Qué es realmente la IA (y qué no es)

Si llevas un negocio, ya usaste IA o alguien de tu equipo la usa sin decirte. Lo que casi nadie te explica es qué es esa cosa que responde. Este módulo no tiene fórmulas ni código: es la explicación que te habría gustado tener antes de pegar tu primer contrato en un chat.

Vamos a responder cinco preguntas: qué es un modelo de lenguaje, cómo se fabrica, por qué a veces inventa, para qué sirve hoy y cómo pensar en él para sacarle provecho. Al final tienes un ejercicio de 15 minutos y un quiz corto.

¿Qué diferencia hay entre IA, machine learning, IA generativa y LLM?

Son cuatro círculos, uno dentro del otro. Entre más adentro, más específico.

1. 1Inteligencia artificial (IA) es el círculo grande: cualquier programa que hace algo que antes exigía inteligencia humana. El filtro de spam de tu correo es IA. El GPS que recalcula la ruta es IA.
2. 2Machine learning (aprendizaje automático) es la forma en que se construye casi toda la IA moderna: en vez de programar reglas a mano, se le muestran millones de ejemplos y el sistema ajusta sus parámetros internos hasta acertar. Nadie le escribió las reglas de "esto es spam"; las dedujo.
3. 3IA generativa es el machine learning que produce contenido nuevo: texto, imágenes, audio, código. No clasifica lo que existe; crea algo que no existía.
4. 4LLM (modelo de lenguaje grande) es el tipo de IA generativa que trabaja con texto. Es lo que hay dentro de Claude, ChatGPT y Gemini, y es el tema de este curso.

¿Cómo se fabrica un modelo como Claude?

En dos etapas. La primera se llama preentrenamiento: al modelo se le muestra una cantidad de texto difícil de imaginar (libros, páginas web, código, artículos) y se le pone una sola tarea, repetida miles de millones de veces: adivinar la siguiente palabra. "El contrato de arrendamiento entra en vigencia a partir de la…" y el modelo propone "fecha". Si se equivoca, se ajusta un poco. Si acierta, se refuerza. Anthropic lo describe así en su documentación: el modelo se preentrena para predecir la siguiente palabra dado el contexto anterior.

Lo sorprendente es lo que se necesita aprender para hacer bien ese juego. Para completar una frase sobre arrendamiento hay que haber absorbido algo de derecho; para completar una receta, algo de cocina; para completar código, algo de programación. El resultado es un sistema con una cultura general enorme, pero que todavía no sabe conversar ni seguir instrucciones. Si le escribes una pregunta, puede responder con otra pregunta parecida, porque en internet las preguntas suelen venir en listas.

La segunda etapa es el post-entrenamiento, y es la que convierte ese "completador de texto" en un asistente. Aquí entran personas que califican respuestas (esta es mejor que aquella), y el modelo aprende a preferir las que la gente valora. La técnica se llama aprendizaje por refuerzo con retroalimentación humana (RLHF, por su sigla en inglés). En el caso de Claude, Anthropic además entrena el modelo con un documento público al que llama la constitución de Claude: describe los valores y prioridades que quiere que el modelo tenga, y según Anthropic es una parte central del proceso de entrenamiento. Es una evolución de la técnica que la empresa usa desde 2023, llamada IA constitucional.

La analogía que vamos a usar: el preentrenamiento es como alguien que pasó años leyendo todo lo que cayó en sus manos, sin un propósito concreto. El post-entrenamiento es la inducción que lo convierte en un empleado útil: cómo tratar a la gente, qué hacer y qué no, cuándo decir "no sé". La constitución es el manual de valores de esa inducción.

¿Qué es un token y por qué te cobran por él?

El modelo no lee palabras ni letras; lee tokens. Un token es un pedazo de texto, a veces una palabra entera, a veces una sílaba o un signo de puntuación. "Arrendamiento" puede ser tres o cuatro tokens; "casa" es probablemente uno. En inglés, Anthropic estima que un token equivale a unos tres o cuatro caracteres en sus modelos; en español, con palabras más largas y tildes, la misma frase suele consumir más tokens.

