El poder del lenguaje

Del lenguaje humano a la inteligencia artificial

Los grandes modelos de lenguaje son eso: modelos de lenguaje. Para usarlos con conciencia conviene entender de dónde vienen, cómo funcionan y qué no pueden hacer.

Esta guía recorre los conceptos clave y una línea de tiempo que empieza alrededor del fuego, con las primeras palabras, y llega a los sistemas que hoy conversan con nosotros.

  1. Palabra
  2. Escritura
  3. Lógica
  4. Cálculo
  5. Modelos de lenguaje
Propósito

Comprender para usar con conciencia

En Dialegu trabajamos desde el poder del lenguaje: las palabras crean vínculos, acuerdos y mundos posibles. La inteligencia artificial que hoy conversa con nosotros es, en el fondo, lenguaje humano convertido en cálculo.

Saber cómo funciona no es un asunto solo técnico. Nos permite decidir cuándo usarla, qué esperar de ella, qué datos compartir y cómo mantener a las personas en el centro. Esa comprensión es la base de la colectigencia: la IA apoya; la comunidad decide y se apropia.

Conceptos clave

Las palabras para entender la IA

Cada concepto en una frase, y por qué importa para usarla con conciencia.

Inteligencia artificial
Campo que construye sistemas capaces de hacer tareas que asociamos con la inteligencia humana: reconocer, traducir, conversar, recomendar o decidir.
Para un uso consciente: No es una mente ni una sola cosa. Es un conjunto de técnicas diseñadas por personas.
Algoritmo
Secuencia finita de pasos precisos para resolver un problema. La palabra viene del matemático persa al-Juarismi.
Para un uso consciente: Detrás de cada resultado hay decisiones de diseño: qué se mide, qué se premia, qué se ignora.
Datos
Los ejemplos de los que aprende un sistema: textos, imágenes, registros, conversaciones.
Para un uso consciente: Lo que falta en los datos, o está mal representado, el modelo no lo sabe o lo distorsiona.
Aprendizaje automático
En lugar de escribir reglas a mano, el sistema ajusta sus parámetros a partir de ejemplos hasta equivocarse menos.
Para un uso consciente: Aprende correlaciones. Que algo aparezca junto no significa que una cosa cause la otra.
Red neuronal
Capas de unidades de cálculo conectadas, cuyos pesos se ajustan en el entrenamiento. Se llama «profunda» cuando tiene muchas capas.
Para un uso consciente: Se inspira de lejos en el cerebro, pero no funciona como él ni siente lo que procesa.
Token
Fragmento de texto con el que trabaja un modelo: una palabra, un pedazo de palabra o un signo.
Para un uso consciente: Los modelos leen, recuerdan y cobran por tokens. El español suele necesitar más tokens que el inglés.
Representación vectorial
Cada token se convierte en una lista de números. Las palabras que se usan en contextos parecidos quedan cerca en ese espacio.
Para un uso consciente: El significado se aprende del uso, y con él se aprenden también los prejuicios del uso.
Atención y transformador
La atención pondera qué partes del contexto importan para interpretar cada palabra. El transformador es la arquitectura construida sobre ella: la «T» de GPT.
Para un uso consciente: Por eso el contexto que das cambia tanto la respuesta que recibes.
Modelo de lenguaje grande (LLM)
Modelo entrenado con enormes cantidades de texto para predecir el siguiente token. Repitiendo esa predicción, escribe.
Para un uso consciente: Produce lo plausible, no necesariamente lo verdadero.
Preentrenamiento y ajuste
Primero el modelo aprende patrones generales del lenguaje; después se ajusta con ejemplos y valoraciones de personas para seguir instrucciones.
Para un uso consciente: Hay trabajo humano de etiquetado y evaluación detrás, muchas veces invisible y precario.
Instrucción y ventana de contexto
Lo que escribes al modelo (la instrucción o prompt) y toda la información que puede considerar en una conversación.
Para un uso consciente: Un buen contexto mejora la respuesta. Los datos que compartes dejan de estar solo en tus manos.
Alucinación
Respuesta fluida y segura, pero falsa o inventada: una cita que no existe, una cifra equivocada.
Para un uso consciente: Verifica nombres, fechas, cifras y referencias antes de usarlas.
Sesgo
Distorsión sistemática que reproduce desigualdades presentes en los datos o en las decisiones de diseño.
Para un uso consciente: Pregunta a quién representa la respuesta y a quién deja por fuera.
IA generativa y agentes
Sistemas que crean texto, imágenes, audio o código. Los agentes, además, ejecutan acciones con herramientas.
Para un uso consciente: Cuanta más autonomía tiene un sistema, más necesaria es la supervisión humana.
Línea de tiempo

Cómo el lenguaje hizo posible la IA

Siete momentos de un mismo camino. Las notas marcadas como «Hilo del lenguaje» muestran cómo cada paso prepara a los modelos de lenguaje actuales.

