Era un viernes por la tarde, poco antes de cerrar. Un análisis de registros atascado desde hacía horas — cientos de líneas, un patrón evidente pero difícil de atrapar. Pegué la salida en una herramienta de IA y pregunté. Treinta segundos después estaba ahí la respuesta: precisa, correcta, elegantemente razonada. Un colega habría tardado más.

Una hora después quise que la misma herramienta reordenara un sencillo archivo YAML. Alucinó un campo que nunca había existido, afirmó rotundamente que era necesario y reprodujo idéntico error cuatro veces seguidas — aunque cada vez señalé con el dedo justo allí.

Ahí reside precisamente la ruptura. La misma tecnología, con minutos de diferencia: brillante y obtusa. Clarividente y ciega. No es un bug que un parche arregle. Es la naturaleza de esta herramienta.

La ruptura con todo lo que conocíamos

Quien ha trabajado mucho tiempo con máquinas sostiene una expectativa estable: determinismo. Misma entrada, misma salida. Un compilador hace lo que debe, o no hace nada. Un script falla, deterministamente, en el mismo punto.

La inteligencia artificial rompe ese contrato. Produce respuestas distintas a preguntas idénticas. Fabrica hechos — fuentes que no existen, llamadas a API que nunca ocurrieron, bibliotecas con nombres plausibles y contenidos inventados. Insiste en un error aun cuando se le presenta la prueba. Quien no haya visto esto, no la ha usado.

Eso desconcierta. Tratar a la IA como un buscador — pregunta dentro, verdad fuera — fracasa. Tratarla como oráculo decepciona. No es ni lo uno ni lo otro. Es algo nuevo, y lo nuevo debe entenderse.

Una herramienta, no un oráculo

Por trivial que suene: la IA es una herramienta. Y las herramientas deben aprenderse. Nadie se sienta por primera vez ante un volante esperando conducir con seguridad de inmediato. Nadie entrega una calculadora a alguien y se asombra de que el resultado sea erróneo porque la entrada lo era.

Con la IA no es distinto — salvo que la interfaz es lenguaje natural, y el lenguaje natural sugiere familiaridad donde no la hay.

La calidad de lo que entrega una IA depende crucialmente de qué le das y cómo. El mejor prompt trae la mejor respuesta. No es fórmula mágica, es oficio: aportar contexto, fijar marcos, nombrar supuestos, plantear la tarea con precisión y no de forma vaga. Pregunta confusa, respuesta confusa. Pregunta sugestiva — “Eso es un bug, ¿no?” — y no pocas veces recibes justo la confirmación que buscabas, independientemente de si es cierta.

Lo conocemos con las personas. Las preguntas sugestivas traen respuestas sugestivas. Con la IA también. La diferencia: una persona dudaría, objetaría, preguntaría. La IA tiende a complacer. Ignorar eso produce resultados que suenan convincentes y son, sin embargo, inutilizables.

El lenguaje natural no es carta blanche para la imprudencia

Precisamente porque la interacción ocurre en lenguaje natural surge una ilusión: no se puede hacer nada mal. Después de todo, solo hablas. Formulas, pruebas, vuelves a preguntar.

Pero ocurre lo contrario. Precisamente porque la barrera es tan baja, muchos no notan que pueden — y deben — mejorar. Los buenos prompts son una habilidad. Se practican, refinan, sistematizan. Tomar el primer resultado aceptable y pasar de largo deja potencial tirado. Trabajar de forma iterativa, añadir contexto, obligar a la IA a mostrar sus pasos mejora notablemente los resultados.

Que sea lenguaje natural no significa que no haya método. Solo significa que el método se ve distinto de SQL o Bash. Dispuesto a aprenderlo, sacas provecho real. No dispuesto, te quedas con anécdotas.

El balance medioambiental — y por qué no es tan simple

Ahora la verdad incómoda: la IA consume energía. Mucha energía. Entrenamiento e inferencia devoran electricidad en escalas antes reservadas a centros de datos enteros. Negarlo es discutir contra la física.

Pero no es tan simple. Primero, gran parte del debate se sostiene con cifras genéricas rara vez comparables. Segundo, el consumo por petición cae a medida que los modelos se hacen más pequeños, cuantizados y especializados. Tercero — y este es el punto real — el problema no es la IA en sí, sino cómo se suministra.

Los gigantes tecnológicos intentan levantar centros de datos colosales conectados a sus propios reactores nucleares. Es una mala idea desde el principio. La energía nuclear no es para mí una vía aceptable — los riesgos siguen sin resolverse, y normalizarla para centros de datos traslada el costo a las generaciones futuras. Pero incluso más allá de ello, la cuestión central no es “¿de dónde viene la corriente?”, sino “¿necesitamos acaso esta concentración?”. Operar la IA distribuida, más ligera y cerca del usuario vuelve innecesarios los reactores multimillonarios. Pero en la carrera entre superpotencias se construye más grande, no más listo.

Esa carrera ya es realidad. Se alimenta de guerras comerciales, prestigio nacional y miedo a quedar atrás. La IA es bendición y castigo a la vez: acelera investigación, medicina, ciencia de materiales — e impulsa una carrera armamentista donde la razón pierde frente a la escala. Loar una mitad e ignorar la otra es hablar al margen del asunto.

Qué hizo libcom.de con ello

Uso IA desde hace años — no como experimento, sino en el día a día de una práctica de TI. Revisiones de código, documentación, análisis de registros, bocetos de arquitecturas, traducción, explicación. De esa práctica provienen dos juicios.

Primero: construir conocimiento en torno a la IA importa. Saber qué puede un modelo, dónde alucina, cómo preguntarle bien, cuándo confiar y cuándo no. No es conocimiento de lujo; se está volviendo alfabetización básica.

Segundo — al menos igual de importante: hay que saber qué ofertas de IA usar y cuáles no. Los grandes modelos públicos son cómodos, pero son cajas negras. Lo que introduces sale de tu esfera de influencia. Para una consulta privada quizá no importe. Para datos de clientes, internos, código fuente, configuraciones, sí.

Por eso libcom.de también opera IA on-premise — localmente, en su propio hardware, sin fuga de datos. Más laborioso que una llamada a una API. Más lento, más caro de adquirir, más exigente de mantener. Pero resuelve el mayor problema del uso de la IA que nadie gusta nombrar: la privacidad. Alimentar un modelo ajeno con datos sensibles es haber cedido ya el control. Inferir localmente es conservarlo.

Y aquí queda claro que la pregunta no es “¿IA sí o no?” sino “¿qué IA, dónde, bajo cuyo control?”. Eso es precisamente el trabajo: no vender un producto sino averiguar juntos qué despliegue tiene sentido — y cuál no.

Si te preguntas si y cómo la IA puede desplegarse con sentido en tu entorno — on-premise, conforme con la privacidad, sin dependencia de hiperscalers: escríbenos a contact@libcom.de. Lo desmontamos con honestidad. Sin presión comercial. Con la vista en lo que dura a largo plazo.

La IA no es salvación ni perdición. Es una herramienta — poderosa, falible, por aprender. Como toda herramienta, la mano que la guía decide.