El famoso juego del dilema del prisionero nos deja reflexionando en una paradoja: da la impresión de que no hay escapatoria a ver por uno mismo y ser egoístas en un mundo lleno de egoísmo.
Afortunadamente, las matemáticas y la naturaleza nos muestran algo diferente.
El dilema del prisionero muestra a dos personas, acusadas de un crimen y puestas a confesar. En breve, el juego lleva a los dos a confesar, aún cuando los dos tendrían un mejor resultado si se pudieran poner de acuerdo y quedarse callados. Es uno de los primeros modelos que se muestran de teoría de juegos porque ayuda a entender la teoría a la vez de que muestra un resultado inquietante.
Pero el resultado es diferente cuando el juego es repetido.
He hecho ya muchos experimentos de teoría de juegos con mis alumnos para darme cuenta que, por mucho que les solicite ser "egoístas" y "racionales", ellos siempre tienden a ser demasiado generosos y justos. Esto es porque la mayor parte de las interacciones que tenemos con las otras personas son repetidas. Cuando tenemos que hacer negocios con un proveedor por años en el futuro, tendemos a cooperar más, aún si el beneficio inmediato no es obvio y que no nos hemos puesto de acuerdo.
En la plática de hoy, hablamos sobre las diferentes estrategias y cómo convergen a la cooperación
En los 80's, Robert Axelrod organizó un torneo. Le pidió a otros investigadores de teoría de juegos que mandaran sus propias estrategias para un juego de 200 iteraciones.
Había de todo. Una de las estrategias era extremadamente vengativa y sólo requería que la otra persona "confesara" una sola vez para jamás perdonar y "castigar" por el resto del juego". Otra lanzaba un castigo en un momento aleatorio para "probar" la estrategia del contrincante y saber si podía explotarlo de alguna forma.
Se dividieron las estrategias en dos grupos: los "bondadosos" y los "gandallas".
Lo sorprendente fue que la estrategia que obtuvo más puntos después de ponerlas a competir todas una contra otra fue la más simple: ojo por ojo. Ojo por ojo simplemente copiaba lo que hacía el contrincante: si le castigaban, castigaba. Si cooperaban, cooperaba también.
Las estrategias que mejor puntuación tenían al final contaban con 4 características:
Eran bondadosas (no atacaban primero).
Perdonan (no se quedan con la estrategia de ataque si no es necesario).
Se defienden (si su contrincante ataca, ellos la retornaban inmediatamente).
Eran muy claras.
Por eso una regla tan clara como el ojo por ojo ganaba.
Ve la conferencia completa
Dejaron la grabación en Facebook, puedes echarle un ojo para ver los detalles de lo que platicamos hoy dentro de los eventos de la semana ECA.
En 1949, un avión que sobrevolaba en Japón encontró rastros de Cesio e Iridio, dos elementos con isótopos que sólo se encuentran después de una explosión nuclear.
Los barcos en todo el mundo tomaban muestras del agua y seguían encontrando más rastros, pero Estados Unidos no había hecho pruebas ese año y eran elementos que expiraban en uno o dos meses. Eso significa que los temores que tenían se habían vuelto realidad.
La unión sovietica había logrado hacer una bomba nuclear.
En los años siguientes desde los dos bloques se discutía con fervor cuál era la mejor manera de actuar, pero muy rápido nos dimos cuenta de que una guerra nuclear era un boleto seguro al fin de la humanidad.
Cuando no puedes leer mentes, usa las matemáticas
Hoy voy a dar una plática de la teoría de juegos, que se trata de modelos matemáticos que nos ayudan a entender la forma en la que las personas del otro lado de la mesa están pensando.
No es clarividencia, son matemáticas.
En particular veremos a fondo uno de los juegos más básicos: el dilema del prisionero. ¿Qué pasa cuando le cambias el entorno al juego y lo haces un juego repetido? ¿Cómo emerge la cooperación? ¿Por qué a la larga resulta más beneficioso cooperar que ver sólo por ti mismo?
El crecimiento económico es algo que damos por sentado.
Esperamos que cada año nuestros ingresos suban un poco, que la tecnología mejore y que la calidad de vida progrese. Pero si miramos la mayor parte de la historia humana, esta expectativa es una anomalía. Durante milenios, la norma no fue el crecimiento, sino el estancamiento económico casi absoluto.
El Premio Nobel de Economía de este año celebra a los pensadores que resolvieron este gran rompecabezas: Joel Mokyr, Philippe Aghion y Peter Howitt. Su trabajo nos enseña que el motor de la prosperidad no es un proceso ordenado y predecible, sino uno caótico, conflictivo y, sobre todo, destructivo.
Para entender por qué el mundo moderno es tan diferente, y cómo podemos aplicar estas ideas a nuestra economía actual, vamos a explorar las lecciones de este Nobel.
La idea de la "Destrucción Creativa" y por qué el progreso económico necesita ganadores y perdedores.
El ingrediente secreto que faltaba antes de la Revolución Industrial, según la historia económica de Joel Mokyr.
Cómo estos modelos nos ayudan a entender los debates actuales sobre la IA, la competencia y la política industrial.
Vamos a ello.
El Motor del Crecimiento: La Destrucción Creativa
La idea de que el capitalismo es un "vendaval perenne de destrucción creativa" no es nueva; el economista Joseph Schumpeter la acuñó hace casi un siglo.
Era una idea poética y poderosa, pero difícil de formalizar. Philippe Aghion y Peter Howitt tomaron esta intuición y, a principios de los 90, la convirtieron en un modelo matemático riguroso. Lograron meter el motor de la innovación dentro de la teoría económica, en lugar de tratarlo como una fuerza externa y misteriosa.
Su trabajo nos mostró que el crecimiento sostenido no es un accidente, sino el resultado de un ciclo interminable de creación y aniquilación.
Para entender su modelo, desglosemos la idea en sus partes más simples:
¿Qué es la Destrucción Creativa? Es el proceso por el cual una nueva innovación (un producto, una tecnología o un modelo de negocio) desplaza y vuelve obsoleta a la anterior. El smartphone no solo mejoró el teléfono; destruyó los mercados de las cámaras compactas, los reproductores de MP3, los GPS y los mapas de papel. Es creativo porque introduce algo mejor, y destructivo porque elimina lo que existía antes.
El Incentivo para Innovar. ¿Por qué una empresa gastaría millones en investigación y desarrollo? Por la promesa de obtener ganancias extraordinarias. Si una empresa crea un producto superior, puede disfrutar de un monopolio temporal, dominando el mercado hasta que un nuevo innovador venga y la destruya a ella. Esta carrera por la supremacía temporal es el verdadero combustible del progreso.