Importa por dos razones prácticas:

• Costo. Cuando una empresa usa estos modelos por API (es decir, conectados a sus propios sistemas), paga por token que entra y por token que sale. Un documento largo cuesta más que uno corto. En la app de chat no ves ese cobro, pero los límites de mensajes de tu plan salen de ahí.
• Límite de memoria. Cada conversación tiene una ventana de contexto: la cantidad máxima de tokens que el modelo puede tener presentes a la vez. A octubre de 2026, los modelos actuales de Claude tienen una ventana de un millón de tokens, que Anthropic estima en unas 555.000 palabras en inglés. Es mucho, pero no es infinito, y todo lo que no quepa ahí el modelo no lo "ve".

¿Por qué la IA inventa cosas y por qué cambia de respuesta?

Aquí está el punto más importante del módulo. Un modelo de lenguaje no busca datos en una base de datos. Produce el texto más plausible dado lo que leyó durante el entrenamiento y lo que tiene en la ventana de contexto. Cuando le preguntas por el artículo de una ley o el teléfono de una empresa, no consulta nada: genera una respuesta con la forma correcta. Muchas veces la forma correcta coincide con el dato correcto, porque lo vio miles de veces. Pero cuando no lo sabe, no tiene un mecanismo natural para quedarse callado: completa con algo que suena bien.

A eso se le llama alucinación. Anthropic lo define en su documentación como texto que es incorrecto o inconsistente con el contexto dado, y aclara que incluso los modelos más avanzados pueden producirlo. La buena noticia es que hay técnicas que lo reducen mucho: darle permiso explícito para decir "no sé", pedirle que cite el documento que le pegaste, y darle herramientas para buscar en vez de recordar. Las vas a ver en los módulos 2, 3 y 4.

Dos consecuencias que debes tener claras:

• Fecha de corte. El modelo aprendió de textos hasta cierta fecha y después no supo nada más. A octubre de 2026, los modelos actuales de Claude tienen una fecha de conocimiento confiable de junio de 2026. Si le preguntas por algo posterior sin darle búsqueda web, va a responder con lo que sabía, o va a inventar.
• La misma pregunta, distinta respuesta. El modelo escoge cada token con un componente de azar (a veces toma la opción más probable, a veces la segunda). Por eso dos veces la misma pregunta dan dos textos diferentes. Anthropic advierte que incluso con ese azar al mínimo los resultados no son totalmente deterministas. No es un defecto: es lo que le permite proponer variantes. Pero significa que un dato que salió una vez no es un dato verificado.

¿Claude es un modelo o una aplicación?

Las dos cosas, y conviene separarlas. El modelo es el motor: el programa entrenado que convierte texto de entrada en texto de salida. El producto es lo que tú usas: la app de chat, con su memoria de conversaciones, sus proyectos, su búsqueda web, sus conectores a Gmail o Drive, y sus planes de pago.

En el caso de Anthropic, a octubre de 2026, los modelos actuales son cuatro: Claude Fable 5.1 (el más capaz, para razonamiento exigente y tareas largas), Claude Opus 5.5 (el recomendado para la mayoría del trabajo), Claude Sonnet 5.5 (equilibrio entre velocidad y capacidad) y Claude Haiku 5.5 (el más rápido y económico, para tareas de alto volumen como clasificar o extraer datos). Los nombres cambian con cada generación, así que lo que vale la pena recordar es la lógica: hay un modelo grande y lento, uno intermedio y uno pequeño y veloz, y se escoge según la tarea.

Lo mismo pasa con los demás: ChatGPT es la aplicación de OpenAI y adentro corren modelos de la familia GPT; Gemini es a la vez el nombre de la app de Google y de sus modelos. Cuando alguien dice "ChatGPT me respondió mal", la pregunta útil es: qué modelo, con qué contexto, con qué herramientas activas. En este curso usamos Claude como ejemplo principal, pero casi todo aplica igual a los otros.

