Última actualización: 2026-11-11

Contenido de esta página

• ¿Qué es la inteligencia artificial generativa?
• De clasificar a producir: modelo discriminativo y modelo generativo
• Tipos de inteligencia artificial generativa: las cuatro familias
• Ejemplos de inteligencia artificial generativa
• ¿Qué sabe y qué no sabe un modelo generativo?
• Límites de la IA generativa: alucinación, corte de conocimiento, sesgo y derechos de autor
• ¿Qué dijo la Corte Constitucional de Colombia sobre la IA generativa?
• Los temas que siguen: lo que hay detrás de la IA generativa
• Un modelo que escribe no es un modelo que sabe

Historia real, tal como la reconstruye la Corte Constitucional en su Sentencia T-323 de 2024. El 30 de enero de 2023, un juez del circuito resolvió en segunda instancia una tutela, la acción judicial rápida que protege derechos fundamentales [1]. La había presentado una madre en nombre de su hijo de 5 años, diagnosticado con autismo, que vive en Cartagena [1]. Ella pedía que su EPS, la entidad que administra su seguro de salud, dejara de cobrarle cuotas moderadoras y copagos [1].

El juez ya había decidido a favor del niño. Después, según la sentencia, abrió ChatGPT 3.5 y le hizo cuatro preguntas para «extender los argumentos de la decisión adoptada» [1]. Copió las respuestas en el fallo. La primera empezaba así: «Sí, es correcto» [1].

El 8 de marzo de 2024, tres funcionarios de la Corte hicieron esas mismas preguntas desde cuentas y dispositivos distintos, con tres enfoques; uno las copió palabra por palabra [1]. Ante la pregunta idéntica, la herramienta ya no dijo «sí». Dijo que la exoneración «puede variar según el país y las políticas específicas de salud pública» [1].

La pregunta era la misma. La respuesta, no.

Eso que respondió dos veces distinto es inteligencia artificial generativa. Es un programa que produce contenido nuevo, como un texto o una imagen, a partir de lo que aprendió de sus datos [2]. Su respuesta sonaba a abogado. Pero un programa así no funciona consultando leyes: según le explicó OpenAI a la Corte, escoge la palabra más probable para continuar la frase [1].

¿Qué es la inteligencia artificial generativa?

La inteligencia artificial generativa, o IA generativa, es la rama de la inteligencia artificial que crea datos nuevos: frases o imágenes que no existían antes. Lo hace imitando las regularidades de los ejemplos con que la entrenaron. Por eso sus resultados se parecen a los datos reales, aunque ninguno sea una copia exacta de ellos [2].

Google lo explica en su curso para desarrolladores con dos tipos de modelo [2]. Un modelo generativo podría producir fotos nuevas de animales que se ven como animales reales. Un modelo discriminativo, en cambio, podría distinguir un perro de un gato [2].

En inglés se le dice generative AI, y de ahí sale la abreviatura GenAI que se ve en noticias y ofertas de empleo. Vive dentro del machine learning, el aprendizaje automático, que a su vez es una parte de la inteligencia artificial. Las cuatro familias que verá más abajo usan redes neuronales [3] [4] [5] [6]; por qué la profundidad de esas redes cambió el juego está en la guía de deep learning.

De clasificar a producir: modelo discriminativo y modelo generativo

Un modelo discriminativo responde una pregunta sobre un dato que ya existe: ¿este correo es basura?, ¿esta foto tiene un gato? Un modelo generativo aprende cómo son los datos en su conjunto y por eso puede fabricar ejemplos nuevos. La diferencia no está en la herramienta, sino en lo que el modelo tiene que aprender [2].

El mismo curso de Google lo dice en términos de probabilidad, la medida de qué tan esperable es algo [2]. El discriminativo solo estima qué tan probable es que una etiqueta, como «gato», le corresponda a un dato. El generativo modela cómo se distribuyen los datos mismos, y eso le permite decir qué tan probable es un ejemplo completo [2].

Esa diferencia hace más difícil la tarea generativa [2]. Google pone un ejemplo con barcos. Un modelo que distingue «velero» de «no velero» puede fijarse en unos pocos rasgos delatores. Un modelo que genera imágenes, en cambio, tiene que aprender muchas más relaciones [2]. Por ejemplo, que las cosas con forma de barco suelen aparecer cerca del agua, o que los ojos no suelen salir en la frente [2].

