¿Hay alguien dentro? Introducción a la inteligencia artificial para todos
En 1770 una máquina ganaba al ajedrez con un hombre dentro. De dónde viene la IA, cómo aprende y por qué se equivoca, sin tecnicismos.

Viena, 1770. En el palacio de Schönbrunn, delante de la emperatriz María Teresa, un funcionario de la corte llamado Wolfgang von Kempelen abre las puertas de un armario de madera. Dentro se ven ruedas, engranajes, palancas. Sentado detrás del armario hay un muñeco de tamaño natural vestido de turco, con turbante y una pipa larga en la mano, mirando un tablero de ajedrez. Kempelen cierra las puertas, da cuerda al mecanismo con una llave y el muñeco empieza a mover las piezas.
Y gana.
Ganará durante décadas, con distintos dueños, por media Europa y por América. Según las crónicas, se sentaron frente a él Napoleón y Benjamin Franklin. Y todo ese tiempo había un hombre dentro: un buen jugador de ajedrez, metido en un asiento corredizo que lo escondía cuando se abrían las puertas, que seguía las jugadas gracias a unos imanes bajo el tablero y movía el brazo del muñeco con un sistema de palancas.
Lo asombroso del Turco no es el truco. Es la cantidad de gente que prefirió creérselo.
Más de doscientos cincuenta años después le escribes una pregunta a ChatGPT, te contesta en un español impecable, y la duda es la misma que en Schönbrunn: ¿hay alguien ahí dentro? Este artículo es la respuesta larga. La corta, para que no te quedes con la intriga: no hay ningún señor escondido. Hay muchísimos más.
Está escrito para dos personas. Para la que asiente cuando le dicen «pregúntaselo a la IA» como quien controla, aunque por dentro no tenga ni idea de qué hay detrás. Y para la que, en cada familia, programaba el vídeo, arregla la impresora y recibe de su tía un audio de WhatsApp de cuatro minutos pidiendo socorro con el portátil. La primera saldrá de aquí entendiendo. La segunda, sabiendo explicarlo.
Casi tres mil años intentando fabricar a alguien
Desde finales de 2022 parece que la inteligencia artificial es ChatGPT. Lo es y no lo es. ChatGPT es la herramienta que la hizo popular de la noche a la mañana, y la que convirtió a los cuñados del mundo en expertos en algo que no entendían, pero que creían entender. La idea de fabricar una mente, en cambio, es tan antigua como los mitos. Te cuento cómo llegamos hasta aquí. La cronología es mía, y como toda cronología es arbitraria: otros elegirían otros momentos.
- Siglo VIII a. C.
Las sirvientas de Hefesto
En la Ilíada, Homero cuenta que Hefesto, el dios herrero, se había fabricado sirvientas de oro que se movían y hablaban solas. La idea es más vieja que la técnica.
- Siglo IV a. C.
El silogismo
Aristóteles describe el silogismo, que siglos después los manuales resumirían así: «Todos los hombres son mortales; Sócrates es hombre; luego Sócrates es mortal». Por primera vez, que un razonamiento valga depende de su forma, no de lo que diga.
- Siglo I
Los teatros de Herón
Herón de Alejandría describe en su tratado Autómata teatros mecánicos movidos por pesos, cuerdas y arena que cae: los movimientos quedan escritos antes de que ocurran, una forma muy antigua de programar.
Los ingenios de Al-Jazari
El ingeniero Al-Jazari termina su Libro del conocimiento de ingeniosos dispositivos mecánicos, con cincuenta máquinas; entre ellas, una barca con cuatro músicos autómatas que amenizaba las fiestas de palacio.
- Hacia 1305
Las ruedas de Llull
El mallorquín Ramon Llull diseña unas ruedas concéntricas con conceptos escritos que, al girar, combinan ideas: un intento de mecanizar el razonamiento.
- 1673-1694
La calculadora de Leibniz
Leibniz construye una calculadora mecánica y sueña con un lenguaje en el que las discusiones se resuelvan haciendo cuentas. Su lema: Calculemus!, «¡calculemos!».
