Cómo funciona ChatGPT explicado simple

Resumen en 30 segundos

ChatGPT (OpenAI) es un modelo que predice la siguiente palabra más probable. No piensa, no razona, no entiende. Calcula probabilidades basándose en patrones de billones de textos. El resultado es tan bueno que parece inteligente, pero el mecanismo es estadístico.

Esto no es una limitación menor: es la clave para entender por qué funciona tan bien y por qué a veces falla estrepitosamente. Lo mismo aplica a Claude (Anthropic) y Gemini (Google). Entender el mecanismo interno te convierte en un usuario más eficaz, capaz de obtener mejores resultados con menos intentos.

Tokens: la unidad de texto

Los LLMs no procesan palabras: procesan tokens. Un token es un fragmento de texto (puede ser una palabra, parte de una palabra, o un signo de puntuación).

Por qué importa esto en la práctica? Porque los tokens determinan dos cosas fundamentales: cuánto te cuesta una petición (se cobra por token) y cuánta información cabe en una conversación (la ventana de contexto se mide en tokens).

Otro detalle importante: los tokenizadores (el componente que divide texto en tokens) están optimizados para inglés. En español, una misma idea puede costar un 20-35% más de tokens. Por eso, para proyectos con volumen alto, es útil ser conciso en los prompts: menos tokens = menos coste = más rápido.

Predicción de la siguiente palabra

El proceso fundamental es simple: dado todo el texto anterior (tu prompt + lo que ya ha generado), el modelo calcula la probabilidad de cada posible siguiente token y elige uno.

Es como el autocompletado del móvil, pero con billones de patrones en vez de miles. El resultado es tan sofisticado que parece comprensión, pero es estadística pura.

Este proceso se repite token a token. Cada vez que el modelo genera un token, lo añade al contexto y recalcula las probabilidades para el siguiente. Una respuesta de 500 palabras implica ~700 predicciones consecutivas, cada una influida por todo lo anterior.

Un detalle que sorprende: el modelo no "planifica" la respuesta completa. No sabe cómo va a terminar la frase cuando empieza a escribirla. Genera palabra a palabra. El hecho de que el resultado final sea coherente es consecuencia de la calidad de los patrones aprendidos durante el entrenamiento, no de un plan consciente.

Cómo se entrena ChatGPT (las 3 fases)

El entrenamiento de ChatGPT sigue tres fases distintas. Entenderlas te ayuda a predecir cuándo el modelo funcionará bien y cuándo fallará.

Fase 1: Pre-entrenamiento (el modelo "lee internet")

El modelo procesa billones de palabras de texto: libros, webs, código fuente, Wikipedia, papers, foros. No memoriza el texto literal: aprende patrones estadísticos. "Después de la palabra X en el contexto Y, suele venir la palabra Z".

Esta fase es la más costosa: requiere miles de GPUs durante semanas y cuesta decenas de millones de dólares. El resultado es un modelo con conocimiento general pero sin "personalidad" ni instrucciones de comportamiento.

Fase 2: Fine-tuning con instrucciones (aprender a obedecer)

Humanos escriben miles de pares instrucción-respuesta de ejemplo. "Si un usuario pregunta X, la respuesta ideal es Y". El modelo ajusta sus pesos para seguir instrucciones en vez de solo completar texto. Es aquí donde un modelo genérico se convierte en un "asistente".

Fase 3: RLHF (aprender preferencias humanas)

RLHF (Reinforcement Learning from Human Feedback) es el paso clave que hizo viral a ChatGPT. Humanos evalúan múltiples respuestas del modelo y eligen cuál es mejor. El modelo aprende a generar el tipo de respuestas que los humanos prefieren: útiles, seguras, bien estructuradas.

Temperatura: creatividad vs precisión

La temperatura controla cuánto riesgo toma el modelo al elegir la siguiente palabra. Es probablemente el parámetro más importante que puedes ajustar como usuario.

En la interfaz web de ChatGPT no puedes ajustar la temperatura directamente (OpenAI la fija internamente). Pero sí puedes influir en el comportamiento con tu prompt: pedir "sé preciso y conciso" reduce la variabilidad, mientras que "dame ideas creativas y diversas" la aumenta.

En la API de OpenAI (y en Claude, Gemini y otros), la temperatura es un parámetro explícito. Si desarrollas aplicaciones con IA, ajustarla correctamente es una de las primeras optimizaciones que debes hacer.

Ventana de contexto

La ventana de contexto es la cantidad de texto que el modelo puede "ver" de una vez. Todo lo que está fuera de esa ventana, no existe para el modelo.

Es como una mesa de trabajo: cuanto más grande, más documentos puedes tener abiertos a la vez. Un contexto de 128K tokens (GPT-4o) te permite procesar un libro entero. Un contexto de 1M tokens (Claude Opus) te permite procesar varios libros o un codebase completo.

Por qué el contexto importa tanto

Cuándo le das a ChatGPT un documento de 50 páginas y le preguntas algo, el modelo tiene todo el documento "en mente" al responder. Si el documento supera la ventana de contexto, el modelo no puede verlo todo: pierde partes del texto y sus respuestas se degradan.

Otro efecto importante: cuanto más largo es el contexto, más lento y más caro es el procesamiento. No es lineal: un prompt de 100K tokens no cuesta 10x más que uno de 10K, pero sí cuesta significativamente más. Por eso, un buen profesional de IA optimiza el contexto: incluye solo la información relevante, resume lo que puede resumirse y estructura el prompt para que el modelo encuentre rápido lo importante.

Para una comparativa detallada de contexto entre modelos, lee nuestro artículo dedicado.