El texto entra en la misma categoría. Según Google, los modelos que predicen la siguiente palabra de una secuencia suelen ser generativos, porque pueden asignarle una probabilidad a una cadena de palabras [2]. Eso es lo que hace un asistente de chat cuando escribe una respuesta [1]. La comparación entre la IA generativa y la IA predictiva, con sus usos en una empresa, tendrá una guía propia.

Tipos de inteligencia artificial generativa: las cuatro familias

Los modelos generativos se agrupan en familias según el truco que usan para producir datos nuevos. La tabla toma un artículo científico de referencia por familia, publicados entre 2013 y 2020. Resume qué generaba cada modelo en su artículo, cuál es su idea y qué límite documentaron sus propios autores.

Familia	Qué generaba en su artículo original	Idea clave	Límite que documenta el artículo
Transformer, la base de los modelos de lenguaje	Traducciones del inglés al alemán y al francés, y análisis de la estructura de oraciones en inglés [3]	Produce la salida un símbolo a la vez y usa los símbolos que ya produjo para escoger el siguiente [3]	La generación sigue siendo paso a paso; los autores dejaron como meta hacerla «menos secuencial» [3]
Modelos de difusión	Imágenes pequeñas del conjunto CIFAR-10 y fotos de iglesias y dormitorios de 256 × 256 píxeles del conjunto LSUN [4]	A una imagen se le añade ruido poco a poco hasta borrarla; el modelo aprende a recorrer ese camino al revés [4]	La probabilidad que el modelo asigna a los datos no es competitiva frente a otros modelos que también se entrenan para medir esa probabilidad; en sus experimentos, generar exigía 1.000 pasos de la red [4]
Redes generativas antagónicas (GAN, por sus siglas en inglés)	Dígitos escritos a mano (MNIST), rostros (Toronto Face Database) e imágenes de objetos (CIFAR-10) [5]	Dos redes compiten: una genera muestras y la otra intenta distinguir si vienen de los datos reales o del generador [5]	Las dos redes tienen que entrenarse sincronizadas; si no, el generador puede producir casi siempre lo mismo y perder variedad [5]
Autocodificadores variacionales (VAE, por sus siglas en inglés)	Dígitos escritos a mano (MNIST) y rostros (Frey Face) [6]	Un codificador resume cada dato en unas pocas variables ocultas y un decodificador lo reconstruye a partir de ellas [6]	Trabaja con una aproximación: optimiza una cota inferior, un piso garantizado, y no la probabilidad exacta [6]

Transformers: el texto que se escribe palabra por palabra

El transformer, un tipo de red neuronal que relaciona cada parte de una secuencia con las demás, lo presentaron Ashish Vaswani y siete coautores en 2017 [3]. Su prueba era la traducción automática. La parte que genera, el decodificador, produce la frase traducida un elemento a la vez y usa lo que ya escribió como entrada para el siguiente [3].

Hugging Face, la plataforma de modelos abiertos, describe con esa misma lógica lo que hacen hoy los modelos de lenguaje grandes [7]. Usan las probabilidades aprendidas en el entrenamiento para predecir y generar el siguiente token, que es una palabra o un pedazo de palabra [7]. Cómo está armado por dentro un modelo de lenguaje tendrá su propia guía.

Difusión: aprender a quitar el ruido

Jonathan Ho, Ajay Jain y Pieter Abbeel, de la Universidad de California en Berkeley, mostraron en 2020 que los modelos de difusión podían generar imágenes de alta calidad [4]. Piense en una foto a la que se le echa estática de televisor, poco a poco, hasta que solo queda ruido. El modelo aprende el recorrido inverso: parte de puro ruido y lo va limpiando hasta que aparece una imagen [4].

GAN: un falsificador contra un detective

La idea de las redes antagónicas la publicaron Ian Goodfellow y siete coautores en 2014 [5]. Ellos mismos la explican con una imagen. El generador, escriben, se parece a «un equipo de falsificadores que intenta producir billetes falsos y usarlos sin ser detectado» [5]. El modelo que discrimina hace de policía, que intenta descubrir los billetes falsos [5]. La competencia obliga a los dos a mejorar.

