Un modelo de lenguaje es un programa que ha leído una cantidad enorme de texto y ha aprendido a predecir qué palabra viene después de otra con muchísimo acierto. ChatGPT, Gemini y Claude son modelos de lenguaje: cuando les escribes, no buscan la respuesta en una base de datos, la van construyendo palabra a palabra según lo que es más probable que siga. Entender esto cambia por completo la forma de pedirles cosas y de fiarse de lo que contestan.
No hace falta saber programar para entenderlo. Basta con un par de ideas bien explicadas.
¿Por qué predecir la siguiente palabra parece una conversación?
Si alguien te dice «buenos días, ¿cómo…», tu cabeza completa con «estás» antes de que termine. Lo haces porque has oído esa frase miles de veces.
Un modelo de lenguaje hace lo mismo, pero ha visto tanto texto que puede completar párrafos enteros manteniendo el tema, el tono y el estilo de quien pregunta. Cada palabra que añade se convierte en parte de la frase y condiciona la siguiente. Repetido cientos de veces por segundo, el resultado se lee como una respuesta pensada.
La diferencia con una persona no es que la máquina entienda mejor. Es que ha leído un volumen de texto que ningún ser humano podría leer en varias vidas, y ha sacado de ahí patrones muy finos sobre cómo se conecta una idea con otra.
Cómo aprende, contado sin una sola palabra técnica
Piensa en alguien que aprende un idioma solo leyendo. Millones de libros, periódicos, cartas y conversaciones, sin que nadie le explique la gramática. Con el tiempo escribiría bien, no porque supiera las reglas, sino porque las habría visto tantas veces que las reconocería sin poder nombrarlas.
El entrenamiento de un modelo se parece a eso. Se le enseña un texto con una palabra tapada y se le pide que la adivine. Si falla, ajusta un poco su manera de predecir. Esa operación se repite miles de millones de veces.
Después viene una segunda fase, menos conocida y muy importante. Personas reales leen respuestas del modelo y señalan cuáles son útiles, claras y correctas, y cuáles no. El modelo aprende de esas valoraciones a contestar como un buen ayudante y no como un texto cualquiera de internet. Por eso responde a tus preguntas en lugar de seguir escribiendo al azar.
¿Entiende lo que escribes o solo reconoce patrones?
La respuesta honesta está en medio. No entiende como entiendes tú, que conectas lo que lees con lo que has vivido. Tampoco repite como una grabadora: no copia frases enteras de un libro concreto, genera texto nuevo.
Lo que hace es reconocer patrones del lenguaje con tanta precisión que el resultado se parece mucho a la comprensión. El lenguaje humano está lleno de las huellas de quien entiende algo: ejemplos, matices, conexiones entre ideas. El modelo ha visto tantas de esas huellas que sabe reproducirlas.
Entre los investigadores hay un debate abierto sobre cuánto de eso puede llamarse comprensión. Para el uso diario, la conclusión práctica es más sencilla: trata al modelo como un colaborador muy rápido y muy leído, pero sin experiencia propia.
Por qué a veces se equivoca con total seguridad
Cuando el modelo no tiene información suficiente sobre algo, no se calla. Sigue prediciendo la palabra más probable, y lo más probable puede sonar perfecto y ser falso. A eso se le llama, de forma coloquial, alucinar.
Pasa sobre todo con datos muy concretos: cifras exactas, fechas recientes, nombres propios, normas que han cambiado hace poco o personas y negocios poco conocidos. El modelo no tiene un detector interno de verdad. Solo sabe que algo suena a verdadero.
Esto no es un defecto escondido. Es cómo funciona el mecanismo. Y saberlo es la mejor protección.
Los modelos actuales han mejorado mucho en este punto. Muchos pueden buscar en internet antes de contestar y citar de dónde sacan cada dato, lo que permite comprobarlo con un clic. Pero la búsqueda no elimina el problema del todo: el modelo puede leer mal una fuente o elegir una poco fiable. Cuando un dato importa, lo sensato es abrir la fuente que cita y mirarlo tú.
La mesa de trabajo: lo que el modelo tiene delante cuando te contesta
Hay una idea más que ayuda mucho. Cada conversación tiene una especie de mesa de trabajo, lo que los técnicos llaman ventana de contexto. Todo lo que pones encima, tu pregunta, el documento que pegas, las instrucciones que das, es lo que el modelo usa para contestar.