- 1738-1739
El pato de Vaucanson
Jacques de Vaucanson presenta en París un flautista que toca doce melodías y, al año siguiente, su pato: bate las alas, come grano, lo «digiere» y lo expulsa. La digestión era un truco: lo que salía por detrás ya estaba preparado dentro.
- 1768-1774
«El escritor»
Pierre Jaquet-Droz construye «El escritor», un niño autómata que moja la pluma y escribe cualquier texto de hasta cuarenta caracteres, elegido en una rueda: una máquina que se puede programar. Todavía funciona, en Neuchâtel (Suiza).
El Turco
El Turco de Kempelen, con su jugador escondido. Más de dos siglos después, Amazon llamó Mechanical Turk a un servicio en el que personas hacen, por encargo, tareas que parecen hechas por una máquina. El chiste no era casual. Guárdatelo, que vuelve.
El primer programa
Ada Lovelace publica sus notas sobre la máquina analítica de Babbage, con lo que hoy se considera el primer programa, y una advertencia: la máquina «no tiene ninguna pretensión de originar nada». Turing la llamará «la objeción de Lady Lovelace».
Las leyes del pensamiento
George Boole demuestra en Las leyes del pensamiento que el razonamiento se puede escribir como álgebra, con verdadero y falso en lugar de números.
- 1888-1906
Las neuronas de Cajal
Santiago Ramón y Cajal, mirando por el microscopio y dibujando lo que veía, demuestra que el cerebro es un conjunto de células independientes que se comunican: las neuronas. Nobel de Medicina en 1906.
Lógica con cables
Claude Shannon prueba en su tesis de máster que los circuitos con interruptores pueden hacer ese álgebra. La lógica ya se puede construir con cables.
La neurona como interruptor
Warren McCulloch y Walter Pitts describen una neurona como un interruptor lógico que se activa o no según lo que recibe: el cerebro, visto como una máquina de Boole.
- 1946-1953
Las conferencias Macy
Las conferencias Macy sientan en Nueva York a matemáticos, neurólogos, antropólogos y psicólogos a hablar de lo mismo con palabras distintas.
Cibernética
Norbert Wiener publica Cibernética, con una idea central, la realimentación: un sistema que mide lo que hace y se corrige, como un termostato o como tu mano cuando busca un vaso.
- 1948-1949
Las tortugas de Grey Walter
William Grey Walter construye en Bristol dos tortugas robot, Elmer y Elsie, que buscan la luz, esquivan obstáculos y vuelven solas a cargarse. Con casi nada, parecen tener voluntad.
La regla de Hebb
Donald Hebb propone una regla sencilla: cuando dos neuronas se activan a la vez, la conexión entre ellas se refuerza. Es la versión precisa, neurona a neurona, de una vieja idea sobre cómo aprende un cerebro, y la que heredarán las redes neuronales.
El test de Turing
Alan Turing publica «Computing Machinery and Intelligence». En vez de discutir si una máquina «piensa», propone un juego: si por escrito no la distingues de una persona, ¿qué más da? Es el test de Turing, la pregunta de Schönbrunn hecha método. Y sugiere no programar una mente adulta, sino una «máquina niño» que se pueda educar.
Dartmouth pone nombre a la IA
Un grupo de investigadores se reúne en el Dartmouth College para fundar una disciplina, artificial intelligence, nombre que John McCarthy había propuesto el año anterior en la convocatoria. Allí Newell y Simon enseñan el Logic Theorist, escrito con Cliff Shaw: un programa que demuestra teoremas por sí solo.
- 1957-1958
El perceptrón
Frank Rosenblatt simula en un IBM 704 el perceptrón, la primera neurona artificial que aprende de ejemplos. The New York Times cuenta que la Marina espera de él «el embrión de un ordenador capaz de andar, hablar, ver, escribir, reproducirse y ser consciente de su existencia».
Una máquina que aprende a jugar
Arthur Samuel publica un programa que aprende a jugar a las damas jugando contra sí mismo. El título de su artículo populariza la expresión machine learning, «aprendizaje automático».