El Crecimiento se vuelve "Endógeno". Este es el gran salto técnico. Antes, los modelos económicos trataban el progreso tecnológico como algo que "caía del cielo" (exógeno). Aghion y Howitt lo hicieron "endógeno": el crecimiento se genera desde dentro del sistema económico, impulsado por las decisiones de empresas y emprendedores que buscan beneficios.
La Chispa que Inició el Fuego: Los Prerrequisitos de Mokyr
La teoría de Aghion y Howitt explica muy bien cómo funciona el motor del crecimiento, pero no responde a una pregunta histórica clave.
Si la innovación siempre ha existido (pensemos en la rueda, la imprenta o los molinos de viento), ¿por qué el crecimiento económico sostenido solo despegó de forma explosiva en los últimos 250 años? Aquí es donde entra el trabajo del historiador económico Joel Mokyr. Él argumenta que no basta con tener inventores; se necesita un ecosistema cultural y científico que alimente la innovación de forma continua.
Antes de la Revolución Industrial, el progreso tecnológico era esporádico y tendía a desvanecerse.
Mokyr identificó dos condiciones clave que surgieron en la Europa de la Ilustración y que cambiaron las reglas del juego para siempre:
El salto del "Qué" al "Porqué". Durante siglos, las invenciones eran fruto de la prueba y error. Se sabía que un artilugio funcionaba, pero nadie entendía los principios científicos detrás. Sin una comprensión del porqué (la termodinámica de la máquina de vapor, la química de los fertilizantes), era casi imposible mejorar, adaptar y generalizar las innovaciones de manera sistemática. El progreso era un golpe de suerte que no se podía replicar.
Una "Cultura de Crecimiento". Mokyr describe la aparición de una "República de las Letras" en Europa, una red transnacional de científicos y pensadores que compartían abiertamente sus descubrimientos. Competían por el prestigio y el reconocimiento, no por guardar secretos. Esta cultura de "ciencia abierta", combinada con la fragmentación política que permitía a los intelectuales buscar mecenas, creó un vibrante mercado de ideas que aceleró el conocimiento útil como nunca antes.
¿Y esto para qué nos sirve hoy? La Ciencia en Acción
Este Premio Nobel no es solo una lección de historia o de teoría abstracta; es una caja de herramientas para entender la economía del siglo XXI.
Las ideas de Mokyr, Aghion y Howitt nos proporcionan un marco poderoso para analizar los desafíos más apremiantes de nuestro tiempo, desde la regulación de las grandes tecnológicas hasta la transición energética. Sus teorías nos obligan a enfrentar el hecho de que el progreso siempre genera conflictos que deben ser gestionados.
Lejos de ser un debate académico, su trabajo tiene implicaciones muy concretas para la política económica actual:
La Paradoja de la Competencia. Su investigación sugiere que ni el monopolio puro (que no tiene incentivos para innovar) ni la competencia perfecta (donde es imposible recuperar los costos de la I+D) son óptimos para el crecimiento. Se necesita un delicado equilibrio. Esto es central en el debate sobre si debemos regular o dividir a gigantes como Google o Amazon. ¿Son monopolios que ahogan la innovación o son el resultado exitoso de la misma?
El Miedo a la Destrucción. El progreso crea perdedores, y esos perdedores se defienden. Las empresas establecidas y los grupos de interés a menudo presionan a los gobiernos para bloquear las innovaciones que amenazan su existencia. Pensemos en los gremios de taxistas contra las plataformas de VTC o en la industria de combustibles fósiles frente a las energías renovables. Si la política cede a estas presiones, la sociedad puede elegir el estancamiento para proteger el presente a costa del futuro.
La Inteligencia Artificial y el Futuro. La IA es, quizás, el ejemplo más potente de destrucción creativa en la actualidad. Promete ganancias de productividad inmensas, pero también amenaza con desplazar millones de empleos y modelos de negocio enteros. El marco de este Nobel nos obliga a preguntarnos: ¿tenemos las instituciones educativas, los mercados laborales y las redes de seguridad social para gestionar esta transición y asegurar que sus beneficios se compartan ampliamente?
Este Premio Nobel es, en última instancia, una reivindicación de la complejidad y el desorden como fuentes de prosperidad.
El crecimiento económico no es un proceso lineal y planificable, como si fuera la construcción de una carretera. Es un proceso evolutivo, desordenado y profundamente humano, que depende tanto de los incentivos económicos (la teoría de Aghion y Howitt) como de la cultura, las ideas y las instituciones que las apoyan (la historia de Mokyr). Celebrar este premio es aceptar que el progreso es inherentemente disruptivo y que a menudo se siente incómodo. Es un recordatorio crucial de que la prosperidad no está garantizada y que debemos defender activamente los mecanismos que permiten que el vendaval de la destrucción creativa siga soplando.
Porque el verdadero motor de la riqueza no es la estabilidad, sino el caos bien gestionado.
Por su naturaleza, los libros presentan la información de manera lineal, pero la investigación no es para nada un proceso lineal.
Para muchos, es necesario seguir los pasos en secuencia, mientras que para otros la secuencia podría ser 1 → 2 → 3 → 1 → 2→ 1 → 4… en realidad la secuencia que puedes adaptar depende mucho de ti y de tu forma de trabajar. Por ejemplo, comenzamos trabajando con las ideas de investigación, pero es posible que conforme avanzas en tu proyecto te puedes dar cuenta que hay obstáculos difíciles de sobrellevar con ese proyecto, o simplemente no te gusta el tema y quieres cambiar. Entonces tendrás que regresar a la parte 1 varias veces.
Así que, a pesar de que le estoy llamando “pasos”, estos no se siguen forzosamente de una forma secuencial. Siéntete libre de enfocarte únicamente en aquellos que requieres para tu proyecto y te hacen sentido en el momento.
Dicho esto, comencemos.
La “creatividad” es una mentira.
El término se inventó durante la Guerra Fría para distinguir los valores de producción americanos de los de la Unión Soviética (Franklin, 2023). Es un término que parece que ha estado con nosotros toda la vida, y se siente sorprendente descubrir que sea tan nuevo. A la vez es liberador porque hace evidente por qué “creatividad” es un término tan ambiguo: es una idea completamente inventada con fines de propaganda.
La razón por la que te quiero liberar de este término es porque hay dos mitos cuando se trata de identificar tu tema de investigación:
Mito #1: Necesitas crear un tema totalmente novedoso. La investigación científica se hace en pasos incrementales. De poco a poco, vamos descubriendo nuevas cosas. No necesitas que lo que estás haciendo cambie el mundo.
