Cada día empieza casi igual: despertamos, tomamos el celular y revisamos lo que pasó mientras dormíamos. Sin darnos cuenta, en esos primeros segundos ya estamos rodeados de Inteligencia Artificial. El teléfono reconoce nuestro rostro, el correo ordena los mensajes y las apps nos muestran contenido que “parece hecho a medida”. Todo eso ocurre sin que tengamos que pedirlo.
A lo largo del día seguimos interactuando con sistemas que aprenden de nuestros hábitos. Cuando abrimos Spotify, nos recibe con listas que parecen conocer nuestro estado de ánimo. Cuando escribimos un mensaje, el teclado adivina lo que queremos decir. Incluso cuando buscamos una ruta para llegar más rápido, una IA analiza el tráfico en tiempo real y decide cuál es el mejor camino. Todo esto sucede mientras nosotros simplemente vivimos nuestra rutina.
Y aunque parezca magia, detrás de cada una de estas acciones hay conceptos muy concretos: modelos, datos, entrenamiento, redes neuronales, agentes. Palabras que suenan técnicas, pero que están presentes en gestos tan cotidianos como mirar el celular o enviar un mensaje. Entenderlas no solo nos acerca a la tecnología, también nos ayuda a usarla con más criterio y menos misterio y que está evolucionando cada día adaptándose a cada persona.
1) Situaciones cotidianas y el concepto de IA detrás
Cuando Spotify o Netflix nos recomienda algo
A todos nos ha pasado: abrimos la app y ya hay una lista “hecha para nosotros”. Detrás de eso hay tres ideas clave:
Datos: lo que escuchamos, lo que saltamos, lo que repetimos.
Modelo: un sistema que aprende patrones de nuestros gustos.
Machine Learning: la técnica que permite que ese modelo mejore con el tiempo.
2) El correo detecta spam → clasificación, entrenamiento y sesgo
Cuando nuestro correo filtra el spam automáticamente
Cada día llegan correos que nunca vemos porque se van directo a la carpeta de spam. Eso ocurre gracias a un modelo que aprendió a distinguir entre mensajes legítimos y mensajes sospechosos.
Aquí aparecen tres conceptos importantes:
Clasificación: el modelo decide si un correo es “spam” o “no spam”.
Entrenamiento: aprendió revisando miles de ejemplos reales.
Sesgo: si los datos estaban desequilibrados, puede equivocarse más con ciertos tipos de mensajes.
3) El celular reconoce nuestra cara → red neuronal
Cuando desbloqueamos el celular con la cara
Ese gesto tan automático —mirar el teléfono y que se desbloquee— es posible gracias a una red neuronal, un tipo de modelo inspirado (muy libremente) en cómo funcionan nuestras neuronas.
Tres ideas clave aquí:
Red neuronal: procesa imágenes en varias capas para identificar patrones.
Entrenamiento: aprendió a reconocer nuestro rostro a partir de muchas fotos.
Generalización: puede reconocernos incluso con barba, lentes o distinta luz.
4) WhatsApp predice lo que vamos a escribir → modelo de lenguaje y prompt
Cuando el teclado nos sugiere la siguiente palabra
Mientras escribimos un mensaje, el teclado intenta adivinar qué sigue. Eso ocurre gracias a un modelo de lenguaje, un sistema entrenado para predecir palabras según el contexto.
Conceptos importantes:
Modelo de lenguaje: predice la palabra más probable.
Prompt: el texto que escribimos es la “señal” que guía la predicción.
Patrones: aprende cómo solemos escribir.
5) Google Maps predice el tráfico → agentes y datos en tiempo real
Cuando buscamos la ruta más rápida
Maps no solo muestra calles: predice tráfico, calcula tiempos y ajusta rutas. Aquí aparece un concepto muy útil: agentes.
Agente: un sistema que toma decisiones para lograr un objetivo (por ejemplo, encontrar la ruta más rápida).
Datos en tiempo real: velocidad de autos, incidentes, congestión.
Predicción: estima cómo evolucionará el tráfico.
6) Chatbots que responden preguntas → IA, alucinaciones y agentes
Cuando conversamos con un asistente virtual
Los chatbots pueden responder preguntas, resumir textos o ayudarnos a escribir. Pero también pueden equivocarse, y eso nos lleva a dos conceptos clave:
IA: sistemas capaces de realizar tareas que requieren cierto nivel de “inteligencia”.
Alucinación: cuando un modelo inventa información que parece real.
Agente: si el chatbot puede ejecutar pasos, buscar información o tomar decisiones.
7) Glosario básico de Inteligencia Artificial (explicado en simple)
Inteligencia Artificial (IA)
Sistemas capaces de realizar tareas que normalmente requieren cierto nivel de “inteligencia”: reconocer patrones, predecir, clasificar, generar texto, etc.
Modelo (LLM)
Es el “cerebro” de la IA. Un conjunto de reglas aprendidas a partir de datos.
Datos
La materia prima. Todo lo que el modelo observa para aprender: textos, imágenes, clics, rutas, canciones escuchadas.
Entrenamiento
El proceso donde el modelo aprende a partir de muchos ejemplos. Como practicar un deporte: mientras más entrena, mejor se vuelve.
Prompt
La instrucción o mensaje que damos a un modelo para que responda. En un chatbot, nuestro texto es el prompt.
Machine Learning
La rama de la IA que permite que los modelos aprendan patrones a partir de datos.
Red neuronal
Un tipo de modelo inspirado en cómo funcionan nuestras neuronas. Muy usado para imágenes, voz y reconocimiento facial.
Sesgo algorítmico
Cuando un modelo se equivoca más con ciertos grupos o situaciones porque los datos con los que aprendió estaban desequilibrados.
Alucinación
Cuando un modelo genera información incorrecta pero que suena convincente. No es mentira intencional: es una predicción fallida.
Agente
Un sistema que toma decisiones para lograr un objetivo: elegir una ruta, ejecutar pasos, resolver una tarea. Maps es un ejemplo cotidiano.
Finalmente, incorporamos el siguiente cuadro que trata de diferenciar los conceptos de LLM, Agente y Flujo de Trabajo.
La IA ya es parte de nuestra vida diaria, incluso en gestos tan simples como desbloquear el celular o elegir una canción. Entender estos conceptos nos ayuda a usarla mejor, con más criterio y menos misterio.