Las redes, en duda
Minsky y Papert demuestran en Perceptrons que esas redes de una sola capa no pueden aprender cosas muy básicas. El dinero para las redes neuronales se va a otra parte.
- 1974-1980
El primer invierno
El informe Lighthill (Reino Unido, 1973) y los recortes en Estados Unidos dejan a toda la IA sin dinero: llega el primer «invierno de la IA».
La retropropagación
Rumelhart, Hinton y Williams popularizan la retropropagación, una forma de corregir redes de muchas capas repartiendo cada error entre las conexiones que lo causaron. Es el deshielo.
AlexNet
AlexNet gana por goleada un concurso de reconocimiento de imágenes con muchas capas, más de un millón de fotos y tarjetas gráficas de videojuegos haciendo las cuentas. Se impone un nombre: deep learning, aprendizaje profundo.
El transformer
Un equipo de Google presenta el transformer, una forma de que la máquina aprenda qué palabras importan para entender cada una de las demás. Es la T de GPT.
ChatGPT
OpenAI abre ChatGPT al público. No cambia la técnica, que ya existía: cambia que cualquiera puede hablar con ella desde el navegador.
El Nobel de las redes neuronales
La Real Academia Sueca de Ciencias da el Nobel de Física a John Hopfield y Geoffrey Hinton por hacer posible el aprendizaje automático con redes neuronales. Más de ochenta años después de McCulloch y Pitts.
En esa línea se cruzan cuatro intentos: imitar el cuerpo, imitar el razonamiento, imitar el cerebro y, por fin, dejar que la máquina aprenda sola. Los autómatas dejaron máquinas que parecían vivas y, sobre todo, gente dispuesta a creer que lo estaban. La lógica dejó la convicción de que pensar es seguir reglas y que bastaría con escribirlas todas: funcionó para el ajedrez, no para reconocer un gato. Y la neurociencia dejó las dos piezas que hay dentro de ChatGPT: la neurona como ladrillo y el aprendizaje como ajuste de conexiones.
Lo que hoy llamamos IA es, casi siempre, el cuarto intento: máquinas que aprenden de ejemplos. Así que abramos el armario.
Qué hay dentro del armario
Inteligencia artificial es un nombre enorme para algo que hoy, en la práctica, casi siempre significa lo mismo: programas que, en vez de seguir instrucciones escritas por una persona, han aprendido de ejemplos. Eso es el aprendizaje automático.
Haz la prueba. Intenta explicarle a alguien, paso a paso y sin fallos, cómo se reconoce un gato en una foto. ¿Orejas en punta? Hay gatos con las orejas caídas. ¿Bigotes? Los perros también tienen. Nadie sabe escribir esas instrucciones. Así que se hace al revés: se le enseñan a la máquina millones de fotos, unas con gato y otras sin él, y se la deja ajustar sus propias tripas hasta que acierta.
Esas tripas son una red neuronal: muchísimos interruptores conectados entre sí que imitan, muy de lejos, a las neuronas de Cajal. Lo que se ajusta es la fuerza de cada conexión, y a esos ajustes se les llama pesos o parámetros. Los modelos más grandes tienen billones: millones de millones. Son los engranajes del armario, solo que no los ha colocado nadie a mano.
El modelo, una receta que nadie sabe leer
Cuando el entrenamiento termina, lo que queda se llama modelo. Piensa en una receta que la máquina ha escrito sola después de probar millones de platos: funciona, pero nadie, ni quienes la entrenaron, puede leerla línea a línea. Una empresa entrena el modelo una vez, durante meses y gastando una fortuna en electricidad, y luego se usa millones de veces al día.
Si el modelo se ha entrenado con texto (libros, periódicos, webs, foros, código) y es muy grande, se le llama LLM, del inglés large language model: modelo de lenguaje de gran tamaño. ChatGPT, Claude y Gemini son LLM con una ventana de chat delante.
Una máquina de adivinar lo que viene después
Lo que un LLM ha aprendido a hacer es una sola cosa: dado un texto, adivinar qué viene después. Como el teclado de tu móvil, que cuando escribes «buenos» te propone «días», pero habiendo leído una biblioteca entera y mirando toda la conversación, no solo la última palabra. Adivina un trozo, lo añade y vuelve a adivinar. Así, trozo a trozo, sale un párrafo.
