“Podemos aprovechar el lenguaje natural y la lógica difusa con la que operan las herramientas de inteligencia artificial, pero debemos conocer al menos en algún grado su funcionamiento para sacar mejor provecho de su contenido.”
Más allá de la discusión acerca de si la inteligencia artificial (IA) es verdaderamente inteligencia o no, es innegable la capacidad que esta tiene para calcular, predecir, analizar y sintetizar datos e información, así como para crear casi cualquier tipo de contenido. Basta con cargar a Gemini, Chat GPT, Copilot, Claude, Perplexity o cualquier otra herramienta un documento y pedirle que haga un resumen o un mapa mental para entender el gran potencial de la IA para pensar y razonar, incluso de manera más rápida que un humano promedio. Sin embargo, aún existen muchas personas que no creen en estas capacidades e incluso les temen.
Esta postura escéptica frente a la Inteligencia Artificial se debe, entre otras cosas, a que se usa mal o se utiliza sin tener un mínimo conocimiento de cómo funciona. Quien usa la IA sin comprender su operatividad es como quien intenta conducir un vehículo sin saber que requiere combustible, motor, acelerador o frenos. Para sacar el mejor provecho de las herramientas de IA, es menester contar con un mínimo de conocimiento acerca de su funcionamiento.
Tal vez una de las principales razones por las que muchas personas aún se niegan al uso de la IA es porque se enfrentan a ella como quien se enfrenta a una hoja en blanco, sin saber por dónde empezar. De ahí la importancia de obtener fundamentos conceptuales. Es más, es necesario pensar en una alfabetización en inteligencia artificial que garantice un uso óptimo y ético de la misma.
Estas competencias básicas exigen, en primer lugar, un diccionario que permita la comprensión de un léxico que cada vez se populariza más. Entender conceptos como input, output, prompt, algoritmo, iteración, token, aprendizaje automático (machine learning) y aprendizaje profundo (deep learning), es fundamental para comprender el funcionamiento de la IA. El aprendizaje automático, por ejemplo, utiliza algoritmos para aprender patrones de datos y tomar decisiones, mientras que el aprendizaje profundo se apoya en redes neuronales organizadas en capas para reconocer relaciones complejas (Rouhiainen, 2018, citado en Giraldo Jiménez, 2024).
Además de un vocabulario básico que el usuario debe investigar, para sacar mayor utilidad de la IA se deben conocer sus elementos estructurales y operativos. Esto permite al usuario realizar mejores instrucciones o prompts —es decir, la pregunta o información que se da al sistema para que genere una respuesta o complete una tarea (Calderón Pantoja, 2024)—, y efectuar un control o veeduría efectiva de los contenidos generados para garantizar su veracidad y pertinencia.
En este sentido, es necesario advertir que la Inteligencia Artificial generativa nos entiende porque utiliza el lenguaje humano, el cual opera mediante la aplicación de la lógica difusa. Pero ¿cómo hace la IA para entendernos? La respuesta radica en la lógica algorítmica que utiliza. Tradicionalmente, la lógica clásica humana ha sido binaria o bivalente, operando con solo dos valores de verdad: falso o verdadero, bajo el principio del tercero excluido. Sin embargo, la lógica borrosa o difusa (fuzzy logic) opera con múltiples grados de verdad, predica el principio del tercero incluido y reconoce que el conocimiento puede estructurarse a partir de conceptos vagos e imprecisos propios del lenguaje natural (Giraldo Jiménez et al., 2017; Giraldo Jiménez, 2024).
Esta gran facilidad en la comunicación conlleva también un gran riesgo: confiar ciegamente en las herramientas de IA. Muchas personas delegan en la IA tareas propias de un médico o un abogado. Dado que la IA procesa inicialmente la solicitud y proporciona una respuesta aparentemente coherente, se genera una fe ciega que ignora los límites de la máquina en casos complejos (Giraldo Jiménez et al., 2023). Entender que la IA procesa lenguaje natural implica comprender que, al igual que el ser humano, el lenguaje algorítmico puede fallar a través de sesgos, alucinaciones y contradicciones (Usquiano Yepes et al., 2025).
