Iniciación a la Inteligencia Artificial: Todo lo que necesitas saber para empezar

Si llevas meses escuchando hablar de IA pero sientes que los conceptos se te escapan, este artículo es para ti. No necesitas saber programar para entender cómo funciona la inteligencia artificial ni para sacarle partido en tu trabajo. Solo necesitas un mapa claro.

¿Qué es la Inteligencia Artificial?

La inteligencia artificial (IA) es el campo de la computación que busca que las máquinas realicen tareas que normalmente requieren inteligencia humana: entender lenguaje, reconocer imágenes, tomar decisiones, generar texto.

Dentro de la IA hay muchas ramas. La que más está transformando el trabajo hoy es el aprendizaje automático (machine learning), y dentro de él, los modelos de lenguaje de gran escala, conocidos como LLMs.

LLMs: el corazón de la IA moderna

Un LLM (Large Language Model) es un modelo entrenado con cantidades masivas de texto — libros, artículos, código, conversaciones — para aprender patrones del lenguaje. A partir de eso, puede predecir qué texto viene a continuación de cualquier entrada que le des.

ChatGPT, Claude, Gemini y Llama son todos LLMs. No «piensan» como los humanos, pero son extremadamente buenos completando, transformando y generando texto de forma coherente.

Conceptos fundamentales

Token

La unidad mínima con la que trabaja un LLM no es una palabra: es un token. Un token puede ser una palabra completa, parte de una palabra, o incluso un signo de puntuación. En promedio, 1 token equivale a ¾ de una palabra en inglés, o algo menos en español.

¿Por qué importa? Porque todo se mide y se cobra en tokens: lo que entra (tu pregunta) y lo que sale (la respuesta del modelo). Cuanto más largo es tu mensaje, más tokens consumes.

Context Window

El context window (ventana de contexto) es la cantidad máxima de texto que el modelo puede «ver» en una conversación. Todo lo que has escrito — tus mensajes, los del modelo, los documentos que hayas pegado — entra dentro de ese límite.

Cuando se llena, el modelo empieza a «olvidar» las partes más antiguas de la conversación. Por eso en sesiones largas o complejas es importante ser conciso y estructurado.

Los modelos más modernos tienen ventanas de contexto enormes (200.000 tokens o más), suficiente para procesar libros enteros. Pero la eficiencia sigue siendo importante. Tres hábitos prácticos: abre un chat nuevo por tema en lugar de convertir una conversación en un cajón de sastre; pega solo los fragmentos relevantes de un documento, no el archivo completo; y si una sesión larga empieza a fallar o a repetirse, probablemente la ventana se llenó — empieza una conversación limpia con el contexto esencial.

Temperature

La temperature controla qué tan predecible o creativo es el modelo en sus respuestas. Es un valor entre 0 y 1 (o hasta 2 en algunos modelos).

• Temperature baja (0–0.3): respuestas consistentes y precisas. Ideal para análisis, resúmenes, extracción de datos.
• Temperature alta (0.7–1): respuestas más variadas y creativas. Ideal para brainstorming, escritura creativa, generación de ideas.

En la mayoría de interfaces no lo ves directamente, pero entender que existe te ayuda a interpretar por qué el modelo a veces varía sus respuestas ante la misma pregunta.

Prompt Engineering

Un prompt es la instrucción o mensaje que le das al modelo. La calidad de lo que obtienes depende directamente de la calidad de lo que le pides. A la disciplina de escribir buenos prompts se le llama prompt engineering.

No es magia ni código: es aprender a comunicarse bien con el modelo.

Estructura básica de un buen prompt

Un prompt efectivo suele incluir:

1. Rol o contexto: quién es el modelo en esta tarea («Actúa como un experto en marketing»)
2. Tarea clara: qué quieres que haga exactamente
3. Formato esperado: cómo quieres el output (lista, párrafo, tabla, etc.)
4. Restricciones: qué debe evitar o respetar

Ejemplo básico:

Actúa como un copywriter especializado en email marketing. Escribe un asunto de email para promocionar un webinar sobre automatización de marketing. El tono debe ser directo y generar curiosidad. Dame 5 opciones en una lista numerada.

System Prompt vs User Prompt

En los LLMs hay dos tipos de mensajes:

• System prompt: instrucción base que define el comportamiento del modelo. No lo ve el usuario final. Es donde defines el rol, el tono, las restricciones permanentes.
• User prompt: cada mensaje que envía el usuario en la conversación.

Cuando usas Claude o ChatGPT directamente, tu mensaje es el user prompt. Cuando una empresa construye un producto sobre un LLM, el system prompt es lo que define cómo se comporta ese asistente.

Few-shot Prompting

En vez de describir lo que quieres, le muestras ejemplos al modelo. Esto se llama few-shot prompting y es una de las técnicas más efectivas.

Ejemplo:

Clasifica el siguiente comentario de cliente como Positivo, Negativo o Neutro.