Fíjate en que digo «trozo». El modelo no lee palabras: lee tokens, pedazos de texto que a veces son una palabra entera, a veces media y a veces un signo de puntuación. «Hola» suele ser un token; «inteligencia» pueden ser dos o tres. En inglés, un token viene a ser unas tres cuartas partes de una palabra; en español, algo menos, porque estos sistemas se entrenaron sobre todo con textos en inglés y trocean peor los demás idiomas.
Parece una curiosidad de ingeniero, pero explica tres cosas que vas a notar. Que las empresas cobran por tokens, no por frases. Que cada modelo puede tener en la cabeza un número limitado de tokens a la vez, y por eso en las conversaciones muy largas se le olvida el principio. Y que a una máquina que escribe tan bien le cuesta contar las letras de una palabra o escribirla al revés.
No ve las letras. Ve los trozos.
Y entonces, ¿quién hay dentro?
Ahora sí puedo contestar a la pregunta de Schönbrunn. Dentro del modelo no hay nadie sentado. Pero lo que ha aprendido, lo ha aprendido de todo lo que hemos escrito las personas: millones de libros, artículos, foros, recetas y discusiones. Y antes de abrirlo al público, OpenAI recurrió a personas que escribieron conversaciones de ejemplo y puntuaron qué respuestas eran mejores, para enseñarle modales. Cuando ChatGPT te contesta, no te habla un señor escondido. Te habla un promedio de muchísima gente.
Eso explica lo bueno y, como vamos a ver, también lo malo.
La carrera de los últimos años
No hace falta memorizar nombres. Basta con ver el ritmo:
El primer experimento: un transformer entrenado solo para adivinar la palabra siguiente aprende algo de lenguaje por el camino.
OpenAI
No es un chat: es un modelo para entender texto, que Google publica en abierto y al año siguiente mete en su buscador.
Google
Escribía textos tan creíbles que OpenAI tardó meses en publicarlo entero, por miedo a las noticias falsas.
OpenAI
Más de cien veces más grande que el anterior: con un par de ejemplos aprende tareas nuevas. Solo con el tamaño.
OpenAI
GPT-3.5 con una ventana de chat y modales. En cinco días tiene un millón de usuarios: es el día en que todo esto llega a tu familia.
OpenAI
Meta lo comparte con investigadores, sus pesos acaban circulando por internet y despega la IA abierta.
Meta
Entiende imágenes y, en una simulación, aprueba el examen de acceso a la abogacía de Estados Unidos.
OpenAI
El mismo día nace el asistente de Anthropic, una empresa fundada para hacer la IA más segura.
Anthropic
Su memoria llega a cien mil tokens, unas 75 000 palabras: por primera vez se le puede pegar un libro entero y preguntarle por él.
Anthropic
Gratis incluso para uso comercial: cualquier empresa puede montar su propio asistente sin pagar licencias.
Meta
Nace entendiendo a la vez texto, imagen, audio y vídeo. En febrero de 2024, Bard, el chat de Google, pasa a llamarse igual.
Google
Europa entra en la carrera: una empresa francesa publica en abierto un modelo que reparte el trabajo entre «expertos» internos.
Mistral AI
Tres tamaños, del rápido y barato al potente, para que cada uno pague solo lo que necesita.
Anthropic
El modelo abierto más capaz de su momento, y la base del asistente de Meta en WhatsApp e Instagram.
Meta
Ve, oye y habla en tiempo real, con una voz que se deja interrumpir y se ríe.
OpenAI
Más listo que el Claude más caro, al doble de velocidad y por la quinta parte del precio. Se vuelve el favorito para programar.
Anthropic
El primer modelo que «razona» antes de contestar, y que mejora mucho en matemáticas y ciencia.
OpenAI
Una empresa china poco conocida iguala a o1 con mucho menos dinero y lo publica gratis. Una semana después, Nvidia pierde en bolsa cerca de 600 000 millones de dólares en un día.