Mito #2: Sólo los genios creativos pueden hacer investigación. No se trata de tener capacidades sobrehumanas, se trata simplemente de seguir el mismo proceso que hace que la ciencia funcione y seguir los mismos pasos que le dan validez.
Recuerda que la razón más importante por la que estamos haciendo investigación no es tu tesis, es porque en el proceso estás descubriendo poco a poco cómo se hace la investigación científica y tu mente se va a acostumbrando a un proceso de descubrir la verdad.
Olvídate de la pasión. La mayoría de las personas piensan que tienes que encontrar tu pasión y hacer sólo aquellas cosas que te apasionan. La realidad es que la pasión surge hacia aquellos temas en los que has trabajado a profundidad. Si no has comenzado a trabajar en el tema, aún no has desarrollado la pasión hacia ese tema.
La pasión se crea trabajando.
Los tres elementos que necesitas conocer sobre ti para generar ideas de investigación
Los dos errores más comunes cuando eliges un tema de investigación son:
Eliges un tema de moda.
Dejas que alguien más elija el tema de investigación por ti.
Lo peor que puedes hacer es ver todos los días las noticias y decidir que ahora tu investigación va a ser sobre criptomonedas, simplemente porque es de lo que todo mundo está hablando. Es similar a que dejes que tu asesor de tesis elija el tema por ti.
Lo que va a pasar es que muy pronto te vas a ahogar en la frustración y vas a querer parar.
Lo que realmente necesitas es apalancarte en tus fortalezas. Cuando hacemos las cosas por moda o porque estaba el tema ahí disponible, nos arriesgamos a que no se alinee a nuestras habilidades actuales o incluso a nuestro estilo de vida.
Estos son los tres elementos que tienes que tener en consideración para elegir tu tema de tesis:
Quien eres. Aquí entran tus características personales. Tu género, tu edad, intereses y situaciones de la vida. Esto influye de dos maneras: en las limitaciones que vas a tener al momento de hacer investigación y en la orientación que esta tendrá.
Qué sabes hacer. Aquí contamos todas tus habilidades e intereses. Si tienes habilidad para trabajar con análisis de datos o si tienes más preferencia a hacer entrevistas. También aquí puedes incluir habilidades que no necesariamente consideres que afectan directamente a la investigación.
A quién conoces. Si eres miembro del coro de la iglesia o si tienes buena relación con la cámara empresarial local. Aquí es donde puedes considerar las relaciones con personas cercanas y no tan cercanas. Recuerda que las personas que no son tan cercanas son también muy importantes para encontrar oportunidades (Collins, et al., 2022).
Estos elementos son adaptados de los que Ethan Mollick (2020) presenta para encontrar ideas para hacer negocios. Con esta información vamos a asegurarnos de que las ideas de investigación estén optimizadas para lo que sea mejor para ti.
Mil gracias por leer y por ser parte de este proyecto de divulgación.
Estoy muy contento de que esta serie ha recibido una señal positiva con buenas tasas de apertura, likes y de suscripciones de paga. Y por supuesto estoy muy agradecido.
Este es un newsletter de paga. En México no hay tantos, pero en EEUU Substack ya hizo muy popular pagar una suscripción para leer más de tus escritores favoritos. Un newsletter de paga es como un libro que nunca se acaba: mientras tu suscripción siga, puedes leer todo lo que he escrito y todo lo que seguiré escribiendo. Lo mejor es que te llega directo a tu bandeja.
Como contexto, los posts pasados fueron una introducción antes de comenzar a escribir tu tesis usando IA y este es el primero de 12 pasos que te ayudan a
Crear tu esquema general de tu artículo.
Editarlo hasta que quede como te gusta.
Y a divulgarlo al mundo para que lo lea.
Los estoy publicando tan pronto como los acabo de escribir (unos 2 o 3 a la semana, pero si puedo publicar más, lo hago… no me espero).
Antes de comenzar, haz una lista con las características que acabamos de describir.
Para describir quién eres, incluye tus características “demográficas”, pero también las cosas que sientes que te caracterizan. Por ejemplo, podrías ser muy aficionado del futbol, o podrías ser padre de 2 hijos y te interesan mucho los temas sociales. Aquí es donde puedes poner aquellas cosas que te llaman y te interesan.
Al describir lo que sabes hacer, recuerda que en ocasiones damos por obvio lo que conocemos y pensamos que todo mundo lo sabe o no es valioso (cf. Camerer, Loewenstein & Weber, 1989). Incluye ahí tus conocimientos de inglés, o las horas interminables que has pasado jugando Age of Empires.
Las personas que conoces son las que te van a hacer más fácil (o más difícil) el trabajo de hacer un proyecto grande como la tesis. Aquí es donde entra tu asesor de tesis y tus compañeros. Si tu asesor de tesis es experto en un área, eso es relevante. Si tus compañeros de la escuela son muy hábiles para el uso de los datos, esto es relevante. También aquí entran personas que no conoces tan bien, pero que puedes entrevistar para conocer mejor sobre el tema (por ejemplo: si quieres investigar sobre el uso de las redes sociales en negocios y conoces a alguien que sabe pautar).
Al final debes de terminar con una lista como la siguiente:
## Quién soy
* Soy un alumno de la carrera de economía en los últimos semestres.
* Soy del municipio de Pánuco de Coronado, Durango.
* Me gusta mucho cocinar y jugar videojuegos.
* Todos mis compañeros me dicen que tengo muy buenas habilidades sociales.
## Que sé hacer
* Tengo habilidades básicas de econometría.
* Tomé un curso de diseño gráfico en la preparatoria.
* Conozco bien las bases de datos de Banxico e Inegi
## A quién conozco
* Estaré haciendo mi investigación con el Dr. Mario, que tiene investigaciones en Inferencia Causal
* Mis compañeros de clase están muy involucrados en temas de política monetaria
* Tengo un amigo que trabajó hace tiempo en una calificadora.
Escribe tu propia lista con tus características personales. Entre más específico y más completa sea la lista, mejor.
Paso #2: Usa el siguiente prompt
Listo, ahora ya podemos aplicar todo lo que hicimos para generar una lista con 7 ideas distintas que se adaptan de forma ideal a tu vida.
Abre chatGPT, Claude o Gemini y usa el siguiente prompt:
Eres mi coach para hacer investigación científica en Economía.
Por favor, ayúdame creando una lista de 7 ideas diferentes entre sí para hacer investigación basado en mis características personales.
En el siguiente prompt te daré mis características, que quiero que uses para identificar mis fortalezas.
