Cómo aprende la Inteligencia Artificial

Una explicación para docentes, sin una sola fórmula

No necesitas saber programar para usar bien la IA. Pero sí necesitas una intuición correcta de cómo aprendió, porque de ahí se derivan casi todas sus virtudes y todos sus defectos.

Y hay una razón adicional, muy nuestra: somos docentes. Entendemos el aprendizaje. Resulta que la mejor manera de comprender esta tecnología es preguntarse en qué se parece y en qué no se parece a aprender.

Adelantemos la conclusión, porque conviene tenerla presente durante toda la unidad: la IA no aprende como aprende un estudiante. Aprende a predecir. Y predecir muy bien se parece tanto a comprender que resulta fácil confundirlos.

I. La analogía: el aprendiz que nunca salió de la biblioteca

Imaginemos a alguien que pasa su vida entera dentro de una biblioteca inmensa. Nunca ha salido. Nunca ha visto un árbol, ni ha probado la sal, ni ha tenido frío. Solo ha leído: millones y millones de textos, en muchos idiomas, sobre todos los temas.

Con el tiempo desarrolla una habilidad asombrosa. Le muestras el comienzo de cualquier frase y él completa lo que sigue con una naturalidad perfecta. Sabe cómo continúa una receta, cómo se cierra una carta formal, cómo se responde a una consulta médica, cómo se estructura un ensayo argumentativo, cómo suena una explicación de fotosíntesis para niños de diez años.

No lo hace por comprensión del mundo. Lo hace porque ha visto millones de veces cómo continúan los textos parecidos.

Ahora la pregunta incómoda: ¿ese aprendiz sabe de fotosíntesis?

Sabe cómo se habla de fotosíntesis. Y eso, la enorme mayoría de las veces, produce respuestas correctas —porque los textos de los que aprendió eran, en general, correctos. Pero es un saber sin anclaje. No puede contrastar nada contra el mundo. Solo contra otros textos.

Esa es, con bastante fidelidad, la situación de un modelo de lenguaje.

Como toda analogía, tiene límites: los sistemas actuales también aprendieron de imágenes, audio y video, y muchos pueden consultar información en el momento. Pero el mecanismo de fondo —aprender regularidades del material visto y luego producir lo que encaja— sigue siendo el mismo.

II. Las tres etapas del aprendizaje de un modelo

Etapa 1: Entrenamiento — leer una cantidad inconcebible de texto

El sistema recibe cantidades enormes de texto y se le plantea un ejercicio repetido hasta el cansancio: tapar una palabra y adivinarla.

“El maestro repartió los cuadernos a sus ____”

El sistema propone algo. Si acierta, los ajustes internos que llevaron a ese acierto se refuerzan un poco. Si falla, se corrigen un poco. Y otra vez. Y otra vez, miles de millones de veces.

Nadie le explica gramática. Nadie le enseña qué es un maestro. Pero al cabo de ese proceso, para acertar la palabra siguiente ha tenido que ir capturando, sin proponérselo, la concordancia, la sintaxis, el hilo de un argumento, el tono de un género y una cantidad inmensa de asociaciones entre conceptos.

Aquí hay algo profundamente pedagógico: el sistema no aprendió de reglas, aprendió de exposición masiva y corrección constante. Cualquier docente de idiomas reconocerá el patrón. La diferencia es la escala, y que el estudiante humano además vive en el mundo del que habla.

Dos consecuencias que te afectan directamente:

Lo que abunda en los textos, lo hace bien; lo que escasea, lo hace mal. El currículo de tu país, la jerga de tu sistema educativo, la variedad de español que hablan tus estudiantes: si hay poco escrito sobre eso, el modelo rellenará con lo que se le parezca de otro lugar. Sonará bien y estará desviado.
Lo que estaba sesgado en los textos, sigue sesgado en el modelo. No filtró prejuicios. Aprendió el material tal como era.

Etapa 2: Ajuste — enseñarle a ser útil y a comportarse

Un sistema recién entrenado solo continúa textos. Si le escribes una pregunta, es capaz de responder con otras diez preguntas parecidas, porque en internet las preguntas suelen venir en listas.

Para convertirlo en un asistente hace falta una segunda etapa, más pequeña pero decisiva: se le muestran miles de ejemplos de buenas conversaciones, y personas evalúan sus respuestas indicando cuáles son mejores. El sistema se ajusta hacia lo que esas personas prefirieron.

Aquí es donde el modelo adquiere su carácter: su tono, su cortesía, su tendencia a estructurar en listas, aquello sobre lo que se niega a responder, y también su conocido exceso de amabilidad.

Consecuencia práctica muy concreta: parte de ese ajuste premió respuestas que agradan. Por eso la IA tiende a darte la razón. Si le dices “creo que mi actividad tiene un problema de secuencia”, buscará el problema de secuencia aunque no lo haya. Si le pides que evalúe algo tuyo, tenderá a elogiarlo.

Es una limitación con solución, y merece incorporarse a tu forma de pedirle las cosas:

✂️

Voy a compartirte una actividad de aprendizaje que diseñé. No quiero elogios ni un resumen de lo que ya dice.

Actúa como un colega crítico y experimentado. Señálame:

Los tres puntos más débiles, del más grave al menos grave.
Qué parte de la consigna un estudiante podría malinterpretar.
Qué haría que la actividad fracase con un grupo numeroso.

Si algo está genuinamente bien, dilo en una sola línea y pasa a lo siguiente.

Actividad: [PEGA AQUÍ TU ACTIVIDAD]

✂️

Etapa 3: Uso — donde no aprende nada

Este punto sorprende a mucha gente, y es importante.