Por ello, es vital conocer los principios de la lógica en general. La lógica tiene tres elementos estructurales fundamentales: el concepto (dato), el juicio (información o proposición) y el raciocinio (conocimiento o silogismo) (Giraldo Jiménez, 2024; Usquiano Yepes et al., 2025). Las herramientas de inteligencia artificial son entrenadas precisamente para aprehender conceptos (datos masivos), diferenciarlos, relacionarlos y analizarlos para hacer inferencias, simulando la lógica humana.
Una recomendación técnica indispensable en el uso de la IA es la aplicación de pre-prompts y post-prompts (Peñalver-Higuera et al., 2025). Antes de dar la instrucción central, el usuario debe contextualizar a la herramienta. Por ejemplo, un abogado que necesita una acción de tutela no debe lanzar la orden de inmediato, sino interactuar primero (pre-prompt) para asegurarse de que la IA comprende el marco legal y el concepto jurídico requerido. De este modo, al diseñar prompts con claridad, especificidad y contexto, se potencia la capacidad del modelo para generar respuestas relevantes (Calderón Pantoja, 2024; Peñalver-Higuera et al., 2025).
Finalmente, luego de que la herramienta arroja el resultado, se debe iterar para perfeccionar el contenido. Antes de utilizar la respuesta final, es altamente recomendable realizar un post-prompt pidiendo a la IA que verifique la exactitud de sus datos, así como realizar un ejercicio humano de verificación directa (Usquiano Yepes et al., 2025). Con esto se evitan errores graves, como la invención de citas o referencias inexistentes, protegiendo la integridad ética y académica de la información.
No existe un prompt perfecto; su éxito dependerá del contexto de cada usuario. Aunque existe la “ingeniería de prompts“, lo verdaderamente importante es entender que estas herramientas interpretan la imprecisión humana con notable exactitud, lo cual es la base misma de la lógica difusa: el razonamiento preciso de un lenguaje impreciso.
Referencias bibliográficas
Calderón Pantoja, N. (2024). Hacia una inclusión de la Inteligencia Artificial en la enseñanza de la Historia: un acercamiento a la ingeniería de prompts para el trabajo docente. Reseñas de Enseñanza de la Historia, (25), 83-99.
Giraldo Jiménez, E. A. (2024). Incidencia de la inteligencia artificial en la capacidad de las personas. En L. L. Lozano Lamar & R. Nieves Laza (Comps.), Desafío de la inteligencia artificial: un enfoque multidisciplinario (pp. 45-62). Sello Editorial Americana.
Giraldo Jiménez, E. A., Estrada Mejía, A. M., Gallego Ramírez, L. M., & Therán Lopera, W. (2017). Aplicación de la lógica difusa en la filosofía del derecho: Una aproximación práctica en desarrollo. Civilizar Ciencias Sociales y Humanas, 17(33), 257-266. https://doi.org/10.22518/usergioa/jour/ccsh/2017.2/a15
Giraldo Jiménez, E. A., Sanmartín Sanmartín, A. F., & Garcés Giraldo, L. F. (2023). Límites de la aplicación de la inteligencia artificial en el razonamiento judicial. RISTI – Revista Ibérica de Sistemas e Tecnologias de Informação, (E59), 14-23.
Peñalver-Higuera, M. J., Isea-Argüelles, J. J., Rodríguez-Alegre, L. R., & López-Padilla, R. D. P. (2025). Ingeniería de prompts en la industria 4.0: Optimización y automatización inteligente de procesos industriales. Ingenium et Potentia, 7(12), 35-49. https://doi.org/10.35381/i.p.v7i12.4438
Usquiano Yepes, P. A., Valencia Gallo, L. M., Botero Zuluaga, D. M., & Giraldo Jiménez, E. A. (2025). Implicaciones éticas relacionadas con el uso de la inteligencia artificial en la generación de investigaciones académicas. Prometeica – Revista de Filosofía y Ciencias, (32), 1-13. https://doi.org/10.34024/prometeica.2025.32.19619
Comentar