Sólo usa las características que consideres relevantes. Cada una de las ideas debe de ser progresivamente más acotada en cuanto a su objeto de investigación.
Te voy a dar algunos datos generales iniciales:
Este trabajo es una {tesis} para una {maestría en Economía}.
La investigación se realizará en {Durango, Durango} y planeo hacerla en el plazo de los siguientes {6} meses.
Trabajos de referencia: { Escribe aquí los nombres de los artículos que son referentes para tí y que consideras parte de lo que te gustaría hacer }
Restricciones: { Escribe aquí lo que NO quieres que te de como ideas. p. ej. No quiero nada que esté relacionado con Pymes. }
Ahora te proporcionaré mi información para que me des la lista.
¿Estás listo?
Copia y pega el prompt anterior, cambia la información dentro de las llaves ({}) y dale enter. La IA te dará una respuesta donde te da a entender que comprendió la tarea. Revísala (en raras ocasiones podría entender algo diferente de lo que le estamos pidiendo) y luego copia y pega la información que elaboramos en la sección anterior y dale enter.
Te debe de dar una lista con 7 ideas diferentes que se adaptan muy bien a tu vida.
La clave es acotar tu tesis a un tema muy específico
Entre más información le des sobre ti, mejores ideas te dará.
Pero tal vez también notaste que el primer prompt incluye las restricciones: las cosas que NO quieres que te sugiera. Asegúrate de modificar esa sección incluyendo todo lo que no quieres que aparezca.
La segunda razón por la que tienes que poner las restricciones es para acotar tu tema de investigación.
Un “truco” al momento de elegir un tema de investigación es hacer la propuesta con un objeto de investigación tan estrecho como puedas. Puedes acotar tu investigación limitando el periodo de estudio o la región en la que nos enfocamos. Entre más enfocado sea tu estudio, para ti es mejor:
Es mucho más fácil hacer un estudio sobre las prácticas financieras del sector ganadero de la región de la Laguna que tratar de hacer un estudio amplio sobre la administración de todo tipo de empresa de la región.
Es más probable de que tengas un estudio original. En muchas ocasiones, seleccionar un tema de investigación se reduce a tomar un artículo que para ti es referencia y aplicarlo a tu contexto. Por ejemplo, podrías tomar el artículo de Bloom y van Reenen (2010) donde miden las prácticas administrativas en diferentes industrias y aplicarlo directamente a un sector de tu comunidad.
Te comprometes solo a lo que en realidad puedes cumplir. A veces nos resistimos a acotar nuestro estudio porque creemos que tenemos que crear una tesis enorme que va a salvar el mundo. Pero tienes que recordar que es más importante que puedas cumplir con lo que estás prometiendo a que salga algo muy complejo, pero sin pies ni cabeza.
La IA no es tan buena en irse a lo específico y tiende a darte ideas muy generales, pero al ver los resultados tú podrás darle la forma que quieras.
Bonus: Redacta el título de tu tesis
Casi todas las tesis tienen un formato similar.
Tanto es así, que bien le podrías dar el comando de que te sugiera nombres para la tesis que seleccionaste y seguro te dará buenas opciones.
Me gustó la opción 6. Por favor dame tres sugerencias para el título de la tesis.
El título de la tesis no es solo un adorno que pones al final de todo el trabajo que hiciste: es la promesa para tus lectores y es la guia sobre la que vas a trabajar. También es la oportunidad perfecta para desarrollar claridad en tu pensamiento sobre lo que quieres lograr.
Casi todos los títulos de las tesis siguen una fórmula: El tipo de estudio + objeto de estudio + contexto + periodo.
Ejemplo: Un análisis de las prácticas financieras de las empresas ganaderas del municipio de Lerdo, Durango de 2025 a 2027.
Cuando tu asesor de tesis te dice que tienes que acotar tu estudio, lo puedes hacer modificando cualquiera de estos elementos. Selecciona cada uno de los elementos y escríbelos junto con el promt anterior antes de dar enter:
Tipo de estudio: Análisis de Diferencias en Diferencias.
Objeto de estudio: Las pácticas financieras
Contexto: Empresas ganaderas del municipio de Lerdo, Durango
Periodo: 2025 a 2027
Recuerda: entre más acotado sea el estudio, más fácil podrás cumplir con tu promesa.
Ya será sobre la marcha cuando podrás ampliar el estudio.
Referencias
Bloom, N., & Van Reenen, J. (2010). Why do management practices differ across firms and countries?. Journal of Economic Perspectives, 24(1), 203-24. https://doi.org/10.1257/jep.24.1.203
Camerer, C., Loewenstein, G., & Weber, M. (1989). The Curse of Knowledge in Economic Settings: An Experimental Analysis. Journal of Political Economy, 97(5), 1232–1254. https://doi.org/10.1086/261651
Collins, H. K., Hagerty, S. F., Quoidbach, J., Norton, M. I., & Brooks, A. W. (2022). Relational diversity in social portfolios predicts well-being. Proceedings of the National Academy of Sciences, 119(43), e2120668119. https://doi.org/10.1073/pnas.2120668119
Franklin, S. W. (2023). The cult of creativity: A surprisingly recent history.2 The University of Chicago Press.
Mollick, E. (2020). The unicorn's shadow: Combating the dangerous myths that hold back startups, founders, and investors.1 Wharton School Press.
El secreto de toda victoria reside en la organización de lo que no es obvio — Marco Aurelio
Le llamamos prompt al comando que usamos para darle indicaciones a la IA para que haga el trabajo que le indicamos.
La IA tiene indicaciones generales sobre cómo se puede comportar y la forma en la que puede contestar. Al inicio, los primeros prompt engineers (ingenieros de comandos no suena tan bien) encontraron que era posible saltarse las directrices y hacer que la IA genere contenido “prohibido” (como la receta para cocinar metanfetaminas) si le pedías que tomara el rol de tu abuelita contándotelo como un cuento antes de dormir.
La lección es que entre más conozcas sobre cómo funciona la IA, le puedes dar mejores órdenes y puedes hacer que te de mejores resultados.
El truco es que te imagines que es un asistente de investigación con mucho conocimiento, pero un poco testarudo
Te daré aquí principios generales que deberían funcionar durante los próximos 10 años.
Hace no mucho tiempo, se hablaba mucho de encadenar ideas, para darle el contexto apropiado a la IA para que genere mejores respuestas. Pero las empresas detrás de los modelos de IA suelen tomar los mismos conceptos que hacen los prompt engineers para mejorar sus respuestas. Además, la IA usa tus conversaciones para entenderte mejor, saber cómo te expresas y dar mejores respuestas.