VAE: comprimir para poder inventar

Diederik Kingma y Max Welling propusieron en 2013 un método para entrenar modelos con variables ocultas, que llamaron autocodificador variacional [6]. Un codificador convierte cada imagen en unos pocos números que la resumen, y un decodificador intenta reconstruirla desde ahí [6]. El modelo supone que cada dato nace de esos números ocultos, sacados al azar de una distribución [6]. Por eso, si se sacan números nuevos, el decodificador produce una imagen nueva.

Ejemplos de inteligencia artificial generativa

Los usos más comunes de la IA generativa son escribir y conversar, resumir, traducir, responder preguntas y producir imágenes. El curso de Hugging Face asocia los modelos de solo decodificador, como GPT o LLaMA, con la generación de texto, la conversación y la escritura creativa [8]. Y asocia los de codificador y decodificador, como T5 o BART, con resúmenes, traducción y respuesta generativa a preguntas [8].

1. Texto. Un asistente de chat redacta un correo, resume un informe o propone respuestas, como hizo ChatGPT con el juez [1] [8].
2. Traducción. Fue la primera prueba del transformer en 2017 [3].
3. Imágenes. Los artículos de difusión y de las redes antagónicas (GAN) mostraron sus modelos generando fotos y dígitos escritos a mano que no existían [4] [5].

¿Qué sabe y qué no sabe un modelo generativo?

Un modelo generativo sabe las regularidades de los datos con que lo entrenaron: qué palabras suelen ir juntas, qué formas aparecen cerca de otras. No sabe lo que pasó después de su entrenamiento, no consulta la realidad al responder y no tiene, por sí solo, un método para comprobar si lo que escribe es cierto [1] [2] [10].

OpenAI, la empresa que creó ChatGPT, se lo explicó a la Corte en el trámite de la T-323 [1]. Según la sentencia, la herramienta analiza un gran número de palabras para predecir la más probable para continuar una frase [1]. La misma empresa advirtió que, por esa forma de funcionar, la siguiente palabra más probable no siempre es la correcta o la cierta en los hechos [1].

La Corte lo resumió en una frase dura. La IA generativa puede reproducir referencias y ejemplos correctos de sus datos de entrenamiento, reconoció. Pero, escribió, «no tiene una base factual sólida ni un método para hacer verificaciones de sus resultados, basadas en los hechos» [1].

Límites de la IA generativa: alucinación, corte de conocimiento, sesgo y derechos de autor

La IA generativa tiene cuatro límites que pesan en el uso diario. Puede inventar con aplomo, ignora lo que pasó después de su entrenamiento y hereda los sesgos de sus datos. Además, deja preguntas abiertas sobre quién es dueño de lo que produce. Las fuentes coinciden en el remedio de fondo: que una persona verifique [1] [10].

Alucinación: cuando el texto suena bien y es falso

En la generación de lenguaje natural, la rama que produce texto, se llama alucinación al texto sin sentido o infiel a la fuente de la que debía salir [13]. Según la revisión de Ziwei Ji y sus coautores, publicada en 2023 en ACM Computing Surveys, los modelos generan ese texto a menudo, y da la impresión de ser fluido y natural [13]. Su alcance son tareas de texto como resúmenes, diálogo, traducción y respuesta a preguntas; su versión en arXiv, actualizada en 2024, añade un apartado sobre modelos de lenguaje grandes [13].

La revisión distingue dos tipos [13]. La alucinación intrínseca contradice la fuente. La extrínseca añade algo que la fuente no permite ni confirmar ni desmentir [13]. Los autores hacen una salvedad que conviene conservar: la extrínseca no siempre es errónea, porque puede venir de información externa que sí es correcta [13].

Las empresas que venden estos modelos lo reconocen en su documentación. Anthropic, la creadora de Claude, escribe que hasta los modelos más avanzados pueden a veces generar texto incorrecto en los hechos o inconsistente con el contexto dado [12]. OpenAI menciona, entre sus ejemplos, citas, estudios o referencias a fuentes que no existen [10].

En la T-323, la Corte recordó el caso Mata contra Avianca, en Nueva York [1]. Según la sentencia, los abogados de un pasajero citaron decisiones judiciales que resultaron falsas, salidas de una consulta en ChatGPT. El abogado y su firma fueron sancionados [1].

