"Entrenar" una IA suena muy técnico, pero la idea es sencilla y explica casi todo lo bueno y lo malo de estas herramientas. Vamos con ella.
Entrenar = practicar con ejemplos hasta mejorar
Entrenar un modelo es mostrarle enormes cantidades de ejemplos y dejar que ajuste, poquito a poco, su forma de responder hasta acertar más. Como quien practica un deporte: repites, fallas, corriges, mejoras. Al final, el modelo no guarda los ejemplos: guarda el "saber hacer" que ha extraído de ellos.
Concepto clave
Una IA es tan buena (y tan sesgada) como los datos con los que la entrenaron. Si aprendió de información de calidad y variada, responde mejor; si aprendió de datos sesgados o con errores, repetirá esos sesgos y errores. "Basura entra, basura sale."
Dos consecuencias que debes recordar
- Fecha de corte: el modelo aprendió hasta cierto momento. Lo que pasó después, simplemente no lo vivió.
- Refleja sus datos: hereda lo bueno y lo malo de lo que leyó, incluidos prejuicios humanos.
Ejemplo real
Si una IA se entrenó con textos hasta hace un tiempo, preguntarle por algo de esta misma semana es pedirle que adivine: no estaba en su "práctica". Puede responder igualmente —y ahí es cuando inventa—.
Error común
Suponer que la IA "sabe lo último" o que es neutral y objetiva por ser una máquina. Ni lo uno ni lo otro: conoce hasta su fecha de corte y arrastra los sesgos de sus datos. Por eso el criterio humano sigue siendo imprescindible.
Ya entiendes, sin tecnicismos, cómo aprende y funciona por dentro. Antes de pasar a usarla, conviene aclarar un vocabulario que se mezcla mucho: IA generativa, LLM y agentes. Es la última lección del módulo.