Regularmente escucharemos entonces que la IA tiene conocimientos como de una persona con doctorado. Mi recomendación es que recuerdes que la frase de “el doctorado no quita lo tarado” también aplica para la IA.
Dado que al final del día el que firma la autoría de tu tesis eres tú, más te vale tomar un rol de supervisor. Tú eres el arquitecto y la IA es el albañil: no confundas los roles.
Cómo darle contexto a la IA para que mejoren sus respuestas
Que sepa mucho de muchas áreas del conocimiento es muy bueno, pero significa que tú tendrás que enfocarlo.
En la mayoría de los prompts que verás en los siguientes capítulos de esta serie, notarás que muchos comienzan con algo como:
Actúa como el editor de una revista de economía...
El objetivo de comenzar el prompt así, es llevar al modelo a la zona en el espacio vectorial donde se encuentra la información relacionada con lo que queremos hacer. Podemos imaginar a la IA como una enorme biblioteca, con múltiples secciones. Lo que hacemos al pedirle que actúe de cierta manera es darle dirección sobre a qué sección dirigirse. Si le queremos pedir una opinión médica, le pedimos que actúe como un doctor con una especialidad, y si queremos que actúe como matemático, se va a comportar diferente.
La otra cosa que vas a notar es que los prompts que te voy a dar son en muchos casos largos y llenos de contexto.
En casi todas las secciones que se vienen, te pediré primero que hagas un trabajo previo y que escribas por tu cuenta algo, que más tarde usaremos como contexto para que la IA nos de un mejor resultado. En general te vas a dar cuenta de que los prompts resultantes son largos y con mucho contexto. Lo son así porque, con un contexto apropiado, los resultados que da la IA dejan de ser genéricos y poco útiles y se convierte en una herramienta que realmente te puede ayudar a escribir textos de mucha calidad.
La habilidad más importante que tienes que desarrollar es claridad de pensamiento
Le pueden hacer todas las mejoras que quieran a la IA, pero mientras tú no sepas bien lo que quieres, la IA jamás te dará grandes resultados.
Es como si tuvieras un Ferrari que te niegas a usar por no aprender a manejar estándar.
Tu gran ventaja no la vas a ganar entonces pagando por tener un modelo mucho más avanzado. La alcanzas teniendo claridad de mente y aprendiendo a dar las instrucciones de manera muy clara a la IA, para que cada vez te de siempre resultados de mucha claridad y no tengas que pasar más horas corrigiendo lo que hizo mal.
Y esa es una habilidad que tú tienes que desarrollar practicando mucho lo que vamos a hacer aquí.
Al final de esta serie, deberías de tener el material para poder terminar una tesis en no más de seis meses (asumiendo que tienes disponibilidad de los datos).
Esta es la cuarta parte de esta serie sobre cómo hacer tu tesis de economía usando inteligencia artificial sin plagios y sin errores.
Y como viste en este post, la mayor parte del valor no está en los prompts: está en la forma en la que organizas tus ideas. El punto más importante entonces es entender cómo funciona la investigación científica y lo que se espera de un investigador. Todo eso te lo puedo dar.
La serie consta de 12 pasos para:
Generar [buenas] ideas para hacer investigación.
Convertirte en un experto en el área que estás investigando (sin sufrir).
Y crear un documento original.
Algunos de estos posts son libres, pero otros son exclusivos para los suscriptores Pro.
Con tu suscripción Pro tendrás acceso a todas las nuevas publicaciones mientras dure tu suscripción. Además tienes acceso a toda la colección de mi newsletter (más de 300 publicaciones sobre econometría y uso de IA para escribir).
Y un bonus más: tendrás acceso a la comunidad en Skool. De momento estoy decidiendo si esto seguirá siendo un bono o si haré un producto aparte con esto, pero de momento, aprovecha.
Algunos trucos adicionales para mejorar los prompts
Nuestro enfoque casi siempre va a ser en tu forma de pensar, eso es lo más importante al momento de hacer grandes prompts. Dicho esto, hay algunos trucos sencillos que vas a notar en nuestros prompts que te darán mucha ventaja.
Trabajar con la IA es un proceso iterativo, que funciona con prueba y error. Se vale seguir la conversación, darle correcciones a las respuestas que obtuvimos y encadenar lo que te respondió con la siguiente tarea.
Considera que la IA tiende a darte siempre la razón. No es una herramienta que se le de mucho confrontar, y en investigación es justamente necesario confrontar ideas todo el tiempo. Siempre hay que estar muy conscientes de que la respuesta que nos da está llena con nuestros propios sesgos.
La claridad del formato y la sintaxis. En algunos casos, suelo usar formato de tipo XLM para que la IA entienda correctamente los elementos del prompt. <CONTEXTO> Por ejemplo, poner el contexto en medio de una etiqueta así, hace más legible para la IA que esto es contexto y que no necesariamente lo tiene que usar como parte de su respuesta.</CONTEXTO>.
Al final, vale la pena recordar que es sólo una herramienta y que lo más importante que puedes desarrollar en este proceso es tu habilidad de detectar patrones.
Una vez que conoces esto, te has convertido en el investigador y la IA en tu asistente.
Yo tenía fe cuando comencé. Ahora estoy triste y cansado
— Camilo Sesto. Getsemani (1980)
Todo mundo ha dudado alguna vez de su carrera.
Pero ahora que soy el jefe de la carrera de economía de la FECA, me pone poquito triste cuando veo que un alumno dice “me equivoqué de carrera”. Me siento como si yo personalmente le hubiera fallado.
Y luego me acuerdo de que yo mismo estoy haciendo algo muy diferente a lo que dice mi título de universidad.
Es momento de que salga la verdad… confieso que mi título de la universidad no es “economista”. La realidad es que estudié administración. Fue en la maestría y en el doctorado cuando realmente le di un giro a mi carrera y me decidí a enfocarme de lleno a esta profesión. Normalmente no es un problema porque literalmente me la vivo hablando de economía día y noche y toda la semana.
Por eso nadie se ha dado cuenta (no le digas a nadie).
La mentira más grande es que puedes elegir tu vida en un menú
El problema es que muchas personas creen que la carrera que eligieron viene en un paquete con todas las soluciones a su vida.
Desde fuera, parece que al elegir el título de “economista”, estás eligiendo todo lo que en apariencia conlleva: puestos de trabajo, estatus y conocimientos. Y cuando al final del camino no encontramos nada de eso, nos solemos frustrar. Y pensamos que el problema es la carrera.
Hay quienes eligen otra carrera y vuelven a empezar el mismo ciclo.