Corte de conocimiento: la fecha en que el modelo dejó de aprender

El corte de conocimiento es la fecha hasta la cual llegan los datos con que se entrenó un modelo. OpenAI lo explica en su centro de ayuda: sus respuestas no incorporan hechos posteriores a ese punto, salvo que el modelo use herramientas como la búsqueda en internet [10].

Según la sentencia, la versión gratuita de GPT-3.5 que seguía en uso en 2024 tenía su información actualizada hasta enero de 2022 [1]. La propia herramienta se lo dijo así a la Corte en la diligencia de ese año [1].

Las empresas publican esas fechas. Anthropic, por ejemplo, publica dos fechas para cada uno de sus modelos: la de corte de los datos de entrenamiento y la de corte del conocimiento fiable [11]. Para sus modelos más recientes, ambas eran junio de 2026 cuando se consultó esta guía [11].

Sesgo heredado de los datos

Un modelo generativo repite los sesgos de lo que leyó o vio. El curso de Hugging Face lo explica sin rodeos: para entrenar con grandes cantidades de datos, los investigadores a menudo recogen todo el contenido que encuentran, lo mejor y lo peor de internet [9].

El curso lo ilustra con BERT, un modelo que completa la palabra que falta en una frase [9]. Cuando se le pide el oficio de un hombre, propone, entre otros, abogado, carpintero y médico. Cuando se le pide el de una mujer, propone, entre otros, enfermera, profesora y empleada doméstica [9]. Y eso que BERT, aclara el curso, no se entrenó con todo internet, sino con datos en apariencia neutrales [9]. El curso advierte que ajustar el modelo con datos propios no hace desaparecer ese sesgo intrínseco [9].

Los autores del artículo de difusión de 2020 hicieron una advertencia parecida [4]. Los modelos generativos reflejan los sesgos de sus datos y, si sus muestras se multiplican en internet, esos sesgos se refuerzan [4].

Derechos de autor: lo que dice la Oficina de Derechos de Autor de Estados Unidos

La pregunta de quién es dueño de un texto o una imagen hecha con IA no tiene una respuesta única en el mundo: depende de la ley de cada país. Un análisis oficial que se puede leer completo es el de la Oficina de Derechos de Autor de Estados Unidos, que publica su informe por partes [14] [15]. Lo que sigue describe solo sus conclusiones, y valen para la ley estadounidense.

Tema	Qué concluye la Oficina	Alcance
¿Se protege lo que produce la IA? (parte 2, 29 de enero de 2025)	La protección no se extiende al material generado solo por IA ni a aquel en que no hubo suficiente control humano sobre los elementos expresivos [14]	Ley de Estados Unidos; se decide caso por caso [14]
¿Basta con escribir la instrucción?	Con la tecnología disponible hoy, las instrucciones por sí solas no dan control suficiente [14]	Conclusión atada al funcionamiento actual de la tecnología [14]
¿Se puede entrenar con obras protegidas? (parte 3, versión previa de mayo de 2025)	Varias etapas del desarrollo usan obras protegidas de formas que tocan los derechos exclusivos de sus dueños; la Oficina señala como pregunta clave si califican como uso justo, una defensa que prevé la ley estadounidense [15]	La Oficina advierte que no se puede prejuzgar el resultado de ningún caso concreto [15]

Sus conclusiones interpretan la ley de Estados Unidos, no la colombiana. Las reglas, la ética y la propiedad intelectual alrededor de estos sistemas se tratan en la guía de gobierno de datos.

¿Qué dijo la Corte Constitucional de Colombia sobre la IA generativa?

La Corte Constitucional decidió, el 2 de agosto de 2024, que el juez del caso no violó el debido proceso, porque usó ChatGPT después de tomar la decisión, no para tomarla [1]. Pero encontró que no cumplió del todo con la transparencia y la responsabilidad. Sí cumplió con la privacidad: no metió en la herramienta datos personales del niño ni de su historia clínica [1].