¿Para qué sirve la IA hoy y para qué no?

Esta lista es a octubre de 2026 y describe lo que hace un modelo de lenguaje solo, sin herramientas. Más abajo te contamos cómo las herramientas cambian la lista.

Lo que hace muy bien

• Redactar y reescribir. Un correo a un proveedor, una política interna, una respuesta a una queja, con el tono que le pidas.
• Resumir. Cuarenta páginas de un reglamento en una página de puntos clave, o una cadena de treinta correos en tres líneas.
• Extraer datos. De una factura en PDF a una tabla con fecha, NIT, valor e IVA. De una conversación de WhatsApp a una lista de pedidos.
• Clasificar. Separar quinientas reseñas en positivas, negativas y quejas por tema. Marcar qué correos son urgentes.
• Traducir. Español, inglés y decenas de idiomas más, con sensibilidad al registro (formal, cercano, técnico).
• Pensar contigo. Hacer de abogado del diablo, listar escenarios, preguntar lo que no pensaste, proponer veinte nombres para un producto.
• Escribir y explicar código. Esto es lo que abre la puerta a las partes 3 y 4 del curso.

Lo que hace mal, o no debe hacer solo

• Aritmética exacta sin herramientas. Sumar una columna de cien cifras "de cabeza" es justo el tipo de tarea donde un texto plausible no es un resultado correcto. Con una herramienta de cálculo (ejecutar código) el panorama cambia por completo.
• Hechos recientes sin búsqueda. Todo lo posterior a su fecha de corte, o lo que cambió esta semana: precios, normas, quién es el gerente de tal empresa.
• Decisiones con consecuencias. Despedir a alguien, aprobar un crédito, responder a un requerimiento de la DIAN. Puede preparar el análisis; la decisión y la firma son tuyas.
• Cualquier cosa que exija responsabilidad. La IA no responde ante un cliente, un juez ni la Superintendencia. Si algo sale mal, el responsable es quien lo envió.
• Saber lo que no le contaste. No conoce tu margen, tu cliente difícil ni la excepción que haces los viernes. Ese es el tema del módulo 2.

Buena parte de la segunda lista se arregla con herramientas: búsqueda web para hechos recientes, ejecución de código para cálculos, conectores para que lea tu correo o tu calendario en vez de adivinar. Cuando el modelo puede usar herramientas y decidir cuándo usarlas, empieza a llamarse agente. La parte 2 del curso muestra cómo aprovecharlas sin programar, y la parte 4 explica cómo funcionan los agentes por dentro. Las dos últimas limitaciones (consecuencias y responsabilidad) no se arreglan con herramientas; se arreglan con un proceso donde una persona revisa.

¿Cómo debo pensar en la IA para sacarle provecho?

Este es el modelo mental de todo el curso: la IA es un empleado nuevo, brillante, que leyó media biblioteca y no sabe nada de tu negocio. Escribe mejor que la mayoría, conoce de derecho, contabilidad y marketing, trabaja a cualquier hora y no se cansa. Pero llegó hoy. No sabe cómo se llaman tus productos, qué le prometiste al cliente del lunes, qué tono usas con los proveedores ni por qué la factura del edificio se paga distinto.

A un empleado así no le dirías "escríbeme la propuesta" y te irías. Le explicarías el cliente, le mostrarías una propuesta anterior que te gustó, le dirías qué no prometer y revisarías el borrador antes de enviarlo. Con la IA es exactamente igual: la calidad de lo que sale depende casi por completo de lo que entra. Casi todas las decepciones con la IA son, en realidad, instrucciones de una línea a alguien que no tenía forma de saber lo que tú sabes.

Tengo un negocio de [QUÉ HACE TU NEGOCIO] en [CIUDAD], con [NÚMERO] personas. Mis tareas más repetitivas son [DOS O TRES TAREAS].

