Cómo aprende una IA en cuatro pasos
Casi todos los sistemas de aprendizaje automático siguen el mismo ciclo, ya sea un filtro de correo no deseado o un modelo de lenguaje: reciben datos, hacen una predicción, miden cuánto se equivocaron y ajustan sus parámetros para equivocarse menos la próxima vez.
Lo importante es que nadie escribe a mano una regla para cada caso. La persona define la tarea, reúne los datos y elige cómo medir el error; el procedimiento de entrenamiento encuentra los valores internos que mejor cumplen ese objetivo.
- Datos: ejemplos de la tarea, como fotos, textos, compras o partidas de un juego.
- Predicción: el modelo produce una respuesta con sus parámetros actuales.
- Error: una función compara la predicción con lo esperado y lo convierte en un número.
- Ajuste: los parámetros se corrigen un poco en la dirección que reduce ese error, y el ciclo se repite.
Un ejemplo: distinguir dos tipos de objetos
Imagina un sistema que clasifica fotografías de tazas y botellas. Reúnes ejemplos etiquetados, reservas algunos para la evaluación y entrenas con el resto. El modelo ajusta sus parámetros para reducir errores en la tarea.
Si todas las tazas se fotografían sobre una mesa roja y las botellas sobre una azul, puede aprender el fondo en vez del objeto. Por eso conviene variar iluminación, posición y entorno. Obtener buenos resultados en las fotos conocidas no demuestra que funcione en otras situaciones.
Tipos de aprendizaje: supervisado, no supervisado y por refuerzo
No todas las IA aprenden igual. La diferencia principal está en qué información reciben durante el entrenamiento y cómo se define el acierto.
En el aprendizaje supervisado cada ejemplo trae la respuesta correcta: correos marcados como spam o no spam, fotos con su etiqueta, viviendas con su precio de venta. El modelo aprende a pasar de la entrada a esa respuesta.
En el aprendizaje no supervisado no hay etiquetas. El sistema busca estructura por sí mismo: agrupa clientes con hábitos de compra parecidos o detecta una transacción que no se parece a las demás.
En el aprendizaje por refuerzo un agente actúa, recibe una recompensa o una penalización y aprende qué secuencia de acciones le conviene. Es el enfoque usado en sistemas que juegan, en control de robots y, combinado con valoraciones humanas, en una etapa del entrenamiento de asistentes conversacionales.
| Tipo | Qué recibe | Ejemplo cotidiano |
|---|---|---|
| Supervisado | Ejemplos con la respuesta correcta | Filtro de spam, reconocimiento de dígitos, predicción de precios |
| No supervisado | Datos sin etiquetas | Agrupar clientes, detectar fraudes o anomalías |
| Por refuerzo | Recompensas según sus acciones | Programas que juegan, control de robots, ajuste de asistentes |
| Autosupervisado | Datos donde la propia secuencia da la respuesta | Predecir la siguiente palabra de un texto (base de los modelos de lenguaje) |
Datos, objetivo y parámetros
Los datos son los ejemplos. El objetivo describe qué cuenta como acierto o error durante el entrenamiento. Los parámetros son los valores internos que el procedimiento ajusta. No se trata de escribir a mano una respuesta para cada entrada.
La calidad de los datos pesa tanto como el algoritmo. Si los ejemplos están mal etiquetados, son pocos o representan a un solo tipo de caso, el modelo aprende esos defectos. Un sistema entrenado con datos sesgados reproduce el sesgo, aunque el código sea correcto.
Cómo aprende una red neuronal
Una red neuronal es un conjunto de capas de operaciones matemáticas simples conectadas entre sí. Cada conexión tiene un peso, un número que indica cuánto influye una señal en la siguiente. Al principio esos pesos son casi aleatorios, así que las predicciones son malas.
En cada paso de entrenamiento la red procesa un lote de ejemplos y calcula el error. Luego el algoritmo de retropropagación recorre la red hacia atrás y estima cuánto contribuyó cada peso a ese error. El descenso de gradiente mueve cada peso un poco en la dirección que lo reduce; la tasa de aprendizaje decide el tamaño de ese paso.