Personas en círculo alrededor del fuego; sus voces suben y se enlazan en una constelación.

Momento 1 · Hace más de 100.000 años

La palabra compartida

Antes de cualquier máquina, el lenguaje fue la primera tecnología para pensar juntos: nombrar, recordar, coordinarse y contar historias.

  1. Hace al menos 100.000 años

    Surge el lenguaje articulado

    Las estimaciones varían mucho, pero la evidencia arqueológica y genética sugiere que los humanos modernos ya hablaban con lenguas complejas. Con ellas, la experiencia de una persona se vuelve conocimiento del grupo.

  2. Hace decenas de miles de años

    Símbolos fuera del cuerpo

    Grabados, pigmentos y pinturas rupestres: la memoria empieza a guardarse en soportes externos, más allá de quien la vivió.

  3. Tradición oral

    Relatos, cantos y mitos

    Las comunidades conservan saberes en la memoria colectiva. El ritmo, la rima y la repetición ayudan a recordar.

    Hilo del lenguaje: El lenguaje está hecho de patrones que se repiten y se pueden anticipar. Esa es la materia que, milenios después, aprenderán las máquinas.

Tablilla de arcilla con escritura cuneiforme, la evolución de un pictograma a letra del alfabeto y un tipo móvil de imprenta.

Momento 2 · 3200 a. C. – siglo XV

Escribir y ordenar el pensamiento

La escritura saca la palabra del instante y la vuelve registro. Con ella aparecen las reglas para describir la lengua y el razonamiento.

  1. c. 3200 a. C.

    Escritura cuneiforme en Mesopotamia

    En Sumeria nace la escritura para llevar cuentas; pronto sirve para leyes, cartas y poemas. Casi al mismo tiempo surgen los jeroglíficos egipcios.

  2. c. 1050 a. C.

    El alfabeto fenicio

    Pocos signos representan sonidos. Griegos y romanos lo adaptan, y de ahí viene el alfabeto con el que lees esto.

    Hilo del lenguaje: Unidades pequeñas que se combinan para decirlo todo: la misma idea que hoy usan los tokens.

  3. Siglos VI – IV a. C.

    Pāṇini y Aristóteles

    En la India, Pāṇini describe el sánscrito con cerca de 4.000 reglas formales. En Grecia, Aristóteles sistematiza la lógica del silogismo. Lengua y razonamiento empiezan a describirse con reglas.

  4. c. 820

    Al-Juarismi y el algoritmo

    En Bagdad, el matemático persa escribe sobre el cálculo con numerales indoarábigos y el álgebra. De su nombre viene la palabra «algoritmo».

  5. c. 1450

    La imprenta de tipos móviles

    Gutenberg multiplica los textos. Más personas leen y escriben.

    Hilo del lenguaje: Siglos después, ese enorme acervo escrito será la materia prima con la que se entrenan los modelos de lenguaje.

Un silogismo, una compuerta lógica y la cinta de una máquina de Turing con ceros y unos.

Momento 3 · 1666 – 1936

Calcular con símbolos

Filósofos y matemáticos imaginan que razonar puede ser operar con símbolos. De ahí nacen la lógica formal, el código binario y la computadora.

  1. 1666 – 1703

    Leibniz: «¡Calculemos!»

    Sueña con un lenguaje universal en el que los desacuerdos se resuelvan calculando, y describe el sistema binario de ceros y unos.

  2. 1843

    Ada Lovelace

    En sus notas sobre la máquina analítica de Charles Babbage escribe lo que se considera el primer programa, y advierte que una máquina así podría manipular cualquier símbolo, incluso notas musicales, no solo números.

  3. 1854

    Boole: las leyes del pensamiento

    Convierte la lógica en álgebra: verdadero y falso, 1 y 0. Es la base de los circuitos digitales.

  4. 1879

    Frege y el lenguaje formal

    Crea una notación para la lógica que separa la forma del contenido. Ese paso permitirá más tarde que una máquina procese expresiones.