Pero eso es un error. Las carreras universitarias no se crean con un conocimiento perfecto del mercado. Hay un límite en lo que un estudio puede decirle a una universidad sobre el mercado laboral de una profesión.
El resultado es que, en el mejor de los casos, tu carrera es una suerte de eventos aleatorios.
La buena noticia es que la carrera te la haces tú
El camino que te dicen que debes de tomar es una mentira:
Encuentra tu pasión.
Elige tu carrera.
Encuentra un trabajo donde ejerzas tu carrera.
Si no encuentras un trabajo donde tu carrera se ejerza al 100%, estás fracasando. Necesitas buscar dentro de tus pasiones otra carrera.
Y peor. Si no cumples con todo eso en tus 20s, entonces eres un fracaso total.
Nada de eso es cierto (afortunadamente). El camino de tu carrera lo hace tú y nada más tu.
Es más responsabilidad, pero al menos ya no tienes a nadie a quien echarle la culpa.
En retrospectiva, no fue un error haber hecho mi carrera en administración. Después de todo, hoy trabajo como investigador en la misma universidad en la que estudié la carrera. Pero algo mas importante: la universidad me enseñó a pensar. Para nada podría decir que no me sirve hasta la fecha los años que pasé entendiendo las estructuras legales de las empresas, su contabilidad y cómo se manejan.
Cuando entré a la maestría en Economía en el IPN, esa intuición me ayudó a entender la economía de una manera diferente a la de mis compañeros. Ahora estoy a muy poco tiempo de terminar una segunda carrera en derecho empresarial (también es secreto), y estoy convencido de que la experiencia que he hecho en la academia y como consultor me van a ayudar en el proceso.
Como dijo Steve Jobs a un montón de graduados desorientados de Stanford: solo puedes conectar los puntos viendo hacia atrás.
Lo que más me gusta de lo que hago es la oportunidad de ayudar a economistas a encontrar su camino en un mundo profesional lleno de obstáculos e incertidumbre.
Hay dos cosas que se me hacen fundamentales para todo economista: saber escribir bien un proyecto de investigación y saber usar econometría. Lo que sea que hagas con tu carrera, estas son dos habilidades que hacen que valga la pena decir “soy economista”, te hacen brillar y haces brillar a la carrera.
Este newsletter tiene mucho enfoque en esas dos cosas. La econometría, con series especiales para trabajar con datos y también a hacer proyecto de tesis.
Esta semana comencé una serie para hacer una tesis de economía usando IA. No te la puedes perder.
Y si quieres que te llegue todo el material completo, ver el archivo de posts pasados completo y que te de acceso a la comunidad en Skool de marionomics.
Don’t you call me a mindless philosopher, you overweight glob of grease
— C3PO a R2D2
Es imposible entender a la IA sin ponerla en el contexto de quiénes están detrás de ella.
Hora de ponernos el sombrero de economista.
Durante muchos años, los avances en inteligencia artificial eran mas bien silenciosos. Los notábamos cuando habían mejoras en los sistemas que nos recomendaban una canción que seguramente nos va a gustar, o en la optimización de los tiempos de entrega de tus pedidos. Fue apenas con la salida de chatGPT que nos dimos cuenta de que le podíamos pedir que nos creara una canción de rap sobre el ciclo económico y lo generaba en segundos.
En 2017, Google lanzó el artículo seminal “Attention is all you need”, que describe la arquitectura de los “transformers”, que hacen posible a la inteligencia artificial generativa. Cuatro años después, OpenAI lanza chatGPT, con el modelo GPT 3.5.
GPT son las siglas de Generative Pre-trained Transformer:
Generative, o generativo, significa que puede crear nuevo contenido: texto, código o incluso imágenes.
Pre-trained significa pre-entrenado. Indica que se usó una cantidad masiva de texto, imágenes e incluso videos para aprender patrones, gramática y tener contexto.
Transformer es la arquitectura que se usa para procesar y entender los datos con los que se entenó.
Y de ahí surgió la carrera de las empresas por tener la mejor inteligencia artificial, las acciones de NVIDIA (que hace los chips) se dispararon.
Estos son los grandes jugadores detrás de la Inteligencia Artificial
Al inicio, OpenAI se fundó como una empresa sin fines de lucro que tenía como objetivo proteger a la humanidad de que el interés por lucrar con la Inteligencia Artificial acabe terminando con la humanidad.
Alguien vio lo que era posible con la IA y se dio cuenta de que era una herramienta demasiado poderosa para caer en las manos equivocadas. Hoy en día, OpenAI tiene una valuación de 500 mil millones de dólares (billion, en inglés), posiblemente la startup más valuada en el mercado. Tiene inversión de Elon Musk y de Microsoft y hay bastantes pleitos legales por su status con el que comenzó.
Hasta el momento, los grandes jugadores en el mercado de la inteligencia artificial son:
OpenAI: Es la que sacó al mercado a chatGPT. Sus modelos siguen siendo de los mejores del mercado.
Google. Tiene a Gemini, también uno de los principales.
Anthropic. Es el dueño de Claude. Parece que se estarán enfocando más en el mercado de nichos.
Si estás usando cualquiera de esas herramientas, vas a estar bien. Son herramientas generales, entrenadas con una cantidad gigantesca de datos.
Como regla general, entre más información se haya usado para el entrenamiento, el modelo será mejor. En 2022, la compañía de información financiera Bloomberg intentó hacer su propio modelo GPT usando todo el cuerpo de datos a los que tenía acceso, pero en 2023 un grupo de investigadores encontró que GPT-4 lo superaba en tareas financieras aún sin ningún tipo de entrenamiento especial o herramientas adicionales (Huang, et al., 2023).
Hay otras herramientas especializadas. Algunas de ellas están vinculadas a bases de datos de investigación científica y te pueden ayudar a hacer una búsqueda. Yo personalmente no los uso, y la razón es porque considero que los modelos generales tienen mejor capacidad de razonamiento y tienden a alucinar menos cuando te “sales” del tema principal. La otra razón es que la mayoría de las herramientas de IA que hay en el mercado fuera de las principales, son en realidad una máscara que usa en el fondo la API de chatGPT o un modelo similar con un pre-entrenamiento para hacer una tarea determinada. Y yo aquí te estaré enseñando cómo hacer esas tareas relacionadas a hacer una tesis con un modelo general.
Dicho esto, hay algunos otros actores relevantes:
Microsoft, con Copilot. Ofrece las mismas características que chatGPT y se puede acceder desde Windows, pero no es fácil controlar el modelo que usas.
xAI de Elon Musk con Grok. Es buena, sobre todo si eres usuario de X (yo le sigo llamando Twitter). No hay mucha transparencia sobre cómo opera
DeepSeek.