Repetido sobre muchos ejemplos, este proceso hace que las primeras capas detecten patrones sencillos, como bordes en una imagen, y las capas posteriores combinen esos patrones en conceptos más complejos. Nadie programa esos detectores: surgen del ajuste de los pesos.
Cómo aprende un modelo como ChatGPT
Los modelos de lenguaje como los que usan ChatGPT, Claude o Gemini se entrenan en varias etapas. En el preentrenamiento leen enormes cantidades de texto y aprenden a predecir el siguiente fragmento (token) a partir del anterior. Ese objetivo, repetido a gran escala, les permite captar gramática, vocabulario, datos frecuentes y patrones de razonamiento presentes en los textos.
Después viene el ajuste fino: se entrena el modelo con ejemplos de conversaciones e instrucciones bien resueltas para que responda como un asistente y no solo complete texto. Por último, técnicas como el aprendizaje por refuerzo con retroalimentación humana (RLHF) usan valoraciones de personas sobre respuestas alternativas para orientar el modelo hacia respuestas más útiles y seguras.
El resultado es un modelo con los pesos ya fijados. Cuando le escribes, no está aprendiendo: está haciendo inferencia, es decir, aplicando lo que aprendió para generar una respuesta palabra a palabra.
| Etapa | Qué aprende | Con qué datos |
|---|---|---|
| Preentrenamiento | Lenguaje y conocimiento general | Grandes colecciones de texto y, en modelos multimodales, imágenes u otros datos |
| Ajuste fino | Seguir instrucciones y conversar | Ejemplos de preguntas y respuestas de calidad |
| RLHF u otras señales de preferencia | Preferir respuestas útiles y seguras | Comparaciones y valoraciones de personas o de otros modelos |
| Inferencia (uso) | Nada nuevo: aplica lo aprendido | Tu mensaje y el contexto de la conversación |
¿La IA aprende de mis conversaciones?
No en tiempo real. Mientras conversas, los pesos del modelo no cambian. Lo que sí cambia es el contexto: todo lo que escribiste en esa conversación está disponible para la siguiente respuesta, y por eso parece que recuerda lo que le dijiste hace unos minutos.
Algunos productos añaden funciones de memoria que guardan datos tuyos, como tu profesión o tus preferencias, y los incluyen en conversaciones futuras. Eso tampoco es reentrenar el modelo: es información que el producto vuelve a poner en el contexto, y normalmente puedes verla o borrarla en la configuración.
Otra cuestión es si el proveedor usa tus conversaciones para entrenar versiones futuras. Eso depende de cada servicio, del tipo de cuenta y de la configuración de privacidad. Revisa esas opciones antes de compartir información sensible y, en el trabajo, sigue la política de tu organización.
| Proceso | Qué cambia | Ejemplo |
|---|---|---|
| Entrenamiento | Parámetros del modelo | Ajustar un clasificador con ejemplos |
| Contexto de un chat | Información disponible en esa conversación | Pegar una tabla y pedir un resumen |
| Memoria del producto | Datos guardados que se vuelven a incluir en el contexto | Recordar que prefieres respuestas breves |
| Recuperación de información | Documentos consultados para responder | Buscar un fragmento de un manual |
| Evaluación | Nuestra evidencia sobre el rendimiento | Probar ejemplos reservados |
Usar, adaptar o entrenar: qué puedes hacer tú
Entender cómo aprende la IA ayuda a elegir la herramienta correcta. La mayoría de las tareas de trabajo no requieren entrenar nada: basta con dar buen contexto en el prompt o conectar el asistente a tus documentos. Entrenar o ajustar un modelo tiene sentido cuando necesitas un comportamiento muy repetible que las instrucciones no consiguen.