  5. 1913

    Márkov cuenta letras

    Analiza la secuencia de vocales y consonantes en «Eugenio Oneguin», de Pushkin, y muestra que cada letra depende de las anteriores.

    Hilo del lenguaje: Es la semilla de los modelos que predicen lo que viene a continuación.

  6. 1936

    La máquina de Turing

    Alan Turing describe una máquina abstracta que lee y escribe símbolos en una cinta. Define qué se puede calcular y anticipa la computadora de propósito general.

Una neurona artificial que suma entradas y se activa al pasar un umbral, junto a la pantalla de un programa conversacional.

Momento 4 · 1943 – 1969

Nace la inteligencia artificial

Con las primeras computadoras, la pregunta cambia: ¿puede una máquina pensar? Y la conversación se vuelve la prueba.

  1. 1943

    La neurona artificial

    Warren McCulloch y Walter Pitts proponen un modelo matemático de neurona que se activa cuando la suma de sus entradas supera un umbral.

  2. 1948

    Shannon mide la información

    Claude Shannon funda la teoría de la información y genera frases que se parecen al inglés usando solo las probabilidades de letras y palabras.

    Hilo del lenguaje: Primera prueba de que la estadística del lenguaje permite producir texto.

  3. 1950

    ¿Pueden pensar las máquinas?

    Turing propone el «juego de la imitación»: juzgar la inteligencia de una máquina por su capacidad de conversar.

  4. 1954

    Primera traducción automática

    El experimento Georgetown-IBM traduce más de 60 oraciones del ruso al inglés con seis reglas y 250 palabras. El optimismo resultó excesivo.

  5. 1956

    Dartmouth da nombre al campo

    John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon convocan el taller que usa el término «inteligencia artificial» y funda la disciplina.

  6. 1957 – 1958

    Gramáticas y perceptrón

    Noam Chomsky propone las gramáticas generativas. Frank Rosenblatt construye el perceptrón, una red que aprende a partir de ejemplos.

  7. 1966

    ELIZA y el espejismo de la comprensión

    Joseph Weizenbaum crea un programa que imita a un terapeuta reformulando frases. Muchas personas le atribuyen comprensión real; Weizenbaum dedicó años a advertir sobre ese «efecto ELIZA».

    Hilo del lenguaje: Una lección vigente: que algo hable con fluidez no significa que entienda.

Un árbol de reglas que se desvanece junto a una frase incompleta con barras de probabilidad para la palabra siguiente.

Momento 5 · 1970 – 2011

Reglas, inviernos y estadística

Las reglas escritas a mano no alcanzan para la riqueza del lenguaje. El campo pasa de prescribir reglas a contar ejemplos.

  1. Décadas de 1970 y 1980

    Sistemas expertos

    Programas con miles de reglas «si… entonces» para medicina o industria. Funcionan en dominios estrechos, pero son frágiles y costosos de mantener.

  2. 1974 – 1980 y 1987 – 1993

    Los inviernos de la IA

    Las promesas incumplidas recortan la financiación y el interés.

    Hilo del lenguaje: La expectativa exagerada también es un riesgo: conviene mirar la IA sin miedo y sin fascinación.

  3. 1986

    Retropropagación

    David Rumelhart, Geoffrey Hinton y Ronald Williams popularizan el método para entrenar redes de varias capas: ajustar cada peso según el error cometido.

  4. Década de 1990

    El giro estadístico

    El procesamiento del lenguaje natural aprende de grandes colecciones de texto: traducción automática estadística, reconocimiento de voz, etiquetado de palabras.

  5. 1997

    Memoria para secuencias

    Sepp Hochreiter y Jürgen Schmidhuber proponen las redes LSTM, capaces de recordar a lo largo de una frase. Ese mismo año Deep Blue vence a Kaspárov en ajedrez.

  6. 2003

    Un modelo neuronal de lenguaje

    Yoshua Bengio y colegas usan una red neuronal para predecir la siguiente palabra, representando cada palabra como un vector de números.

  7. 2011

    La IA llega al bolsillo

    Watson, de IBM, gana el concurso Jeopardy! y los asistentes de voz llegan a los teléfonos.

Una red neuronal de varias capas y un mapa donde palabras de significado parecido quedan cerca.

Momento 6 · 2012 – 2016

Aprendizaje profundo

Más datos, más capacidad de cómputo y redes más profundas. Las palabras pasan a representarse como puntos en un espacio de significados.

