva del teclado, el reconocimiento de la cara en la galería de fotos— y que la gente no registra como IA porque ya se volvió invisible.
El efecto ELIZA
En 1966 se publicó ELIZA, un programa que imitaba a un terapeuta reformulando como pregunta lo que la persona escribía. Por dentro eran reglas de coincidencia de texto, sin nada parecido a comprensión. Pese a eso, muchas personas le atribuyeron entendimiento y le contaron cosas íntimas.
A esa tendencia —atribuir comprensión a un programa porque sus respuestas suenan comprensivas— se la llama desde entonces efecto ELIZA. En el foro de Underc0de hay un hilo que lo conecta con la generación automática de textos, publicado por Dragora en 2020, cuando esto todavía era una curiosidad y no una herramienta cotidiana.
El efecto no es ingenuidad: es cómo funcionamos. Estamos preparados para leer intención en el lenguaje, y un sistema que produce lenguaje fluido activa esa lectura quiera o no. Tenerlo presente es la mejor defensa práctica contra dos errores opuestos: creerle de más porque escribe bien, y descartarlo porque «solo predice palabras». Ambos confunden la forma de la salida con el mecanismo que la produce.
Errores frecuentes al pensarla
- Creer que consulta internet cada vez. Algunos sistemas buscan en la web, muchos no. Si no lo dice explícitamente, está respondiendo desde lo que quedó en sus parámetros, con la fecha de corte que eso implica.
- Confundir fluidez con exactitud. La calidad de la redacción no dice nada sobre la veracidad del contenido. Es la trampa más costosa de todas.
- Suponer que aprende de tu conversación. Que recuerde algo dentro de un chat no significa que el modelo se haya modificado. Entrenar es otro proceso, mucho más caro, y no ocurre mientras charlás.
- Pedirle certezas sobre sí mismo. Un modelo no tiene acceso privilegiado a su propia arquitectura ni a sus datos de entrenamiento: cuando se lo pregunta, también infiere.
- Tratar «algoritmo» e «IA» como sinónimos. Un algoritmo es cualquier procedimiento definido, incluida una receta de cocina. Casi todo algoritmo no es IA.
Preguntas frecuentes
¿La inteligencia artificial piensa o entiende?
No en el sentido en que una persona lo hace, y conviene notar que la definición legal vigente evita el tema por completo: habla de inferir resultados a partir de entradas, sin mencionar comprensión, conciencia ni pensamiento. Un modelo de lenguaje calcula qué continuación es probable dado el texto que recibió; que el resultado parezca comprensión es una propiedad de la salida, no una prueba de lo que ocurre adentro. La tendencia humana a atribuir entendimiento a un programa que responde bien tiene nombre desde los años sesenta: se llama efecto ELIZA.
¿Cuál es la diferencia entre inteligencia artificial y un programa común?
En un programa común, alguien escribió las reglas y esas reglas se pueden leer: «si el monto supera mil, pedir autorización». En un sistema de IA, las reglas no se escribieron a mano sino que se ajustaron a partir de ejemplos durante el entrenamiento, y el sistema infiere la respuesta para entradas que nunca vio. Esa es la frontera práctica: si podés señalar la línea de código que toma la decisión, no es IA; si la decisión sale de parámetros ajustados con datos, sí lo es.
¿Qué es un token y por qué importa?
Un token es la unidad en la que un modelo procesa texto: puede ser un carácter, un fragmento de palabra o una palabra entera. Según la documentación de Google, en sus modelos un token equivale a unos cuatro caracteres, y cien tokens rondan las sesenta a ochenta palabras en inglés. Importa por tres razones concretas: el precio de las herramientas por API se calcula en tokens, el límite de cuánto texto podés pasarle a la vez —la ventana de contexto— se mide en tokens, y el modelo genera su respuesta de a un token cada vez.
¿Por qué la IA inventa datos que no existen?
Porque el mecanismo está optimizado para producir continuaciones plausibles, no verdaderas. El glosario de Google llama alucinación a la producción de una salida que parece razonable pero es fácticamente incorrecta, presentada como si fuera una afirmación sobre el mundo real. No hay un paso del proceso donde el modelo consulte una base de datos y compruebe si lo que va a decir es cierto: elige el token siguiente más probable y repite. Por eso inventa con la misma fluidez y el mismo tono seguro con que acierta, y por eso verificar no es desconfianza sino parte del uso correcto.
¿Hace falta saber programar para entender la IA?
No para entender qué hace y usarla con criterio, que es lo que cubre esta guía. Sí para construir sistemas propios: ahí entran el aprendizaje automático, la estadística y la programación, normalmente en Python. La distinción es útil porque hay dos aprendizajes distintos con nombres parecidos. Entender cómo funciona la IA lo suficiente para no creerle de más y sacarle provecho no requiere escribir una línea de código; entrenar un modelo, sí.
¿Todo lo que se vende como inteligencia artificial lo es?
No, y la etiqueta se usa con mucha manga ancha. Un formulario que valida un correo electrónico, una planilla con fórmulas, un termostato programado por horario y un buscador con filtros son automatización o reglas, no inferencia. La pregunta que separa las aguas es simple: ¿el comportamiento salió de reglas que alguien escribió, o de parámetros ajustados a partir de datos? Si es lo primero, es un programa; que le pongan «con IA» en la caja no cambia lo que hace.
Fuentes
Normativa, documentación oficial y material de la comunidad consultados para esta guía. Fecha de consulta: 27 de julio de 2026.
Aportes de la comunidad Underc0de
- Underc0de, foro. Efecto ELIZA y el artículo generado mediante GPT-3, por Dragora, sección Inteligencia Artificial y BioHacking, 16 de septiembre de 2020. Origen del apartado sobre el efecto ELIZA.
- Underc0de, foro. Los mitos más comunes sobre los Chatbots, por Dragora, 19 de noviembre de 2018.
- Underc0de, foro. 0.2 Inteligencia Artificial Fundamentos: Haciendo la Máquina Inteligente, por Andrey, 2 de octubre de 2017. Parte de la serie de fundamentos de IA de la comunidad.
- Underc0de, foro. Sección Inteligencia Artificial y BioHacking. Hilos de la comunidad sobre IA.
Normativa y documentación oficial
- Unión Europea. Reglamento (UE) 2024/1689 (Reglamento de Inteligencia Artificial). Definición de «sistema de IA» del artículo 3.1, citada textualmente.
- OCDE. Recommendation of the Council on Artificial Intelligence. Adoptada el 22 de mayo de 2019 y modificada el 3 de mayo de 2024. Definición de sistema de IA y las siete fases de su ciclo de vida.
- Google. Machine Learning Glossary. Definiciones de modelo grande de lenguaje, alucinación y temperatura.
- Google. Understanding and counting tokens. Equivalencia entre tokens, caracteres y palabras, y definición de ventana de contexto.