Como regla práctica, empieza por la opción más barata y sube de nivel solo si las pruebas lo justifican.
| Opción | Qué cambia en el modelo | Cuándo conviene |
|---|---|---|
| Prompt con contexto | Nada; solo lo que lee en la conversación | Redactar, resumir, analizar un archivo puntual |
| Recuperación de documentos (RAG) | Nada; consulta tus fuentes antes de responder | Responder con manuales, políticas o una base de conocimiento propia |
| Ajuste fino | Una parte de sus pesos, con tus ejemplos | Formato o estilo muy específico y repetido a gran escala |
| Entrenar desde cero | Todos los pesos | Tareas propias con datos propios, normalmente modelos pequeños de clasificación |
Por qué falla con ejemplos nuevos
Un modelo puede ajustarse demasiado a los datos de entrenamiento (sobreajuste), recibir entradas diferentes de las que conoció o carecer de información suficiente. Evaluarlo con datos que ya vio produce una impresión demasiado favorable.
En los modelos de lenguaje hay un límite adicional: generar una respuesta plausible no equivale a comprobar que sea verdadera. Su conocimiento se detiene en la fecha de sus datos de entrenamiento, salvo que el producto busque en internet o consulte documentos. Para una pregunta factual hacen falta fuentes y verificación.
Para una práctica sencilla, reserva ejemplos antes de entrenar. Anota los errores por tipo y comprueba si se concentran en un fondo, una iluminación o una clase. Mejorar los datos puede resultar más útil que repetir el entrenamiento sin cambiar nada.
Ejercicio para comprenderlo sin fórmulas
Usa dos grupos de tarjetas dibujadas, por ejemplo círculos y triángulos. Separa algunas antes de entrenar un clasificador visual. Prueba primero las reservadas y después cambia el fondo. La diferencia de resultados muestra por qué la evaluación importa.
Si quieres hacerlo en el navegador sin programar, la guía para crear una IA desde cero explica cómo entrenar un clasificador de imágenes con tu cámara y comprobar dónde se equivoca.
- Define una tarea observable.
- Reúne ejemplos variados y con etiquetas coherentes.
- Reserva una parte para comprobar el resultado.
- Entrena y registra aciertos y errores.
- Cambia una condición y repite la evaluación.
- Describe qué aprendiste sin generalizar más allá de la prueba.
Preguntas frecuentes
¿Cómo aprende la IA, en pocas palabras?
Ajustando sus parámetros a partir de ejemplos: predice, mide el error, corrige un poco sus valores internos y repite el ciclo muchas veces. Luego se evalúa con ejemplos que no vio durante el entrenamiento.
¿Cómo aprende una IA como ChatGPT?
Primero se preentrena prediciendo el siguiente fragmento de grandes cantidades de texto; después se ajusta con ejemplos de conversaciones y con valoraciones humanas (RLHF) para responder como asistente. Cuando lo usas, sus pesos ya están fijados.
¿La IA aprende cada vez que hablo con ella?
No necesariamente. El contexto de la conversación y una posible memoria del producto no son lo mismo que actualizar los parámetros del modelo base. Si el proveedor usa tus chats para entrenar modelos futuros depende de su política y de tu configuración.
¿Qué tipos de aprendizaje existen en la IA?
Los principales son el aprendizaje supervisado (ejemplos con respuesta correcta), el no supervisado (buscar estructura en datos sin etiquetas) y el aprendizaje por refuerzo (recompensas según las acciones). Los modelos de lenguaje usan además aprendizaje autosupervisado.
¿Aprender significa memorizar?
Un modelo puede memorizar partes de sus datos, pero queremos que funcione también con entradas nuevas. Por eso se evalúa fuera del entrenamiento.
¿Necesito matemáticas para entender la idea?
Puedes comprender datos, entrenamiento y evaluación con ejemplos sencillos. Las matemáticas son necesarias para profundizar en cómo se construyen los modelos.
Fuentes y accesos oficiales
Enlaces consultados el 8 de noviembre de 2026. Revisa en cada proveedor sus condiciones vigentes.
Material original de Aulas de IA elaborado con asistencia de IA. Practica con los ejemplos y comprueba los resultados. Metodología editorial.