Por qué alucina (y cómo reducirlo)

Si el modelo predice la siguiente palabra más probable y no tiene datos sobre un tema, genera algo que suena correcto pero es inventado. Esto es una alucinación.

Ocurre porque el mecanismo es estadístico: el modelo no distingue entre "esto es verdad" y "esto suena a verdad". Es el mismo mecanismo que le permite escribir bien, pero sin filtro de veracidad.

Cuándo alucina más

• Datos específicos: fechas exactas, cifras, citas textuales, URLs. El modelo "inventa" datos que encajan estadísticamente.
• Temas muy nicho: cuanto menos datos de entrenamiento tiene sobre un tema, más rellena con patrones genéricos.
• Información reciente: el modelo tiene una fecha de corte de conocimiento. Lo que pasó después, lo inventa o lo desconoce.
• Preguntas que presuponen una respuesta: "Quién dijo que la IA es el futuro?" El modelo fabricará una cita atribuida a alguien famoso porque el patrón lo demanda.

5 estrategias para reducir alucinaciones

1. Proporciona los datos tú. No le pidas que busque información. Copia los datos en el prompt y pídele que los analice.
2. Pide que cite fuentes de los datos que le das. Si le das un documento, pídele que referencie secciones específicas. Así puedes verificar.
3. Usa temperatura 0. Reduce la creatividad y por tanto la invención.
4. Instrucciones explícitas. "Si no tienes información suficiente, di que no lo sabes en vez de inventar." Este prompt reduce drásticamente las alucinaciones.
5. Verifica siempre datos factuales. Nunca publiques cifras, fechas o citas del modelo sin verificar en fuentes primarias.

Para más estrategias de mitigación, lee nuestro artículo sobre limitaciones de la IA.

GPT-4o vs GPT-4 vs GPT-3.5: diferencias reales

OpenAI ha lanzado múltiples versiones de GPT. En 2026, estos son los modelos relevantes:

GPT-4o (el principal en 2026)

• Modelo multimodal nativo: procesa texto, imagen y audio
• 128K tokens de contexto
• Más rápido y más barato que GPT-4 original
• Disponible en ChatGPT Plus y en la API
• Mejor rendimiento general en benchmarks

GPT-4 (la generación anterior)

• Solo texto (visión añadida después como GPT-4V)
• Más lento y más caro que GPT-4o
• Todavía disponible en la API pero en proceso de deprecación
• Rendimiento ligeramente inferior a GPT-4o en la mayoría de tareas

GPT-3.5 (legacy)

• El modelo original de ChatGPT (noviembre 2022)
• Mucho más limitado: contexto de 4K-16K tokens
• Más rápido y barato, pero calidad significativamente inferior
• Útil solo para tareas simples donde el coste es prioritario

En la práctica, GPT-4o es el modelo a usar en 2026. Si buscas alternativas con diferentes fortalezas, la comparativa ChatGPT vs Claude vs Gemini cubre los tres principales.

Privacidad: qué pasa con tus datos

Este es un tema que preocupa (con razón) a muchos profesionales y empresas. Las reglas varían según el plan:

ChatGPT Free (web)

Por defecto, OpenAI puede usar tus conversaciones para mejorar sus modelos. Puedes desactivarlo en Ajustes > Controles de datos > "Mejorar el modelo para todos". Si lo desactivas, tus datos no se usan para entrenamiento, pero OpenAI los retiene 30 días por seguridad.

ChatGPT Plus / Pro (web)

Misma política que Free por defecto. Puedes desactivar el entrenamiento. La ventaja es que tienes acceso a GPT-4o sin límites y a funciones avanzadas.

API de OpenAI

Los datos enviados por API no se usan para entrenamiento. Esto es clave para uso empresarial. OpenAI los retiene 30 días para detección de abuso, después los elimina. Existe opción de "zero data retention" con acuerdo específico.

ChatGPT Enterprise / Team

Nunca se usan datos para entrenamiento. Cumplimiento SOC 2. Data residency configurable. DPA (Data Processing Agreement) incluido. Es la opción para empresas con requisitos de compliance.

10 implicaciones para tu uso profesional

Ahora que entiendes cómo funciona ChatGPT por dentro, estas son las consecuencias prácticas:

1. Da los datos tú: no le pidas que busque información. Copia los datos en el prompt y pídele que los procese.
2. Sé específico: cuanto más contexto des, mejor predice la siguiente palabra "correcta". Incluye rol, objetivo, formato y restricciones.
3. Usa temperatura baja: para tareas profesionales donde la precisión importa (clasificación, extracción, análisis).
4. Verifica siempre: datos, cifras, nombres propios, URLs y citas. El modelo los inventa con total confianza.
5. Usa few-shot: los ejemplos le dan un patrón claro que seguir. Es la técnica con mejor ratio esfuerzo/resultado.
6. Optimiza el contexto: incluye solo información relevante. Un prompt de 2.000 palabras con contexto preciso funciona mejor que uno de 10.000 con ruido.
7. Itera en vez de rehacer: si la primera respuesta es 70% correcta, pide correcciones específicas en vez de reescribir el prompt desde cero.
8. Elige el modelo correcto: no uses GPT-4o para una tarea que GPT-3.5 resuelve igual de bien. Ahorra tokens y tiempo. Guía de selección de modelos.
9. Usa system prompts: si trabajas con la API, el system prompt define el comportamiento base. Es más eficiente que repetir instrucciones en cada mensaje.
10. Combina con herramientas: ChatGPT solo es un generador de texto. Su poder real aparece cuando lo conectas con herramientas de automatización, bases de datos y APIs.

Preguntas frecuentes