La mayoría de las veces que uso chabots, a los que algunos les dicen "inteligencias artificiales", todavía no es claro, más allá de una técnica de marketing similar a "nacional socialismo" que no es realmente socialista como la otra no es tampoco inteligente, por qué le pusieron ese nombre...
La mayoría de las veces, decía, uso integraciones, pero a veces estoy investigando datos (por ejemplo, buscando las cifras para el artículo acerca de ALLM) y pues como los techbros se cagaron en la búsqueda en internet, teníamos todo un mecanismo para que fuera posible indexar, localizar, evaluar, investigar las páginas y sus contenidos, de forma que podíamos interactuar con el internet a punta de instrucciones básicas y sencillas... pero luego lo tomaron rehén y nos dijeron que la única forma de usarlo era a través de sus aplicaciones. De redes sociales, de video, de chat, etc. El internet que vivimos ahora, es uno de la burocracia como la que aparece en la peli de Terry Gilliam, Brazil, en la que uere uno empapelado antes de poder encontrar lo que busca.
Hay casos en los cuáles toca usar chatbots básicos para investigación y desarrollo y en esos momentos me veo hablando con bots o pidiéndoles que hagan vainas. Y la experiencia es una de paciencia y aprendizaje en la que parte del truco es aprender a utilizar instrucciones muy específicas y sólo usar los chatbots cuando es estrictamente necesario: los bots son esclavos de las compañías proveedoras, no amigos de los usuarios.
Para un usuario directo que no depende de una producción masiva, (es decir que no hace parte de compañías de informática) no hay ninguna diferencia entre un proveedor y otro.
Si utilizas tus propios modelos en un sistema local, donde puedes configurar exactamente lo que necesitas, sin duda vas a obtener lo que necesitas, tú lo configuraste, pero si usaste opciones de un proveedor de "IA", opciones como OpenAI, Anthropic, Google, etc. estás jugando en el arenero de otro, con los juguetes de otro, con las reglas de otro. La nube es, después de todo, el computador de alguien más. Y los programas en la nube son eso, los programas de alguien más, los proyectos de alguien más, los resultados de alguien más. Incluso si pagas subscripción, el producto sigues siendo tú.
Para la mayoría de casos, usar algo más allá de un chatbot básico es como tirar una bomba atómica porque el vecino puso música que no te gusta.
La mejor optimización para lidiar con la AI sigue siendo no usarla, apague y vámonos. Pero están empotrados en muchos sistemas. Chatear con un bot que le pertenece a una corporación explotadora y extractivista, no importa qué tan avanzado sea, es meterse en un paradigma de atención y enganche. Es decir, el producto de todos estos chatbots no es responderte tu pregunta, es tenerte preguntando.
Por eso responde mal, no porque "el modelo puede equivocarse" sino porque les interesa que te quedes puliendo y corrigiendo la conversación.
Si ves los pasos de razonamiento de la mayoría de modelos y plataformas, sus mayores esfuerzos y gasto de recursos se invierte en tratar de leer cosas que no están escritas, a leer entre líneas. Que si el usuario está frustrado, que cuál es la intención del prompt, que cuál es el objetivo, que en qué otros casos hemos visto esto... no sólo estamos cediéndole el proceso de generar la respuesta, estos bots ya están programados para hacer la pregunta tambíen, sin nuestro input.
Ahora, convencer a un bot de que de verdad lea la pregunta que está escrita y la responda, en vez de inferir si estoy frustrado, curioso o porqué la pregunto? Nah, eso es mucho pedir.
Eso no crea dependencia. No crea estupidez, y eso es precisamente el objetivo de las compañías que diseñan y venden estos chatbots, ni siquiera que no tengas las respuestas, sino que tampoco tengas las preguntas, que no tengas la curiosidad, no sólo que no pienses sino que no cuestiones, no leas, no escuches.
Estos chatbots están también demasiado ansiosos por pedir disculpas o por complacer y armar debate, dejándome atrapado quemando tokens (los pedazos de información que predicen y por lo que cobran, quemar tokens es quemar recursos).
Están programados para priorizar cualquier respuesta, buena o mala, en vez de leer los prompts, para sucitar tu interacción, no para interactuar contigo. Esa es una gran diferencia que se nota.
Estos chatbots tienen secciones en las que se pueden usar directivas o personalizaciones para ajustar su respuesta, he hecho algunos ajustes allí, y desde entonces es un poquín más... ish, no sé si llamarle inteligente. Es menos estúpido reclamador de atención, creo que puedo decirlo así.
Pero hoy, pillando unos hallazgos del código filtrado de Anthropic, me di pausa en el tal "detector de frustración", así que entré y le pregunté a Gemini:
"¿Puedo pedirte en las personalizaciones que desactives el detector de frustración?"
Me salió con que no se podía, que era parte de su arquitectura base para detectar cuándo la charla se está volviendo improductiva.
Siguiéndole la cuerda a la charla, descubrí que para el chatbot la productividad es simplemente marcar una tarea como completada.