DeepSeek
Tú eliges si contesta al momento o se lo piensa. Con él llega Claude Code, para programar desde el terminal.
Anthropic
El modelo más grande de OpenAI hasta entonces, más natural al conversar, pero caro: enseña los límites de solo crecer.
OpenAI
Google se pone en cabeza con un modelo que razona antes de contestar y lee documentos larguísimos.
Google
Los primeros Llama diseñados desde el principio para texto e imagen. Reciben críticas y serán el último gran Llama.
Meta
La familia abierta china más descargada, en muchos tamaños, del móvil al servidor.
Alibaba
Capaz de trabajar solo durante horas en tareas largas de programación: el paso del chat al agente.
Anthropic
La empresa de Elon Musk entra en la élite, con búsqueda en tiempo real y una versión de 300 dólares al mes.
xAI
Un billón de parámetros, abierto y gratuito, pensado para usar herramientas y actuar por su cuenta.
Moonshot AI
Un solo sistema que decide por ti si contesta rápido o se para a pensar, y disponible incluso gratis.
OpenAI
Es el primer Gemini que llega al buscador de Google el mismo día de su estreno.
Google
La gran apuesta europea abierta: un modelo enorme, gratuito y con licencia libre, que también ve imágenes.
Mistral AI
Tan bueno encontrando fallos de seguridad que no se publica: solo lo usan las empresas que protegen software crítico.
Anthropic
Meta abandona Llama y estrena un modelo cerrado, el primero de su laboratorio de «superinteligencia».
Meta
Otra vez abierto y barato, y ahora lee de una vez un millón de tokens, unas 750 000 palabras.
DeepSeek
La potencia de Mythos llega al público como Fable, con filtros de seguridad; Mythos 5, el mismo modelo con filtros más laxos en ciberseguridad, queda para profesionales verificados.
Anthropic
Casi tan capaz como los modelos caros, más barato, y el que usan por defecto quienes no pagan.
Anthropic
El modelo abierto más grande publicado hasta hoy, 2,8 billones de parámetros, cerca de los mejores modelos cerrados.
Moonshot AI
Se acerca a Fable 5 a la mitad de precio: lo más avanzado se abarata en semanas.
Anthropic
Mejoras en ciencia y programación, y hasta un 45 % más barato en las tareas largas.
Anthropic
El salto de generación de OpenAI: puede manejar un ordenador por ti y es puntero en ciberseguridad y ciencia.
OpenAI
Rinde como Fable 5.1 y cuesta un 40 % menos que Opus 5.
Anthropic
La nueva generación de Google, a la altura de Astra y Opus; de momento, solo para expertos en ciberseguridad.
Google
Entre el primer ChatGPT y el primer modelo que razona pasan menos de dos años. Y cuando una empresa estrena una idea, las demás la tienen a los pocos meses. Por eso cualquier «el mejor es X» caduca antes de que termines la frase.
Quién fabrica esto y por qué son tan pocos
Entrenar uno de los modelos más grandes cuesta decenas o cientos de millones en ordenadores y electricidad, así que los que importan salen de un puñado de empresas. Conviene distinguir a la empresa de su producto:
- OpenAI hace los modelos GPT; ChatGPT es la aplicación para hablar con ellos. Microsoft, que ha invertido mucho dinero en la empresa, los usa en su Copilot.
- Anthropic hace Claude.
- Google DeepMind hace Gemini, que ya va dentro del buscador y de Android.
- Meta, la de Facebook, Instagram y WhatsApp, hizo Llama y ahora hace Muse.
- Fuera de Estados Unidos, la francesa Mistral y la china DeepSeek han demostrado que se puede competir con menos dinero.
Si alguien en una cena dice «la IA de Facebook», habla de Meta AI; si dice «el ChatGPT de Google», de Gemini. No lo corrijas en voz alta. Sonríe.