De ahí salieron reglas para todos los jueces del país. La sentencia fijó doce criterios para usar estas herramientas en la justicia [1]. Entre ellos están la transparencia, la responsabilidad, la privacidad, la no sustitución de la racionalidad humana y la seriedad y verificación [1]. También ordenó al Consejo Superior de la Judicatura, el órgano que administra la Rama Judicial, divulgar en cuatro meses una guía sobre la IA generativa en la Rama Judicial [1].

El fallo trae una advertencia que vale la pena llevar fuera de los juzgados. Según la Corte, el funcionario judicial que se apoye en estas herramientas debe cumplir un estándar alto de verificación de las fuentes y los datos que entrega la máquina [1].

Los temas que siguen: lo que hay detrás de la IA generativa

Esta guía responde qué significa generar y dónde están los límites. Lo que viene después son las preguntas de cómo se usa y cómo se construye. La primera ya tiene respuesta: cómo se le pide bien a un modelo está en la guía de prompt engineering.

Las demás llegarán en guías propias. Una explicará cómo funciona por dentro un modelo de lenguaje. Otra comparará la IA generativa con la predictiva. Otras tratarán la técnica llamada RAG, que hace que un modelo responda con documentos propios, y los agentes de IA. Habrá una sobre el ajuste fino, un entrenamiento adicional que OpenAI, en su informe a la Corte, describe como una forma de mejorar las respuestas [1]. Y una última, sobre los asistentes que ayudan a escribir código.

¿Su pregunta es de negocio, por ejemplo si un proyecto de IA generativa le paga lo que cuesta a una empresa? Ese camino lo recorre un estudio de caso sobre el retorno de la inversión (ROI, cuánto vuelve por cada peso invertido): IA generativa rentable: del piloto al ROI real.

Un modelo que escribe no es un modelo que sabe

Vuelvo al niño de Cartagena. La Corte confirmó, con ajustes, la protección que el juez le dio [1]. Lo que le reprochó fue el lugar que le dio a la herramienta [1]. Copió en una sentencia lo que un programa redactó con la seguridad de quien ha leído mucho, sin cumplir del todo con la transparencia y la responsabilidad [1].

Esto ya es opinión mía, no dato: la IA generativa es una redactora rapidísima, no una fuente. Sirve para escribir el primer borrador de casi cualquier cosa. No sirve para decidir qué es cierto.

Y eso tiene una consecuencia social. Quien más pierde con un texto falso bien escrito es quien no tiene cómo revisarlo: la madre que lee un fallo, el usuario que no puede pagar un abogado. Si la verificación queda solo en manos de quien puede pagarla, la herramienta que prometía democratizar el conocimiento terminará repartiendo errores con buena ortografía. ¿Quién revisa, en su oficina, lo que la máquina escribe?

Preguntas frecuentes

¿ChatGPT es inteligencia artificial generativa? Sí. En su informe a la Corte Constitucional, OpenAI describió a ChatGPT como un modelo de IA que produce texto conversacional [1]. Lo escribe con base en lo que aprendió de los datos con que se entrenó [1]. Claude, de Anthropic, es otro modelo de lenguaje de la misma familia [12]. Ambos generan su respuesta pieza por pieza, un token tras otro [7].

¿Qué significa GenAI? Es la abreviatura de generative artificial intelligence, inteligencia artificial generativa en inglés. Nombra a los sistemas que crean datos nuevos en vez de solo clasificar los que ya existen [2]. En español se usan como sinónimos IA generativa e inteligencia artificial generativa.

¿La IA generativa busca en internet cuando responde? Depende de la herramienta. Un modelo, por sí solo, responde con lo que aprendió en el entrenamiento [10]. Algunos productos le añaden una búsqueda en la web: OpenAI indica que en ChatGPT esa función viene activada por defecto, y que se nota porque la respuesta cita fuentes web [10].

¿Quién es dueño de una imagen hecha con IA? Depende del país donde se reclame. En Estados Unidos, la Oficina de Derechos de Autor concluyó que el material generado solo por IA no tiene protección [14]. La persona sí la tiene sobre sus aportes creativos que se perciban en el resultado, como la selección, el arreglo o las modificaciones creativas [14]. En Colombia hay que mirar la ley colombiana.

¿La IA generativa sirve para trabajos que exigen exactitud? Sirve como ayuda, con revisión humana. OpenAI recomienda usar ChatGPT como primer borrador y no como fuente final, y verificar siempre citas, datos y referencias [10]. Esa recomendación coincide con lo que la Corte le exige a un juez.