Lo que no está en la mesa, no lo sabe. Si no le dices a quién va dirigido el texto, lo adivinará. Si no le pegas el contrato, hablará de contratos en general. La calidad de la respuesta depende en gran parte de lo que tú pongas encima.
¿Son iguales ChatGPT, Gemini y Claude?
Funcionan con el mismo principio, pero no son iguales. Cada uno lo ha desarrollado una empresa distinta: ChatGPT, OpenAI; Gemini, Google; Claude, Anthropic. Cada empresa decide con qué textos lo entrena, cómo lo ajusta con las valoraciones de personas y qué normas le pone para responder.
Por eso tienen estilos diferentes, como dos profesionales que estudiaron lo mismo en universidades distintas. Uno escribe más largo, otro más directo. Uno se atreve más a dar opiniones, otro es más prudente. Uno se lleva mejor con documentos extensos, otro con búsquedas en internet.
No hay uno mejor para todo. Hay uno mejor para cada tarea y para cada forma de trabajar. Lo sensato es probar dos o tres con el mismo encargo real, mirar cuál te devuelve algo más útil y quedarte con ese para ese tipo de trabajo.
Lo que sí comparten es la limitación de fondo: todos predicen texto, todos pueden equivocarse con seguridad y todos dependen de lo que les pongas delante.
Lo que cambió para Ramón cuando lo entendió
Ramón es asesor contable. Tiene despacho propio desde hace veintidós años y empezó a usar ChatGPT como un buscador: preguntas cortas, respuestas genéricas, y bastante desconfianza.
Un miércoles le pide que le explique una deducción para un cliente autónomo. La respuesta suena bien, pero cita un porcentaje que él sabe que cambió. Ahí entiende lo que acabas de leer: la máquina no consultó la norma, predijo una frase razonable.
Desde ese día trabaja distinto. Pega el texto oficial de la norma en la conversación antes de preguntar. Le dice para quién es la explicación y en qué tono. Le pide que señale qué partes no puede confirmar con lo que tiene delante. Y las cifras las comprueba siempre él.
Con eso, lo que antes le llevaba una hora de redacción para explicar algo a un cliente se queda en veinte minutos de revisión. El criterio sigue siendo suyo. La máquina escribe el borrador.
Cuatro hábitos que salen de entender el mecanismo
- Da contexto antes de pedir. Quién eres, para quién es, qué tono quieres. Todo eso va a la mesa de trabajo.
- Pega la fuente cuando la tengas. Un documento real encima de la mesa reduce mucho los errores sobre datos concretos.
- Pide que distinga lo que sabe de lo que supone. Funciona mejor de lo que parece.
- Comprueba cifras, fechas y nombres. Siempre. Es la parte en la que el modelo más falla y la que más cuesta un error.
En casi tres décadas formando a profesionales he visto una cosa repetirse con cada herramienta nueva: quien entiende cómo funciona por dentro, aunque sea a grandes rasgos, la usa mejor en una semana que quien solo memoriza trucos en un mes. Con los modelos de lenguaje pasa lo mismo.
Esta explicación simplifica, y lo hace queriendo. Hay matices técnicos que no caben aquí y que no necesitas para trabajar bien. Si te interesa el detalle, existe mucha literatura. Si lo que quieres es usarlos con criterio, con esto tienes lo que importa.
De todos los modelos que uso, Claude es el que más está ayudando a profesionales por cuenta propia a atender mejor y a más clientes sin alargar la jornada, sobre todo cuando se le da buen contexto. Si quieres aprender a trabajar con él desde cero y con ejemplos de tu día a día, tengo un curso pensado para eso. Saber más.
Si te interesa el paralelismo con nuestra forma de pensar, lo traté en el día que la Inteligencia Artificial empezó a parecerse al cerebro humano. Para mejorar cómo le hablas, tienes cómo hablar con la Inteligencia Artificial mejor que un experto y, más reciente, cuatro frases para pedirle cosas a Claude.
Sobre el autor
Javier G. Amblar acumula 27 años de experiencia como consultor estratégico y ha formado a más de 33.000 profesionales en 55 países. Fue profesor asociado del IE Business School, con Premio a la Excelencia Docente, y ha pasado por RTVE, Telemadrid, Onda Cero, EsRadio y Canal 24h. Autor de Liderazgo (Editatum, 2018), hoy enseña a usar la Inteligencia Artificial con criterio desde su canal de YouTube, con más de 368.000 suscriptores, y a una comunidad en línea de más de 500.000 personas. Aquí.