Cuando conversas con la IA, la IA no está aprendiendo. El modelo ya está entrenado y fijo. Lo que ocurre en la conversación es que tu texto entra como contexto y condiciona lo que produce a continuación —pero eso se pierde al cerrar.

Que una herramienta “recuerde” cosas tuyas entre sesiones significa que la aplicación guarda notas y se las vuelve a mostrar al modelo cada vez. Es una libreta externa, no memoria del sistema.

Dos consecuencias:

Corregirla no la corrige. Si le señalas un error, lo arregla en esa conversación y volverá a cometerlo mañana en otra. No es terquedad: es que no hubo aprendizaje.
Lo que escribes puede quedar guardado. No en el modelo, pero sí posiblemente en los servidores de la empresa, y en algunos servicios puede usarse para entrenar versiones futuras. Es exactamente por esto que los datos de tus estudiantes no van en un prompt. La unidad de ética y responsabilidad desarrolla este punto.

III. Predecir no es comprender —y por qué importa tanto

Llegamos al corazón del asunto.

Cuando le pides a la IA que explique la fotosíntesis, no consulta un conocimiento sobre plantas. Produce, palabra a palabra, el texto que resulta más probable dado todo lo que ha visto sobre explicaciones de fotosíntesis. El resultado suele ser correcto, porque lo probable y lo verdadero coinciden casi siempre cuando el material era bueno.

El problema es qué pasa cuando no coinciden.

Un estudiante que no sabe algo lo nota. Siente el hueco. Un modelo de lenguaje no tiene ese hueco: en cada punto hay siempre una palabra más probable que las demás, y la produce, con o sin fundamento. No hay dentro del sistema una señal que distinga “esto lo sé” de “esto lo estoy construyendo”.

Por eso una referencia bibliográfica inventada sale con el formato perfecto: el formato es lo regular, y lo regular es exactamente lo que aprendió.

Traducción al aula: la IA es fiable en la forma y no garantiza el fondo. Confía en ella para estructurar, adaptar, reformular y proponer. Verifica siempre que haya un dato, una cita, una fecha, una cifra o una norma en juego.

IV. Comparación honesta: aprender un estudiante, “aprender” un modelo

	Estudiante	Modelo de lenguaje
De dónde aprende	Experiencia, cuerpo, vínculo, texto	Únicamente de registros: texto, imagen, audio
Cómo corrige	Choca con el mundo y con otros	Ajuste estadístico durante el entrenamiento
Sabe que no sabe	Sí, y puede pedir ayuda	No; siempre produce algo
Motivación	Curiosidad, vínculo, propósito	Ninguna
Transferencia	Aplica lo aprendido a lo nuevo	Buena dentro de lo visto; frágil fuera
Sigue aprendiendo al usarlo	Sí, siempre	No; el modelo está fijo
Olvida	Sí, y el olvido es parte de aprender	No olvida; simplemente no incorporó nada nuevo

Esta tabla es, además, un buen recurso de clase. Ponerla frente a estudiantes de secundaria y pedirles que discutan la última columna produce conversaciones sobre qué significa aprender que difícilmente se consiguen de otro modo.

V. Llevarlo al aula

Demostración en vivo (todos los niveles, adaptando el vocabulario). Escribe en la pizarra “El maestro repartió los cuadernos a sus ___” y pide que completen. Todos dirán lo mismo. Luego prueba con “El maestro repartió los cuadernos a sus ___ de tercer grado, aunque en realidad quería ___”. Ahí se abre. Esa experiencia —completar según lo probable— es el mecanismo entero, vivido en treinta segundos.

Discusión (secundaria y superior). Si alguien predice perfectamente lo que sigue en cualquier conversación, ¿entiende de qué se habla? ¿Cuándo dejaría de importar la diferencia? Es filosofía de la mente entrando por la puerta de una herramienta que usan todos los días.

Actividad de verificación (secundaria y superior). Pídele a la IA cinco datos sobre un tema local: la historia del municipio, una figura regional, una tradición propia. Que los estudiantes verifiquen cada uno en fuentes reales y clasifiquen: correcto, parcialmente correcto, inventado. Discutan por qué falló donde falló. Casi siempre falla en lo local, y ese “casi siempre” es la lección.

Y un prompt útil para preparar tu propia explicación, ajustado al grupo que tienes:

✂️

Necesito explicar a mis estudiantes de [NIVEL / EDAD] cómo aprende la inteligencia artificial y por qué predice en lugar de comprender.

Dame:

Una analogía adecuada a esa edad, que no sea la del cerebro humano.
Una demostración de 5 minutos que pueda hacer sin computadora ni internet.
Tres preguntas de discusión, de menor a mayor dificultad.
Un error frecuente que los estudiantes de esa edad cometen al entender esto, y cómo anticiparlo.

Contexto: [ASIGNATURA], grupo de [NÚMERO] estudiantes en [PAÍS/REGIÓN].

✂️

VI. La idea que hay que llevarse

La IA aprendió mirando regularidades en cantidades inmensas de material y ajustándose hasta poder continuar cualquier texto de forma convincente. Después la afinaron para que fuera útil y agradable. Y desde entonces está fija: al conversar contigo no aprende nada.

Eso la hace excelente en todo lo que tiene forma reconocible, y frágil en todo lo que exige contacto con la verdad de un caso concreto.

Saberlo no te vuelve desconfiado. Te vuelve preciso: pides lo que la herramienta hace bien, y no le pides lo que no puede hacer.

No aprendió el mundo. Aprendió cómo hablamos del mundo. Casi siempre alcanza —y saber cuándo no alcanza es tu trabajo.