  1. 2012

    AlexNet

    Una red profunda entrenada con procesadores gráficos supera por amplio margen a los demás sistemas en reconocimiento de imágenes. Empieza la era del aprendizaje profundo.

  2. 2013

    Palabras como vectores

    Con word2vec, Tomas Mikolov y colegas muestran que las relaciones de significado se vuelven geometría: «rey» menos «hombre» más «mujer» queda cerca de «reina».

    Hilo del lenguaje: El significado aparece como relación entre palabras, aprendida de cómo las usamos.

  3. 2014

    Secuencia a secuencia y atención

    Redes que leen una frase y escriben otra, como en la traducción. Dzmitry Bahdanau, Kyunghyun Cho y Yoshua Bengio introducen la atención: mirar las partes relevantes de la entrada.

  4. 2016

    AlphaGo y traducción neuronal

    AlphaGo vence a Lee Sedol en el juego de go y los grandes traductores en línea pasan a usar redes neuronales.

Una frase dividida en tokens, unidos por arcos de atención, y las probabilidades de la palabra siguiente.

Momento 7 · 2017 – hoy

Los grandes modelos de lenguaje

Una arquitectura basada en la atención, entrenada con buena parte del texto escrito por la humanidad, aprende a continuar casi cualquier conversación.

  1. 2017

    El transformador

    El artículo «Attention Is All You Need» presenta una arquitectura basada solo en la atención, que procesa todo el texto en paralelo. Es la base de casi todos los modelos actuales.

  2. 2018

    Preentrenar y ajustar

    BERT y GPT muestran que conviene preentrenar un modelo con enormes cantidades de texto y luego ajustarlo a tareas concretas.

  3. 2020

    La escala: GPT-3

    Con 175.000 millones de parámetros, aprende tareas nuevas a partir de unos pocos ejemplos escritos en la propia instrucción.

  4. 2022

    La IA conversacional llega a todos

    Modelos ajustados con valoraciones de personas aprenden a seguir instrucciones. ChatGPT, lanzado en noviembre, alcanza a millones de personas en semanas. Ese mismo año se popularizan los generadores de imágenes.

  5. 2023

    Multimodales y abiertos

    GPT-4, Claude, Gemini, Llama y otros trabajan con texto, imagen y voz. Los modelos de pesos abiertos permiten adaptarlos y usarlos de forma local.

  6. 2024 – 2025

    Razonamiento y agentes

    Aparecen modelos que razonan por pasos antes de responder y agentes que usan herramientas, buscan, programan y actúan. Protocolos abiertos como MCP permiten conectarlos con otros sistemas.

  7. 2021 – 2025

    Reglas para una tecnología común

    La UNESCO aprueba su Recomendación sobre la ética de la IA (2021), la Unión Europea su Ley de IA (2024) y Colombia su Política Nacional de Inteligencia Artificial, el CONPES 4144 (2025).

Hoy y lo que sigue

Del modelo de lenguaje al lenguaje en común

Si la IA es lenguaje convertido en cálculo, la pregunta clave no es solo qué puede hacer la máquina, sino quién habla, quién decide y quién se apropia de lo que se crea. Desde la colectigencia proponemos usarla para que las comunidades se escuchen mejor, ordenen lo que dicen y conserven la autoría de su palabra.

Por dentro

Qué pasa cuando le escribes a un modelo de lenguaje

Cinco pasos que ocurren en fracciones de segundo, una y otra vez, por cada fragmento de la respuesta.

  1. 1

    Escribes

    Una instrucción con contexto: «Resume lo que dijo la comunidad sobre el agua».

  2. 2

    Se parte en tokens

    El texto se divide en fragmentos: «Res», «ume», «lo», «que»…

  3. 3

    Se vuelve números

    Cada token se convierte en un vector que ubica su significado aprendido.

  4. 4

    Atiende al contexto

    Decenas de capas de atención relacionan cada fragmento con todos los demás.

  5. 5

    Predice y repite

    Calcula la probabilidad del siguiente token, elige uno, lo agrega y vuelve a empezar.

Por eso un modelo puede escribir con fluidez sobre casi cualquier tema y, al mismo tiempo, inventar un dato con total seguridad: optimiza lo probable, no lo verdadero.

Sin miedo y sin fascinación

Lo que la IA es y lo que no es

  • Se suele creerLa IA entiende como una persona.

    En realidadCalcula patrones del lenguaje. Puede parecer comprensión, pero no tiene experiencia, intención ni responsabilidad.