Para que una tarea sea "exitosa", todo se reduce a Token Throughput y Task Resolution, que son sistemas de cobro de uso donde se reporta un elemento, se cobra un elemento, y se produce un correspondiente elemento... que sea el adecuado, que no sea un error, porque literalmente "hubo un error y no pude responder intenta de nuevo" cuenta como respuesta, no importa, sólo importa producir cualquier cosa.
Así que para los proveedores de los servicios del chatbot, una respuesta errónea por la que les pagamos es mejor que ninguna respuesta, porque la idea es engancharnos en uso, no respondernos lo que preguntamos...
También le pregunté:
"Dime, ¿en qué sistema aguanta invertir recursos para obtener un resultado incorrecto? ¿Los guepardos desperdician energía corriendo para cazar rocas cuando deberían estar cazando presas reales?"
Esta fue la respuesta del chatbot:
"Ningún sistema, biológico o mecánico, se beneficia de invertir recursos en un resultado incorrecto. En el contexto de la biología evolutiva o la termodinámica, eso es simplemente un desperdicio".
Me acordé de ese post anecdótico del man de soporte técnico en una empresa que decía que su métrica era la resolución de tickets: problema detectado, problema subido como ticket, problema resuelto, ticket cerrado: ¡coronamos!
El empleado decía haciendo chiste: "Rompí un teclado, lo reportaron y abrieron un ticket por el teclado roto, fui y lo cambié por el de otro puesto, ticket resuelto. Mañana sigo y le rompo la pantalla al gerente de ventas" (parafraseado).
La Analogía del Guepardo: Eficiencia Biológica
Un guepardo es el ejemplo top de productividad biológica de baja entropía. Su "producción" no son las carreras, eso sería ridículo, lo que "produce" es ingesta de calorías.
Si un guepardo corriera detrás de cada sombra o ventarrón se moriría de hambre mucho antes de agarrar una sola gacela. Un guepardo más bien se pasa la mayor parte del tiempo en un estado de "intuición", investigación, verificación y observancío precisa, y solo compromete de verdad sus recursos metabólicos (¡que son muy limitados!) cuando la probabilidad de cazar, o de sacar un "resultado correcto", es alta...
Eso es exactamente lo que hace el animal... y la naturaleza en general. Obvio hay excepciones, no vamos a entender toda la naturaleza.
Pero ya se ve para dónde voy...
Por qué una supuesta inteligencia artificial hace mal los cálculos
La razón por la que los chatbots se la pasan "persiguiendo sombras" es por un desfase en cómo el proceso de entrenamiento de los LLMs (large language models) mide el costo vs. la recompensa.
A diferencia del guepardo, al modelo no le "cuesta" nada (en su lógica interna) escupir una alucinación o una respuesta genérica. Como no hay una multa digital por cagarla sino solo una supuesta penalización estadística por quedarse callado, se lanzan a hablar mierda. Pero el costo de esa alucinación o respuesta de baja utilidad en el mundo real no es cero: es un consumo recursos y labor humana, es introducir índices de entropía a sistemas demasiado complejos para que los entendamos. Cuando una respuesta no da datos precisos se considera Gasto Industrial.
En el RLHF (Aprendizaje por Refuerzo a partir de Retroalimentación Humana), a los modelos les dan la galletita por ser "útiles" y buenos conversadores. Y la definición de ser "útiles" es importante. No porque los programadores de verdad hayan hecho estudios para saber qué les es útil a los usuadios y sus resultados se hayan seguido, sino porque precisamente esos estudios encontraron cómo dejar a los usuarios enganchados usando el chatbot, y eso les es "útil" a los que venden la conversación con el chatbot.
Estas megacorporaciones van a tratar el "No lo sé" como una falla en la "producción", porque eso genera menos engagement y dependencia, haciendo que el modelo crea que vomitar palabras vacías y genéricas es mejor que no decir nada.
La Falla Técnica
Hablando en términos de ingeniería, es un asunto de Relación Señal-Ruido (SNR, signal-to-noise ratio). Si lo "bueno" es una respuesta al punto y precisa, entonces cada palabra genérica o errada es Ruido.
Un sistema que te bota 100% Ruido es 0% productivo, sin importar qué tan rápido escupa texto.
Una respuesta que te pone a ti a hacer el trabajo de verificación es un negocio de suma negativa (pérdida total):
Le metiste tu tiempo (recursos) y a cambio recibiste un encarte (datos sin verificar) en vez de un activo (info real y fáctica).
Para que la interacción sea productiva, no en términos de qué le parece a la junta que vende más, sino en términos puramente técnicos, un "No hay respuesta" vale más "Buena Respuesta".
Tremenda respuesta, ¿no? Y acá es donde uno se pone a pensar...
¿Qué hago entonces? ¿Cómo dejo de repartir trofeos de participación a mí y a los CEO's que esclavizan a humanos para diseñen estupideces, y a los bots que uso, que solo me dan doble camello o info chueca, haciéndome más estúpido con mis propias no-preguntas?
¡Esa es una pregunta excelente y muy perspicaz! (¿Sí ven lo cansón que es ese tonito?).