Referencias

Las citas en otro idioma son traducción propia.

1. Corte Constitucional de Colombia, Sala Segunda de Revisión. Sentencia T-323 de 2024, expediente T-9.301.656, magistrado sustanciador Juan Carlos Cortés González, Bogotá, 2 de agosto de 2024 — fallo de segunda instancia del 30 de enero de 2023 en la tutela de un niño de 5 años con trastorno del espectro autista que vive en Cartagena; el juez usó ChatGPT 3.5 para «extender los argumentos de la decisión adoptada» y transcribió cuatro preguntas y sus respuestas; diligencia del 8 de marzo de 2024 con tres funcionarios y respuestas distintas a las mismas preguntas; informe de OpenAI (predicción de la palabra más probable; la más probable no siempre es la cierta; ajuste fino posterior); GPT-3.5 con información actualizada hasta enero de 2022; «no tiene una base factual sólida ni un método para hacer verificaciones de sus resultados, basadas en los hechos»; caso Mata contra Avianca; no violación del debido proceso; incumplimiento parcial de transparencia y responsabilidad; privacidad satisfecha; doce criterios; orden al Consejo Superior de la Judicatura de divulgar una guía en cuatro meses; estándar alto de verificación. Corte Constitucional: Sentencia T-323 de 2024 — Consultada: 2026-11-11.
2. Google for Developers. Background: What is a Generative Model?, curso de redes generativas antagónicas (última actualización: 25 de agosto de 2025) — los modelos generativos pueden generar nuevas instancias de datos y los discriminativos distinguen entre clases; ejemplo de fotos de animales frente a distinguir perro de gato; probabilidad conjunta frente a condicional; los modelos que predicen la siguiente palabra suelen ser generativos; la tarea generativa es más difícil (barcos cerca del agua, ojos en la frente). Google for Developers: What is a Generative Model? — Consultada: 2026-11-11.
3. Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Łukasz; Polosukhin, Illia. Attention Is All You Need, NeurIPS 2017 (arXiv 1706.03762, versión 7 del 2 de agosto de 2023) — experimentos de traducción inglés-alemán e inglés-francés y análisis de constituyentes en inglés; el decodificador genera un símbolo a la vez y es autorregresivo, consume los símbolos ya generados para producir el siguiente; «hacer la generación menos secuencial» como meta de investigación. arXiv: Attention Is All You Need — Consultada: 2026-11-11.
4. Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (UC Berkeley). Denoising Diffusion Probabilistic Models, NeurIPS 2020 (arXiv 2006.11239) — síntesis de imágenes de alta calidad con modelos de difusión; proceso que añade ruido gaussiano poco a poco hasta destruir la señal y cadena aprendida que lo revierte; resultados en CIFAR10 y en LSUN 256 × 256 (iglesias y dormitorios); T = 1.000, número de evaluaciones de la red al muestrear; verosimilitud no competitiva frente a otros modelos basados en verosimilitud; sección de impacto: los modelos generativos reflejan los sesgos de sus datos y su proliferación los refuerza. arXiv: Denoising Diffusion Probabilistic Models — Consultada: 2026-11-11.
5. Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua. Generative Adversarial Networks (arXiv 1406.2661, 10 de junio de 2014) — dos modelos entrenados a la vez, un generador y un discriminador que estima si una muestra viene de los datos o del generador; analogía de los falsificadores de billetes y la policía; experimentos con MNIST, Toronto Face Database y CIFAR-10; desventaja: el discriminador debe sincronizarse con el generador para evitar que este colapse muchos valores en la misma salida y pierda diversidad. arXiv: Generative Adversarial Networks — Consultada: 2026-11-11.
6. Kingma, Diederik P.; Welling, Max. Auto-Encoding Variational Bayes (arXiv 1312.6114, primera versión del 20 de diciembre de 2013) — estimador de una cota inferior variacional para modelos con variables latentes continuas; modelo de reconocimiento (codificador) y decodificador; con una red neuronal como modelo de reconocimiento se llega al autocodificador variacional; modelos generativos de imágenes de MNIST y Frey Face. arXiv: Auto-Encoding Variational Bayes — Consultada: 2026-11-11.