Llama, de Meta (de Facebook e Instagram).
Hay más, pero si te quedas con los tres principales de arriba, estarás bien. Dicho esto, el mercado de la IA está cambiando todo el tiempo, siempre pueden salir modelos nuevos o mejoras a los modelos existentes.
Estamos en la tercera entrega de la serie para hacer la tesis con IA. Trato de hacer cosas que en ningún otro lado vas a ver igual, pero tratando de que sea EXTREMADAMENTE práctico para ti, y que tengas la capacidad de tú crear tus propios prompts.
Por eso, si te parece que voy muy lento y aún no llego a la mera carnita, es porque con estos conocimientos ya no vas a necesitar tomar más cursos ni depender de nadie para aprender lo que necesitas de IA.
¿Lo más importante? Que se entienda bien.
En la próxima sesión te voy a dar tips para hacer mejores prompts y la estructura básica que vas a notar en todos los 12 pasos que hay para escribir una tesis con IA.
Espero que te esté pareciendo EXTREMADAMENTE útil.
Entrenar y usar a la IA requiere del poder de cómputo de muchísimos data-centers. Mucha infraestructura.
En otras palabras, mucho dinero.
Google es “gratis” porque vende publicidad. Cuando buscas un término, se activa una subasta y quien pague más, podrá mostrarse como primera opción. Por ejemplo, si buscas “curso de econometría”, las páginas que aparecen de manera “orgánica” son los que su algoritmo indica que son los más relevantes. Pasa algo similar con las redes sociales: analizan tus gustos e intereses y te mandan publicidad con cosas que tienen mayor probabilidad de que des click, entres y compres.
Si el servicio que te dan por internet es “gratis”, entonces tú eres el producto.
De momento, las empresas que hacen IA monetizan de varias formas:
Con una cuota de paga. Con esta cuota te dan acceso a modelos más avanzados y a usarlo más.
El uso de su API. Hay empresas que usan la IA de forma masiva para desarrollar productos que les pueden servir de manera interna. Por ejemplo, un restaurante podría instalar un chat para hacer reservaciones.
Consultoría y usos a la medida. De esto no nos tenemos que preocupar, esto se lo ofrecen a las compañías grandes.
Al momento de escribir esto, OpenAI está haciendo experimentos con un servicio de búsqueda de empleo, con compras directas en la app y con una red social. Realmente el panorama del internet está justo a punto de cambiar.
Sabemos que las compañías de IA usan nuestros datos para entrenar sus modelos. No encontré evidencia de que también estén vendiendo tus datos, pero no lo descartaría como algo que puede pasar. Y pagar por usar las versiones premium no te salva de que lo hagan.
¿Deberías usar las versiones de paga?
Para mí la respuesta es sencilla: si. Al menos sí, mientras estás haciendo un proyecto importante como una tesis.
Las versiones de paga usan modelos más nuevos y más avanzados. En muchos casos, eso te salva un poco de las alucinaciones. Es imposible que no tengas nada de alucinaciones, pero al menos las puedes reducir.
Tienes acceso a más servicios y características. Por ejemplo, el análisis de datos o la generación de imágenes, que pueden tener límites en la versión gratuita.
Sin límites de uso. Hay ciertos trabajos que requieren sesiones de uso más extensas, cortar la sesión porque tienes un límite de uso de la IA puede hacer que pierdas el avance de tu trabajo.
¿Qué modelo debería usar?
Normalmente los servicios de IA vienen con modelos rápidos y con modelos que tardan más, pero sirven para tareas más complejas.
Los modelos rápidos se pueden usar para resolver preguntas que no requieran de mucho razonamiento:
“¿Cuál es la capital de Indonesia?”
“Traduce ‘hola mundo’ al inglés”
“Haz una lista de 5 sinónimos para la palabra ‘rápido’”
En cambio, los modelos de razonamiento los puedes usar cuando la tarea es más compleja.
"Resume las principales ideas del libro 'Sapiens: De animales a dioses' en tres párrafos."
"Actúa como un experto en marketing y dame cinco ideas creativas para una campaña publicitaria de un nuevo café orgánico."
"Analiza este conjunto de datos sobre ventas y dime cuáles son las tendencias más importantes y qué producto debería descontinuar."
Deep research y otras monerías
Las tres IA principales tienen un modo “Investigación profunda”, que se puede usar para generar reportes bastante impresionantes.
Yo lo uso cuando quiero un resumen sobre un tema nuevo o explorar una idea y conocer fuentes alternativas a lo que yo normalmente uso. Es más preciso y comete menos errores que una búsqueda rápida. Es como si le pidieras a tu becario a que se pase toda la noche buscando sobre un tema y te genere su reporte con lo que encontró en internet. La IA se tarda unos 20 o 30 minutos y no le tienes que regalar un café para compensar la desvelada.
Además de la generación de texto, puedes usar la IA para
Generar imágenes.
Generar videos.
Modificar imágenes existentes.
Crear y modificar tu código (y corregir cuando tengas errores).
Y muchas cosas más.
Referencias
Huang, Y., Wang, Z., Zhang, J., Liu, Z., & Zheng, S. (2023). Are ChatGPT and GPT-4 general-purpose solvers for financial text analytics? a study on several typical tasks. arXiv preprint arXiv:2305.05862.
Detective Del Spooner: Human beings have dreams. Even dogs have dreams, but not you. You’re just a machine. Can a robot write a symphony? Can a robot turn a… canvas into a beautiful masterpiece? Sonny (the robot): Can you?
— I, Robot
Muchos creen que la Inteligencia Artificial es algo nuevo que acaba de nacer con chatGPT.
En realidad, la Inteligencia Artificial nació desde que nos dimos cuenta como humanidad que podíamos desarrollar máquinas que podían funcionar con lógica y les llamamos “computadoras”. Alan Turing, el padre de la computación, introdujo en 1950 la “prueba de Turing”, que básicamente decía que si podíamos tener una conversación con una computadora y pensar que estamos hablando con un humano, entonces es una prueba de que la máquina puede “pensar” (estoy volteando a ver a los bots de servicio al cliente de mi compañía de celular y girando la cabeza en clara decepción).
Leíste bien: 1950.
De hecho, en la película de Terminator 2: día del juicio, se habla mucho ya sobre redes neuronales y todo lo que está detrás de la inteligencia artificial que usamos todos los días.
Así que hoy veremos:
Qué es la Inteligencia Artificial.
