"Inteligencia artificial" se convirtió en una palabra mágica: se le cuelga a cualquier producto para que suene avanzado, y en el proceso se volvió difícil separar lo real de lo vendido. Este artículo es el desmitificador. Sin ecuaciones y sin misticismo, para que la próxima vez que alguien te prometa "IA" sepas exactamente qué te está —o no— ofreciendo.
IA, Machine Learning, Deep Learning, LLM: el mapa
Estos cuatro términos se usan como sinónimos y no lo son; son muñecas rusas. IA es el paraguas: cualquier técnica para que una máquina haga algo que parece inteligente. Dentro está el Machine Learning (ML): en vez de programarle reglas a mano, el sistema aprende patrones a partir de datos. Dentro del ML está el Deep Learning: ML con redes neuronales de muchas capas, que brilla con imágenes, audio y texto. Y los LLM (grandes modelos de lenguaje) son una aplicación del deep learning al lenguaje. En una línea: IA ⊃ machine learning ⊃ deep learning ⊃ LLM. Hoy, cuando alguien dice "IA", casi siempre quiere decir "un LLM" —pero no son lo mismo, y notar la diferencia ya te pone por delante de medio mercado.
IA, machine learning, deep learning y LLM no son sinónimos: cada uno es un subconjunto del anterior.
Un modelo es un archivo, no un cerebro
Empecemos por lo más básico y lo más malentendido. Un modelo de lenguaje es, literalmente, un archivo enorme lleno de números. No piensa, no entiende como una persona, no tiene intenciones. Lo que hace —de forma extraordinariamente buena— es predecir el siguiente fragmento de texto a partir de lo que lleva escrito, basándose en patrones que absorbió de cantidades gigantescas de texto. Es un predictor estadístico muy sofisticado, no una mente. Tener esto claro desactiva la mitad del humo del mercado.
Los "parámetros": los números que aprendió
Cuando lees que un modelo es "de 7B" o "de 70B", esos son sus parámetros: la cantidad de números internos (pesos) que se ajustaron durante el entrenamiento. 7B = 7 mil millones de ellos. Son lo que el modelo "sabe", codificado. Como regla general, más parámetros dan más capacidad —y piden más recursos para funcionar—, pero el tamaño no lo es todo: un modelo más chico pero mejor entrenado puede superar a uno más grande y descuidado. Desconfía de quien presuma solo el número.
Preentrenado (y luego afinado)
Aquí aparece la palabra que da nombre a la "P" de GPT: pretrained, preentrenado. Crear un modelo desde cero significa procesar una fracción enorme de internet una sola vez, a un costo altísimo; eso lo hacen unos pocos laboratorios. Ese modelo base luego se afina (fine-tuning, instrucción) para que siga órdenes y converse. Lo relevante para ti: cuando usas o "montas" IA, casi siempre partes de un modelo ya preentrenado —no lo entrenas tú—. Eso cambia por completo lo que cuesta y lo que hace falta.
Tokens y contexto: cómo "lee"
El modelo no ve palabras, ve tokens: fragmentos de palabra (aproximadamente 3 de cada 4 palabras es un token en español). Procesa la secuencia y predice el siguiente token, una y otra vez, para armar la respuesta. El contexto (o "ventana de contexto") es cuántos tokens puede tener en cuenta a la vez: su memoria de trabajo para esa conversación. Cuando se llena, lo más viejo se "cae" de la vista. No es memoria permanente; es lo que cabe en la mesa.
Embeddings: el significado convertido en números
Un embedding es un texto convertido en una lista de números (un vector) que captura su significado, de modo que dos textos parecidos quedan "cerca" en ese espacio numérico aunque no compartan las mismas palabras. No sirve para chatear; sirve para comparar y buscar por significado. Es la base de la búsqueda semántica y del RAG: cuando un sistema encuentra el documento relevante aunque preguntaste con otras palabras, hay embeddings detrás. Guárdate el término, porque reaparece en cuanto quieras que la IA responda sobre tus propios documentos.
Inferencia: cuando el modelo trabaja
Esta distinción vale oro. Entrenar es fabricar el modelo (carísimo, una sola vez, los grandes labs). Inferir es usarlo para generar una respuesta (lo que pasa cada vez que le escribes). Son mundos distintos en costo y hardware. Cuando una empresa dice que va a "correr IA propia", casi siempre habla de inferencia sobre un modelo ya hecho —no de entrenar uno—, y eso es lo que la vuelve realista. Qué hardware pide esa inferencia lo detallamos en correr un LLM en tu propia infraestructura.
Temperatura: la perilla de creatividad
La temperatura es un ajuste que controla cuánto "arriesga" el modelo al elegir el siguiente token. Baja (cerca de 0): respuestas más deterministas, conservadoras y repetibles —lo que quieres para datos, código o extracción—. Alta: respuestas más variadas y "creativas", pero también más propensas a divagar o inventar. No es una perilla de "inteligencia": es cuánta aleatoriedad le permites. Subir la temperatura para "que sea más listo" es un malentendido común; lo que subes es la probabilidad de sorpresas, para bien y para mal.
Cuantización, en cristiano
Los parámetros se guardan con cierta precisión numérica. La cuantización baja esa precisión (por ejemplo de 16 bits a 4) para que el modelo ocupe mucha menos memoria y quepa en hardware más modesto. El costo es una pequeña pérdida de calidad, casi siempre tolerable. Es, en una frase, lo que permite que un modelo grande corra en una GPU que puedes pagar.
GPU, CPU y VRAM: dónde corre esto
El CPU es el cerebro generalista de una computadora; la GPU es un especialista en hacer muchísimas operaciones en paralelo —justo lo que un modelo necesita para funcionar rápido—. Y la VRAM es la memoria propia de esa GPU: el factor que decide si un modelo cabe o no. Por eso, cuando hablamos de hardware para IA, la pregunta no es tanto "¿qué CPU?" sino "¿cuánta VRAM?". Si quieres correr un modelo en tu propia infraestructura, ese es el detalle que manda —lo desarrollamos en qué hardware necesitas de verdad.
Lo que un modelo NO es
Para cerrar el desmitificador, cuatro verdades incómodas:
- No "sabe" hechos: los reconstruye por probabilidad, por eso puede alucinar —inventar algo falso con total seguridad—.
- No consulta internet por su cuenta, salvo que se le conecte una herramienta que lo haga.
- No aprende de ti mientras lo usas: responde y olvida, a menos que alguien lo reentrene o el servicio guarde tus datos.
- No razona como una persona: imita patrones de razonamiento, y a veces muy bien, pero no es lo mismo.
Por qué entender esto te conviene
Con estos conceptos ya puedes leer cualquier promesa de IA y preguntar lo correcto: ¿es un modelo abierto o cerrado?, ¿preentrenado por quién?, ¿corre local o manda mis datos a un tercero?, ¿esto es inferencia o me están vendiendo que "entrenan con mis datos"? Ese criterio es el punto de partida para decidir con cabeza —por ejemplo, si te conviene una IA propia para no filtrar datos—. La IA deja de ser magia y vuelve a ser lo que es: una herramienta poderosa que conviene entender antes de comprar.