En mi experiencia, estos primeros años de la revolución de la IA generativa han sido fascinantes, pero también llenos de malentendidos, partiendo desde la nomenclatura. Por ejemplo, creo que, en el caso de los chatbots como ChatGPT, sería más preciso llamarla IA “procesativa” (concepto que, si fuera reconocido por la RAE, como “generativa”, significaría “que tiene la virtud de procesar”).
Consideré también el término “analítica”, pero esta palabra podría inducir a error, tal como ocurre con los términos “inteligencia” y “razonamiento” que se asignan a los chatbots más avanzados, cuando sabemos que ni son verdaderamente inteligentes ni razonan como lo hacemos los humanos. Aunque es importante reconocer que estos sistemas sí realizan operaciones que se asemejan funcionalmente al razonamiento, mediante la identificación de patrones y aplicación de reglas estadísticas aprendidas durante su entrenamiento.
Al igual que la mayoría, cuando comencé a trabajar con estos sistemas, caí en la trampa común de tratarlos como repositorios de conocimiento infinito. Les hacía preguntas esperando respuestas precisas extraídas de su vasto entrenamiento. Los resultados eran mixtos: a veces brillantes, a veces completamente erróneos. Desde entonces comprendí que estaba enfocando mal su utilidad y su naturaleza.
Entender que la IA actual es “procesativa” implica reconocer sus verdaderas fortalezas y limitaciones. A pesar de sus constantes mejoras, no debemos -todavía- utilizarla como una enciclopedia, enviándola directamente a hurgar en sus miles de millones de parámetros para recuperar datos de su entrenamiento.
Este enfoque es precisamente lo que lleva a las famosas “alucinaciones”, porque el modelo completa patrones estadísticos de texto según su entrenamiento, generando información que parece plausible, pero que no está verificada con fuentes confiables o no corresponde a hechos reales. Incluso recuperando información desde búsquedas por internet ChatGPT sigue cometiendo errores.
La IA generativa como herramienta de procesamiento y análisis
El verdadero poder de estos sistemas emerge cuando les proporcionamos documentos de referencia específicos de los cuales extraer información, junto con instrucciones detalladas sobre cómo procesarla. En este escenario, la IA no está intentando “recordar” y cruzar datos de su entrenamiento, sino que está aplicando su capacidad para reconocer patrones e identificar información relevante en los documentos que le hemos proporcionado.
Esta metodología optimiza por completo la relación con la IA. Ya no es una caja negra de conocimiento incierto, sino una herramienta de procesamiento extremadamente potente. Es como la diferencia entre pedirle a alguien que recuerde algo de memoria versus darle un libro y pedirle que encuentre y sintetice información específica. La segunda opción siempre será más fiable.
En mi experiencia, diría que cuando proporciono documentos de referencia claros e instrucciones precisas, los resultados son satisfactorios en el 99% de los casos. Las alucinaciones prácticamente desaparecen porque la IA está utilizando su “cerebro” solo para lo que hace mejor: asociar patrones, identificar información en documentos proporcionados y expresarse coherentemente.
Por eso los chatbots como ChatGPT son tan buenos para hacer traducciones, porque para traducir no están recurriendo a sus miles de millones de parámetros para “crear” algo, sino solo para reformular y expresar.
Esta perspectiva también nos ayuda a desinflar las expectativas exageradas sobre la IA actual. No estamos ante entidades conscientes o genuinamente inteligentes, sino ante sistemas de procesamiento de patrones increíblemente sofisticados. Reconocer esto no disminuye su valor; por el contrario, nos permite aprovechar al máximo su verdadero potencial.
Mirando hacia el futuro, creo que esta distinción entre IA “generativa” y “procesativa” será crucial para seguir avanzando en el campo. Aunque es una propuesta personal, no algo ampliamente reconocido en la literatura técnica, estoy seguro de que muchos profesionales del sector comparten esta visión.
A medida que refinemos nuestros métodos para proporcionar contexto e instrucciones a estos sistemas, su utilidad continuará creciendo exponencialmente. No como oráculos de conocimiento universal, sino como procesadores de información sin precedentes que amplían nuestras propias capacidades cognitivas, siempre trabajando con los datos que nosotros les proporcionamos y las directrices que establecemos.