Y los principios fundamentales para comenzar a usarla (y nunca más tener que tirar dinero a la basura en cursos de IA que te prometen lo más nuevo).
Esta es la segunda entrega en una serie de más de 18 posts sobre IA y cómo usarlo para hacer una tesis o un proyecto de investigación.
Es un plan de 12 pasos:
Generar ideas
Aprender del tema que quieras
Hacer un protocolo
Recopilar la bibliografía
Generar un outline
Diseñar el marco teórico
Diseñar los instrumentos
Analizar los resultados
Crear un primer draft
Editar el documento
Hacer una revisión previa
Y divulgar
Todo con prompts especiales diseñados especialmente para hacer investigación de mucha calidad (y conocimiento de insider del mundo de la publicación científica).
Si quieres que te lleguen todas estas publicaciones al correo (además de tener acceso a las publicaciones anteriores), suscríbete aquí.
Tienes un periodo de prueba de 14 días y puedes cancelar cuando quieras.
PS: estoy incluyendo de momento como prueba el acceso a la comunidad en Skool gratis con tu suscripción, pero probablemente estas dos cosas quedarán como proyectos separadas en el futuro. Aprovecha.
Probablemente pensaste en contestar “maúlla”. Y eso mismo es lo que me contestó la inteligencia artificial cuando le pregunté.
A lo que hoy en día le llamamos “inteligencia artificial” es en realidad solo una parte de lo que pueden hacer las computadoras. Hay modelos de predicción y modelos “generativos”, que son los que usamos para crear imágenes, texto e incluso videos.
Los modelos de predicción son los que hacen que las redes sociales te muestren anuncios tan afines a lo que te gusta, que muchas veces piensas que tu teléfono te está escuchando.
Los modelos generativos son como chatGPT, que genera el texto que le solicitas. También es una especie de modelo predictivo, pero usa grandes cantidades de texto para funcionar.
¿Cómo logra eso?
Básicamente, alimentaron a la computadora con mucho texto. Todos los foros en internet, todas las transcripciones de videos, todos los libros, todos los blogs y muchas cosas más. Todo lo que necesita para asignar una probabilidad a la siguiente palabra dentro de una conversación. Algo parecido al texto predictivo de tu celular, pero a mayor escala.
Esto significa dos cosas:
Generalmente, te va a dar la respuesta que tiene la mayor probabilidad. Pero de vez en cuando, el modelo va a elegir de forma aleatoria otras respuestas con menor probabilidad. Por eso siempre puedes tener respuestas diferentes haciendo la misma pregunta.
El modelo está entrenado con toda la información hasta cierto momento en el tiempo. Antes, si les preguntabas sobre acontecimientos recientes, te contestaban que no conocen nada de lo que pasó en el mundo hasta una fecha determinada (le puedes preguntar a tu IA favorita “¿Cuál es tu fecha de corte”? para saber hasta qué fecha tienen conocimiento.
Los modelos más recientes buscan en internet cuando no conocen sobre algún tema, y complementan su información con otras fuentes. Las conversaciones que tienes con tu IA también ayudan a entrenarla y a mejorarla. Se supone que si tienes una cuenta empresarial, las conversaciones no se guardan y no se usan para entrenar el modelo, pero no sé hasta el momento si eso sea cierto o no (y supongo que la única forma en que nos vamos a enterar es si sale un escándalo confirmando que si lo usa).
Hay varios aspectos que tienes que considerar una vez que conoces cómo funciona esta herramienta:
Tu chatGPT no es una persona de verdad. Ya sé que parece obvio en este momento, pero muchas veces usamos la IA y esperamos que se comporte como un humano, razone sus respuestas igual que un humano y creemos que lo que nos dice viene de un razonamiento como el que nosotros hacemos. Y no, son simples matemáticas las que están detrás.
Tu chatGPT no te ama. Es un corolario del punto anterior, pero no está de más decirlo. Muchas personas están usando a la IA como terapeutas (Moore, et al., 2025; Everett, et al., 2025) e incluso hay quienes tienen “novias digitales” que son en realidad una inteligencia artificial (Depounti & Natale, 2022). Lo que tienen en común es que las IAs son un producto dentro de un mercado competitivo, y por lo tanto lo diseñan para nunca desafiar o contradecir al usuario. Si el usuario le dice que le de razones por las que su pareja está mal en un argumento y el usuario está en lo correcto, la IA lo hará sin detenerse en ningún momento y decirle que su postura es incorrecta.
Es un ejemplo muy extremo, pero cuando se trata de argumentos dentro de una investigación, esta característica se presenta de formas más sutiles.
Recuerda: no hay magia en ninguna parte de este proceso
Si nos ponemos muy románticos, por supuesto que vivimos en una época mágica. La diferencia cuando la magia que practicamos tiene fundamentos científicos es que podemos saber cómo funciona y cuáles son sus limitaciones.
Una de las limitaciones más importantes de la IA son las alucinaciones. Se dice que una IA alucina cuando comienza a desviarse de la respuesta correcta y empieza a inventar fechas, eventos, estudios o momentos en la historia. La IA es muy buena para inventar, y actualmente tiene las capacidades creativas de una persona con alto nivel de educación, pero si en algún momento ves que está contestando algo que va mucho más lejos de las capacidades de cualquier persona, probablemente el resultado es una alucinación.
Presta mucha atención a los resultados que te arroja cuando le pidas información real. Las alucinaciones son una característica fundamental de la inteligencia artificial y no un error: no hay forma de escapar de ellas y muy probablemente vas a encontrar resultados alucinados (Dumit & Roepstorff, 2025).
Referencias
Depounti, I., Saukko, P., & Natale, S. (2022). Ideal technologies, ideal women: AI and gender imaginaries in Redditors’ discussions on the Replika bot girlfriend. Media, Culture & Society, 45(4), 720–736. https://doi.org/10.1177/01634437221119021
Everett, S. S., Bunning, B. J., Jain, P., Lopez, I., Agarwal, A., Desai, M., Gallo, R., Goh, E., Kadiyala, V. B., Kanjee, Z., Koshy, J. M., Olson, A., Rodman, A., Schulman, K., Strong, E., Chen, J. H., & Horvitz, E. (2025). From tool to teammate: A randomized controlled trial of clinician-AI collaborative workflows for diagnosis. medRxiv. https://doi.org/10.1101/2025.06.07.25329176v1
Moore, J., Grabb, D., Agnew, W., Klyman, K., Chancellor, S., Ong, D. C., & Haber, N. (2025). Expressing stigma and inappropriate responses prevents LLMs from safely replacing mental health providers. arXiv. https://doi.org/10.48550/arXiv.2504.18412