La mayoría de estos modelos son cerrados: el armario no se abre, solo se usa a través del servicio de su dueño. Pero algunos son de pesos abiertos: sus parámetros —la receta— se publican para que cualquiera los descargue y los haga funcionar en su propio ordenador, sin pedir permiso y sin que sus datos salgan de casa. Llama, DeepSeek, Qwen, Kimi y buena parte de los modelos de Mistral lo son; los GPT de ChatGPT, Claude y Gemini, no, aunque OpenAI y Google también publican algunos modelos abiertos más pequeños (gpt-oss y Gemma). Se comparten en Hugging Face, que viene a ser la biblioteca pública de los modelos. Dos matices: «abierto» casi nunca incluye los textos con los que se entrenó, y para mover uno de los grandes hace falta un ordenador que no es el de tu sobrino.
Ojos, oídos y tiempo para pensar
Hasta hace poco, todo esto era texto. Ya no. Los modelos actuales son multimodales: entienden imágenes, audio y, cada vez más, vídeo. Le haces una foto a la factura de la luz y le preguntas qué es ese cargo; le enseñas la planta del balcón para que te diga qué le pasa. Por dentro es lo mismo, porque la imagen también se corta en trozos y se trata como tokens. Para quien la usa, cambia todo.
El otro cambio son los modelos de razonamiento. Un LLM normal contesta del tirón, como quien dice lo primero que se le ocurre. Uno de razonamiento, antes de responder, escribe un borrador para sí mismo: descompone el problema, prueba un camino, ve que no cuadra, prueba otro. Tarda más y gasta más tokens, pero en matemáticas, lógica, programación o cualquier cosa con varios pasos se equivoca mucho menos. Ojo con la palabra «piensa»: sigue adivinando tokens, solo que primero los del borrador y después los de la respuesta. Una simplificación, pero honesta: el truco funciona.
Por qué se equivoca con tanto aplomo
Ya puedes entender la frase entera: un LLM produce el texto más probable, no el más verdadero. Nadie le ha enseñado qué es la verdad; le han enseñado cómo suele continuar un texto. Casi siempre, lo probable y lo cierto coinciden. Casi.
Cuando no coinciden, el modelo no se calla ni dice «no lo sé»: escribe algo que suena perfecto y es falso. Se llama alucinación: un libro que no existe, con su autor y su año; una sentencia judicial inventada; una cita que nadie dijo. Y lo dice con la misma seguridad que lo cierto, porque para él no hay diferencia. Ambas cosas eran probables.
Pasa más donde menos texto había para aprender: con cifras y fechas exactas, con nombres propios, con lo muy reciente (el modelo aprendió hasta una fecha y no sabe lo que vino después, salvo que la aplicación busque en internet por él) y con lo muy local. Pregúntale, sin dejarle buscar en internet, por la final del Falla de un año concreto, y comprueba lo que te dice.
Y luego están los sesgos, que no son un fallo de la máquina, sino un espejo. ¿Recuerdas quién hay dentro? Todos nosotros. El modelo aprende lo que hemos escrito durante siglos y también lo que dábamos por supuesto sin darnos cuenta. Si en los textos las enfermeras son casi siempre «ellas» y los ingenieros «ellos», el modelo tenderá a repetirlo. No tiene prejuicios propios: tiene los nuestros, y a veces aumentados.
Nada de esto lo hace inútil. Lo hace lo que es: un ayudante que ha leído más que nadie, que escribe mejor que casi todos, que nunca se cansa y que, de vez en cuando, suelta una barbaridad con total aplomo. Trátalo así. Lo que te importe, compruébalo en otra fuente. Y pregúntale por algo que conozcas muy bien, tu barrio o tu oficio, y cuenta los fallos: es la mejor manera de saber cuánto fiarte de él en lo que no conoces.
Lo que le cuentas también entra en el armario
Cuando escribes algo en un chatbot, no se queda en tu móvil: viaja a los ordenadores de una empresa, casi siempre en otro país. Lo que haga con ello depende de cada servicio y de sus condiciones, que cambian cada pocos meses. En los servicios gratuitos y de pago más conocidos, salvo que lo desactives, tus conversaciones pueden acabar entre los textos con los que se entrena el modelo siguiente. Es decir: dentro del armario.