Explícame qué es [CONCEPTO: por ejemplo, "un token", "la ventana de contexto", "una alucinación", "un agente"] usando mi negocio como ejemplo, en máximo 150 palabras y sin tecnicismos.

Después dame un ejemplo concreto de cómo ese concepto me afecta en una de las tareas que te mencioné, y una pregunta que debería hacerme al respecto.

¿Qué es el marco 4D de fluidez en IA?

Para no quedarnos en "dale buen contexto", el curso sigue el marco de fluidez en IA que Anthropic publica con los profesores Rick Dakan (Ringling College) y Joseph Feller (University College Cork). Define la fluidez como interactuar con sistemas de IA de forma efectiva, eficiente, ética y segura, y la descompone en cuatro habilidades, las "4D":

1. 1Delegación. Definir metas y decidir si, cuándo y cómo involucrar a la IA. Qué tareas le pasas, cuáles te quedas y cuáles compartes.
2. 2Descripción. Describir bien lo que quieres para obtener comportamientos y resultados útiles. Es lo que la gente llama "prompting", pero es más amplio: contexto, formato, criterios de éxito.
3. 3Discernimiento. Evaluar con precisión qué tan útil es lo que la IA produjo y cómo lo produjo. Leer con ojo crítico, detectar inventos, saber cuándo el borrador está listo.
4. 4Diligencia. Asumir la responsabilidad por lo que haces con IA y por cómo lo haces: datos, transparencia con clientes y equipo, quién firma.

Las dos primeras ocurren antes y durante la tarea; las dos últimas, durante y después. Vas a verlas en todo el curso: Descripción y Discernimiento son el corazón de la parte 1; Delegación, el de la parte 2, donde decides qué tareas y procesos le pasas a la IA; y Diligencia lo atraviesa todo, con más peso en las partes 3 y 4, cuando construyes sistemas que actúan por ti. El curso original de Anthropic es gratuito y lo encuentras enlazado en las fuentes de este módulo; este curso no lo reemplaza, lo aterriza a un negocio colombiano.

Soy [TU ROL] en un negocio de [QUÉ HACE] en [CIUDAD]. Te voy a listar las tareas en las que se me va la semana. Para cada una, clasifícala en una de cuatro categorías y explica en una línea por qué:

A. La IA puede hacer un primer borrador y yo reviso (texto, resúmenes, extracción de datos, clasificación).
B. La IA me ayuda a pensar pero la decisión es mía (análisis, opciones, riesgos).
C. Necesita una herramienta aparte (buscar en la web, calcular, leer mi correo) o datos que todavía no tengo organizados.
D. No se delega: requiere mi criterio, mi firma o manejar datos sensibles de otras personas.

Mis tareas:
[LISTA DE 8 A 15 TAREAS, UNA POR LÍNEA, CON CUÁNTO TIEMPO TE TOMAN]

Al final, dime las tres de la categoría A por las que empezarías esta semana y qué información mía necesitarías para hacerlas bien.

¿Cómo funciona este curso?

Son cuatro partes. La parte 1 es para cualquier persona que use IA en el trabajo: contexto, herramientas, instrucciones y privacidad. La parte 2 la lleva a tu trabajo diario sin escribir código: proyectos, conectores, automatizaciones, verificación y cómo llevarla a tu equipo. Las partes 3 y 4 son para quienes quieren construir, con Claude Code y lo que se conoce como ingeniería agéntica; están escritas para que cualquiera pueda leerlas, aunque no vaya a programar, porque entender cómo se construye ayuda a decidir qué encargar y a quién.

Cada módulo tiene definiciones para recordar, un caso real de cómo lo usamos en 77Rentals, prompts que puedes copiar, un ejercicio de unos 15 minutos, una lista de verificación y un quiz. El siguiente módulo se llama "El contexto lo es todo", y es donde dejas de escribir instrucciones de una línea.