🤖 ¿Qué es la Inteligencia Artificial?
Antes de empezar a usar IA en nuestras aplicaciones, hay algo fundamental: entender de qué estamos hablando realmente cuando decimos “IA”.
Porque hoy en día la Inteligencia Artificial está en todas partes, pero no siempre se explica bien qué hay debajo del capó. En esta primera clase vamos a sentar las bases para que dejes de usar IA como una caja negra y empieces a usarla con criterio.
🧠 Cuando hoy decimos IA, en realidad decimos LLM
Actualmente, cuando hablamos de Inteligencia Artificial en desarrollo de software, casi siempre estamos hablando de LLM.
Los LLM (Large Language Models) son modelos de lenguaje de gran tamaño entrenados para trabajar con texto, código e instrucciones.
Modelos como GPT, Claude, DeepSeek, GLM o LLaMA entran en esta categoría.
Aunque los llamemos “inteligentes”, es importante tener clara una cosa desde el principio:
Los LLM no piensan ni entienden como un humano. Simulan ese comportamiento calculando probabilidades.
🔢 Cómo funciona realmente un LLM
Un LLM puede entenderse como una función gigantesca:
- Le pasas un contexto
- Devuelve el siguiente token más probable
Y repite este proceso token a token hasta construir una respuesta completa.
Es una simplificación, pero es clave entenderlo así: no hay pensamiento, hay predicción estadística extremadamente bien afinada.
Eso sí, lo hacen tan bien que el resultado parece inteligente. Y ahí está la magia… y también el riesgo de malinterpretarlo.
🏗️ Las 3 fases de entrenamiento de un modelo
Todos los grandes modelos de lenguaje pasan, de forma simplificada, por tres fases fundamentales.
1. Preentrenamiento
Es la fase más costosa y pesada.
Aquí el modelo se entrena con cantidades masivas de datos:
- Texto de internet
- Libros
- Wikipedia
- Documentación
- Código (GitHub, por ejemplo)
El objetivo es aprender:
- Patrones del lenguaje
- Gramática
- Estructura
- Código
- Razonamiento básico
Todo a base de predecir la siguiente palabra millones y millones de veces.
Aquí es donde literalmente arden las GPUs.
2. Fine-tuning (ajuste fino)
Después del preentrenamiento, el modelo sabe mucho… pero no sabe conversar bien.
En esta fase se ajusta el modelo para:
- Seguir instrucciones
- Mantener conversaciones coherentes
- Responder en formato pregunta-respuesta
- Actuar como un asistente útil
Aquí es donde el modelo empieza a parecer “usable” para humanos.
3. Aprendizaje por refuerzo con feedback
La última fase consiste en refinar el comportamiento del modelo.
Tradicionalmente se hace con feedback humano, aunque cada vez más se usan otros modelos de IA dentro de este proceso.
El objetivo es:
- Mejorar la utilidad de las respuestas
- Evitar contenido dañino
- Ajustar tono y estructura
- Comparar respuestas y elegir las mejores
Esta fase no hace al modelo más sabio, pero sí más educado y más útil.
🎛️ Qué son los parámetros y por qué importan
Seguro que has visto modelos descritos como:
- 7B
- 20B
- 30B
- 120B
Ese número indica la cantidad de parámetros del modelo.
Una forma intuitiva de verlo:
- Un modelo es como una máquina llena de diales
- Cada dial es un parámetro
- Durante el entrenamiento, esos diales se ajustan millones de veces
Cuantos más parámetros:
- Más capacidad tiene el modelo
- Más caro es entrenarlo
- Más recursos necesita para ejecutarse
Pero más grande no siempre significa mejor: modelos más pequeños pueden ser más rápidos, más baratos y sorprendentemente efectivos dependiendo del caso de uso.
⚠️ Ideas clave para no caer en trampas mentales
Antes de seguir con el módulo, quédate con estas ideas:
- Los LLM no razonan como humanos
- Funcionan por probabilidad, no por conocimiento real
- No “saben” si algo es verdad, solo si es probable
- El contexto lo es todo
- Entender cómo funcionan te hace mejor desarrollador, no peor usuario
🚀 A partir de aquí, sí: a programar
Esta base teórica es imprescindible para todo lo que viene después:
- Integrar IA en aplicaciones reales
- Usar APIs de modelos de lenguaje
- Diseñar prompts con sentido
- Optimizar costes y rendimiento
- Evitar errores conceptuales muy comunes
En la siguiente clase empezaremos a usar IA de verdad, pero ahora ya sabes qué estás usando y por qué funciona como funciona.
💡 Tip: Si alguna vez dudas de una respuesta de la IA, recuerda esto: no te está diciendo lo que sabe, te está diciendo lo que parece más probable.