Los modelos de pesos abiertos, funcionando en un ordenador propio, son la excepción, pero no es lo que usa casi nadie. Así que vale una regla sencilla: si no lo dirías en voz alta en el autobús, no lo escribas. La Agencia Española de Protección de Datos recomienda lo mismo en su decálogo «Cuidado con lo que le confIAs». En concreto, mejor no contarle:
- Contraseñas ni claves del banco.
- Datos médicos tuyos o de otras personas.
- Documentos de identidad, tuyos o de tus hijos.
- Secretos de tu trabajo o datos de tus clientes.
- Fotos de otras personas sin su permiso, ahora que los modelos ven.
Casi todos los servicios tienen en sus ajustes una opción para que tus conversaciones no se usen para entrenar, otra para borrar el historial y, a veces, un «chat temporal» que no queda en tu historial ni se usa para entrenar (aunque la empresa lo guarda unos días por seguridad). Ve a mirarlas. Si usas una IA en el trabajo, pregunta antes qué permite tu empresa: lo que para ti es una duda tonta puede ser, para ella, una fuga de información. Y no estás solo: la Unión Europea tiene desde 2024 un reglamento de inteligencia artificial que, aplicado por fases, prohíbe directamente algunos usos y obliga a avisarte cuando hablas con una máquina.
Pruébalo: abre los ajustes de la aplicación que uses y busca tres cosas: dónde se borra el historial, qué se hace con tus conversaciones y si hay un modo temporal que no lo deje en el historial.
Qué puede hacer por ti y qué no
Con todo lo anterior, esto casi lo deduces tú.
Se le da muy bien trabajar con palabras, porque de eso está hecha: resumir un texto largo, explicarte algo difícil de otra manera, hacer un primer borrador, traducir, proponerte ideas u ordenar las tuyas. Y, desde que ve, mirar algo y contártelo: la factura, el cartel en otro idioma, el mensaje de error en la pantalla.
Se le da mal, o no debe hacerlo sola, todo lo que exige estar segura: decidir por ti, darte un diagnóstico médico o legal definitivo, sustituir a quien sabe de verdad. Produce lo probable, no lo cierto. Úsala para preparar las preguntas, no como respuesta final; la guía de uso crítico de la IA de la UNED lo explica bien si quieres una fuente académica. Y si la tarea tiene varios pasos, una cuenta o una comparación, activa el modo que razona.
Queda el miedo al trabajo. Sería deshonesto prometerte que no cambiará nada: cambiará cosas, como las cambiaron el ordenador e internet. Pero nadie sabe con exactitud cómo ni cuándo, y quien lo asegura con mucho aplomo está haciendo lo mismo que un modelo de lenguaje: decir lo probable como si fuera cierto.
Pruébalo: elige una tarea pesada de esta semana (un correo difícil, un resumen, organizar un viaje) y mira si te echa una mano. Si no, no pasa nada.
El jugador eres tú
Volvamos a Schönbrunn, por si te preguntan mientras sirves el postre.
La IA no es nueva. Llevamos casi tres mil años intentando fabricar algo que parezca vivo, de las sirvientas de oro de Hefesto al pato de Vaucanson, y siglos dispuestos a creernos que lo hemos conseguido. Lo de ahora no son muñecos ni cerebros de hojalata: son programas que aprenden de ejemplos. Los modelos de lenguaje, como ChatGPT, Claude o Gemini, adivinan el trozo siguiente de un texto; leen tokens, no letras; los hay cerrados y abiertos; algunos ya ven y otros se paran a pensar. Y se equivocan con una seguridad envidiable, porque lo probable no siempre es lo cierto. Lo que les cuentes, además, viaja a los ordenadores de alguien.
Cuando en 1958 el periódico prometió una máquina que andaría, hablaría y sería consciente de su existencia, se equivocaba igual que tu cuñado cuando dice que la IA va a dominar el mundo, o que es una tontería que no sirve para nada: confundiendo el muñeco con lo que tiene dentro.
En el Turco, quien decidía cada jugada iba escondido, a oscuras, dentro del armario. Con la IA pasa al revés. Dentro va el eco de millones de personas que escribieron antes que tú. Y quien decide la jugada está fuera, delante del tablero, a la vista de todos.
Eres tú.