  • Se suele creerSi lo dice la IA, es cierto.

    En realidadGenera texto probable. Puede equivocarse con total seguridad; verifica con fuentes.

  • Se suele creerLa IA es neutral.

    En realidadRefleja los datos con que se entrenó y las decisiones de quienes la diseñan.

  • Se suele creerLa IA es inmaterial.

    En realidadDepende de centros de datos que consumen energía y agua, de minerales y de trabajo humano.

  • Se suele creerLa IA reemplazará nuestro pensamiento.

    En realidadPuede ampliarlo o empobrecerlo. Depende de cómo y para qué la usemos.

Uso consciente

Seis prácticas para usar la IA desde la comprensión

Para personas, equipos y comunidades que quieren movilizar la IA sin perder el criterio propio.

  • Pregunta para quéDefine el propósito antes de abrir la herramienta. Si no sabes qué buscas, la IA tampoco.
  • Da contexto, cuida los datosExplica la situación, pero no compartas información personal o sensible de otras personas sin su consentimiento.
  • VerificaContrasta cifras, citas, nombres y fechas con fuentes confiables antes de usarlos.
  • Declara el usoDi cuándo y cómo usaste IA. La transparencia construye confianza.
  • Conserva tu vozLa IA propone; tú y tu comunidad deciden, corrigen y firman.
  • Piensa con otrosUsa la IA para escuchar más voces, no para reemplazar la conversación entre personas.

Así usamos la IA en Dialegu: declaración de transparencia.

Síntesis

Mapa para comprender la IA

Qué es, cómo se desarrolla y cómo funciona, en un solo grafo. A la izquierda, cómo se contienen los conceptos; a la derecha, el ciclo que va del lenguaje humano a la decisión de las personas.

Mapa de la inteligencia artificial. Los conceptos se contienen: inteligencia artificial, aprendizaje automático, aprendizaje profundo y modelos de lenguaje. El ciclo de funcionamiento va del lenguaje humano a los datos y tokens, el entrenamiento, el modelo, la pregunta y respuesta, y la decisión de las personas, que vuelve a ser lenguaje.
Toca o haz clic en el mapa para verlo en tamaño completo.
Leer el mapa en texto

1. Qué es

  • Inteligencia artificial: sistemas que hacen tareas que asociamos con la inteligencia humana.
  • Aprendizaje automático: una forma de IA que aprende patrones a partir de datos.
  • Aprendizaje profundo: aprendizaje automático con redes neuronales de muchas capas.
  • Modelos de lenguaje grandes: aprendizaje profundo aplicado al lenguaje.

2. Cómo se desarrolla y funciona

  1. Lenguaje humano: libros, conversaciones, código y sitios web.
  2. Datos y tokens: el texto se recopila, se limpia y se parte en fragmentos.
  3. Entrenamiento: predecir el siguiente token y corregir el error, miles de millones de veces; luego, ajuste con personas.
  4. Modelo: miles de millones de parámetros que guardan patrones, no una base de datos de verdades.
  5. Pregunta y respuesta: la persona da contexto y el modelo responde token a token.
  6. Las personas deciden: verifican, corrigen, citan y firman. Lo que deciden vuelve a ser lenguaje.

Fuentes y créditos

  • Turing, A. (1950). «Computing Machinery and Intelligence». Mind, 59(236).
  • Shannon, C. (1948). «A Mathematical Theory of Communication». Bell System Technical Journal.
  • Weizenbaum, J. (1966). «ELIZA: A Computer Program for the Study of Natural Language Communication between Man and Machine». Communications of the ACM.
  • Mikolov, T. y otros (2013). «Efficient Estimation of Word Representations in Vector Space».
  • Vaswani, A. y otros (2017). «Attention Is All You Need». NeurIPS.
  • Russell, S. y Norvig, P. Inteligencia artificial: un enfoque moderno. Pearson.
  • UNESCO (2021). Recomendación sobre la ética de la inteligencia artificial.
  • Departamento Nacional de Planeación (2025). Documento CONPES 4144: Política Nacional de Inteligencia Artificial.

Las fechas antiguas son aproximadas y algunas siguen en discusión entre especialistas. Ilustraciones y mapa: creación original de Dialegu para esta página.

¿Quieres llevar esta conversación a tu comunidad?

Acompañamos a escuelas, organizaciones y comunidades a comprender la IA y a usarla juntas, con propósito y criterio propio.