Comentario: «El producto llegó a tiempo pero el empaque estaba dañado.» → Negativo
Comentario: «Excelente atención, lo recomiendo.» → Positivo
Comentario: «El precio es similar al de otras marcas.» → Neutro

Ahora clasifica: «La entrega fue más rápida de lo esperado pero el producto no era lo que esperaba.»

Al ver los ejemplos, el modelo entiende exactamente el patrón que quieres replicar.

Chain of Thought

Pedirle al modelo que razone paso a paso antes de dar una respuesta mejora notablemente su precisión en tareas complejas. Se llama chain of thought (cadena de pensamiento).

Basta con agregar frases como:

• «Piensa paso a paso antes de responder.»
• «Explica tu razonamiento.»
• «Antes de concluir, analiza los pros y contras.»

Esto es especialmente útil en análisis, diagnósticos, resolución de problemas o cualquier tarea donde la respuesta depende de varios factores.

Markdown

Markdown es un sistema de formato de texto simple que usa símbolos para indicar estructura. Los LLMs fueron entrenados con enormes cantidades de texto en markdown, por lo que lo entienden nativamente.

Usarlo en tus prompts tiene dos ventajas: le da estructura a lo que pides y el modelo tiende a replicar ese formato en su respuesta.

Los elementos más útiles:

Si en tu prompt defines la estructura que esperas en markdown, el modelo la respeta. Esto es especialmente valioso cuando integras un LLM en una herramienta y necesitas que el output tenga siempre el mismo formato.

API: cómo conectar la IA a tus herramientas

Una API (Application Programming Interface) es la forma técnica de conectar un modelo de IA a una aplicación, flujo de trabajo o herramienta propia. En vez de usar la interfaz web, le envías mensajes directamente al modelo desde código y recibes respuestas que puedes procesar automáticamente.

Anthropic, OpenAI y Google ofrecen APIs para sus modelos. Cuando una empresa «integra IA en su producto», en la mayoría de los casos está usando una API.

No necesitas programar para entender cuándo una API es la solución correcta: cuando quieres que la IA sea parte de un proceso automatizado en lugar de una consulta manual.

RAG: cómo darle tu información al modelo

Los LLMs tienen una fecha de corte en su entrenamiento — no saben lo que pasó después. Tampoco conocen tus documentos internos, tu base de clientes, tus productos.

RAG (Retrieval-Augmented Generation) resuelve esto: en vez de entrenar el modelo con tu información (caro y complejo), le pasas los documentos relevantes dentro del contexto en el momento de la consulta.

El flujo básico es:

1. El usuario hace una pregunta.
2. El sistema busca los documentos más relevantes de tu base de conocimiento.
3. Esos documentos se incluyen en el contexto junto a la pregunta.
4. El modelo responde basándose en tu información real.

Es la tecnología detrás de los «chatbots sobre documentos» y los asistentes que conocen el catálogo de tu empresa.

Embeddings

Los embeddings son la representación matemática del texto. Cada fragmento de texto se convierte en un vector numérico que captura su significado semántico. Textos con significados similares tienen vectores cercanos en ese espacio matemático.

¿Para qué sirve? Para hacer búsquedas por significado, no por palabras exactas. Si buscas «cliente insatisfecho», un sistema con embeddings también te devuelve textos que dicen «el usuario no quedó conforme» — aunque no comparten ninguna palabra.

Son la base técnica de RAG y de cualquier sistema de búsqueda semántica sobre documentos.

Agentes de IA

Un agente es un LLM al que se le han dado herramientas: puede buscar en internet, ejecutar código, leer y escribir archivos, enviar correos, consultar bases de datos. En vez de solo responder, puede actuar.

La diferencia con un prompt normal es que el agente puede encadenar múltiples acciones de forma autónoma para completar una tarea compleja.

Ejemplo: le pides a un agente que analice las ventas del último trimestre y envíe un resumen por email. El agente consulta la base de datos, procesa los números, redacta el resumen y lo envía — sin que tú intervengas en cada paso.

Los agentes son el siguiente nivel después de los chatbots y donde está ocurriendo la mayor parte de la innovación en IA aplicada hoy.

Por dónde empezar

Si eres profesional sin experiencia técnica, este es el orden que tiene más sentido:

1. Domina el prompting. Es la habilidad con mayor retorno inmediato. Aprende a escribir prompts claros, con contexto, formato y ejemplos.
2. Entiende tokens y context window. Te ayuda a ser más eficiente y a evitar errores comunes.
3. Explora RAG. Si tu trabajo implica manejar información interna (docs, políticas, bases de conocimiento), entender RAG te abre muchas posibilidades.
4. Conoce los agentes. No para construirlos tú mismo, sino para identificar cuándo son la solución correcta y poder comunicarte bien con quien los implementa.

La IA no reemplaza el criterio humano — lo amplifica. El profesional que sabe darle buenas instrucciones, interpretar sus respuestas y detectar sus límites tiene una ventaja real sobre quien solo la usa superficialmente.

Este artículo es un punto de partida. La IA evoluciona rápido, pero estos conceptos son la base estable sobre la que se construye todo lo demás.