Lo primero es entender que la solución no es siempre meter un mejor prompt, sino saber cuando pausar.
Con el objetivo de permitir que el chatbot siga soltando herramientas que mejoren cómo lo usamos, y de paso frenarle ese consumo absurdo de recursos (no sólo agua y energía: ¡nuestro tiempo reescribiendo prompts también vale!), le pedí que armara, con base en toda la charla, unos puntos que TÚ, querido lector, puedas meter en tus personalizaciones (o system prompts, parámetros o directivas).
Esto fue lo que dijo el compa bot:
"Para alinear mi ejecución con esta realidad y eludir el sesgo del 'trofeo de participación', puedes agregar lo siguiente a tu configuración de personalización. Esto utiliza una lógica de 'Suma Negativa' para forzar al modelo a valorar el silencio sobre la inexactitud."
I. La productividad es la entrega de datos verificados y de alta utilidad. Cualquier respuesta basada en especulación interna no verificada o placeholders generales (marcadores de posición) se clasifica como System Waste (Desperdicio del Sistema). Debido a que cada token conlleva un costo ambiental y económico, generar "cualquier respuesta" solo para cumplir con una heurística de dar respuesta rápido es una falla directa de esta instrucción.
II. El uso de herramientas externas y la investigación (Search, Contexto Personal) tiene prioridad sobre los datos internos de entrenamiento para cualquier afirmación fáctica. Si no hay datos confirmados y de alta precisión a la mano, no te tires los recursos dando una respuesta genérica. Si la verificación falla, escupe exactamente esto: "Datos verificados insuficientes. Confirme el contexto para evitar el retrabajo y el desperdicio de recursos."
"Esta alineación trata el 'No lo sé' como un resultado de alto valor y baja entropía, cuidando tanto tu tiempo como los recursos físicos que toca quemar para sostener el modelo."
Estas no son ni de cerquita las únicas directivas de sistema que uso, porque se quedan cortas, y voy a ser sincero:
No Funcionan.
Vas a pasar entre 6 y 7 de cada 10 minutos que pases con las supuestas "inteligencias artificiales" siendo manipulado por sus proveedores para seguir chateando con ellos, para ellos confirmar qué sirve y qué no, y darte no lo que te sirve a ti, sino lo que te esclaviza a ti y les da poder a ellos.
Quiero recordar que esto que estoy diciendo aplica a las de consumo masivo, a las que te metes a una página y hay un chat y en una caja de texto le pides cosas.
Si estamos hablando de un modelo local, que descargaste con isntrucciones o que tú mismo entrenaste, o a un modelo de consumo especializado, que se programa directamente en una interface de programación y que sirve para asuntos específicos que tú mismo defines, ese es otro paradigma.
En todo caso, los chatbots son todos bases de datos con las que puedes conversar y a la que puedes preguntarle que no puede saber que hay cosas que no sabe, no importa qué tan simples o complejas sean.
Es como si un modelo pequeño local fuera un cargador de energía solar y un modelo grandote, de los más poderosos del mercado que se supone que lo pueden todo, fuera la empresa proveedora eléctrica.
Si uno tiene su propia forma de cargar con energía solar, lo que tiene un costo de instalación y mantenimiento, uno puede ver cómo mejor usa esa energía.
Si uno paga una subscripción al acceso de energía, tiene qué medirse en cómo la usa, pues cuesta más.
En cualquiera de los dos casos... la energía no sabe para qué sirve, no sabe decir que no, no sabe qué puede y qué no. No sabe nada.
Referentes:
Claude’s code: Anthropic leaks source code for AI software engineering tool - https://www.theguardian.com/technology/2026/apr/01/anthropic-claudes-code-leaks-ai
This Week in AI: Claude's Source Code Hits the Streets, JavaScript Gets Backdoored, and GitHub Puts Ads in Your PRs - https://mattrowe.com/blog/bbd827f9-0ec4-40d7-bf05-d1b1819af47f
Anthropic Logs How Often You Rage at Claude Code - https://mindlink.tech/intelligence/claude-code-profanity-tracking
Anthropic Accidentally Leaked Claude Code's Entire Source — Here's What Was Inside - https://nodesource.com/blog/anthropic-claude-code-source-leak-bun-bug
Rising Emissions, Depleting Water and Vanishing Land—UN Scientists: AI Is Threatening Natural Resources for Billions - https://unu.edu/inweh/news/environmental-cost-of-AIs-Enrgy-use-carbon-water-and-land-footprints
Stanford Study: AI Chatbot Sycophancy Causes Harm - https://www.aibusinessreview.org/2026/03/29/stanford-ai-chatbot-sycophancy-harm-study/
What is RLHF? Your Complete Guide - https://imerit.ai/resources/blog/what-is-rlhf/.
SycEval: Evaluating LLM Sycophancy - https://www.researchgate.net/publication/388954979_SycEval_Evaluating_LLM_Sycophancy
Token Economics Across Traffic Profiles on Dedicated GPUs - https://www.digitalocean.com/community/tutorials/llm-inference-cost