7. Hugging Face. LLM Course, capítulo 1, «Inference with LLMs» — los modelos de lenguaje formulan sus respuestas una palabra a la vez y usan probabilidades aprendidas para predecir y generar el siguiente token. Hugging Face: Inference with LLMs — Consultada: 2026-11-11.
8. Hugging Face. LLM Course, capítulo 1, «Summary» — arquitecturas de solo decodificador (GPT, LLaMA, Gemma, SmolLM) para generación de texto, IA conversacional y escritura creativa; de codificador y decodificador (BART, T5, Marian, mBART) para resúmenes, traducción y respuesta generativa a preguntas. Hugging Face: LLM Course, resumen del capítulo 1 — Consultada: 2026-11-11.
9. Hugging Face. LLM Course, capítulo 1, «Bias and limitations» — para entrenar con grandes cantidades de datos, los investigadores a menudo recogen todo el contenido que encuentran, lo mejor y lo peor de internet; ejemplo de BERT con oficios asociados a hombre y a mujer; ajustar el modelo con datos propios no hace desaparecer el sesgo intrínseco. Hugging Face: Bias and limitations — Consultada: 2026-11-11.
10. OpenAI Help Center. Does ChatGPT tell the truth? — respuestas basadas en patrones de los datos de entrenamiento; ejemplos de alucinación, incluidas citas, estudios o referencias a fuentes inexistentes; corte de conocimiento: datos hasta cierto punto y sin información posterior salvo que se usen herramientas; búsqueda activada por defecto; recomendación de verificar citas, datos y referencias. OpenAI: Does ChatGPT tell the truth? — Consultada: 2026-11-11.
11. Anthropic. Models overview, documentación de Claude — tabla de los modelos más recientes con «Reliable knowledge cutoff» y «Training data cutoff», ambas en junio de 2026 al consultarla. Anthropic: Models overview — Consultada: 2026-11-11.
12. Anthropic. Reduce hallucinations, documentación de Claude — incluso los modelos de lenguaje más avanzados pueden a veces generar texto incorrecto en los hechos o inconsistente con el contexto dado; técnicas como permitir que el modelo diga «no sé» y basar la respuesta en citas textuales. Anthropic: Reduce hallucinations — Consultada: 2026-11-11.
13. Ji, Ziwei; Lee, Nayeon; Frieske, Rita; Yu, Tiezheng; Su, Dan; Xu, Yan; Ishii, Etsuko; Bang, Yejin; Chen, Delong; Dai, Wenliang; Chan, Ho Shu; Madotto, Andrea; Fung, Pascale. Survey of Hallucination in Natural Language Generation, ACM Computing Surveys, vol. 55, n.º 12, 2023, DOI 10.1145/3571730 — los modelos de generación de lenguaje a menudo producen texto sin sentido o infiel a la fuente, lo que se llama alucinación; el texto alucinado da la impresión de ser fluido y natural; alucinación intrínseca (contradice la fuente) y extrínseca (no se puede verificar con la fuente, y no siempre es errónea); alcance: resumen, diálogo, respuesta generativa a preguntas, datos a texto, traducción, visión y lenguaje, y modelos de lenguaje grandes. ACM: DOI 10.1145/3571730 · arXiv: 2202.03629 — Consultada: 2026-11-11.
14. U.S. Copyright Office. Copyright and Artificial Intelligence, Part 2: Copyrightability (29 de enero de 2025) — la protección no se extiende al material generado solo por IA ni a aquel sin suficiente control humano sobre los elementos expresivos; con la tecnología disponible, las instrucciones solas no dan control suficiente; análisis caso por caso; los autores humanos tienen derechos sobre sus obras perceptibles en el resultado y sobre la selección, coordinación o arreglo creativos y las modificaciones creativas. U.S. Copyright Office: informe parte 2 en PDF — Consultada: 2026-11-11.
15. U.S. Copyright Office. Copyright and Artificial Intelligence, Part 3: Generative AI Training, versión previa a la publicación (mayo de 2025) — varias etapas del desarrollo de la IA generativa usan obras protegidas de formas que implican los derechos exclusivos de sus dueños; la pregunta clave es si califican como uso justo; no es posible prejuzgar el resultado de ningún caso concreto. U.S. Copyright Office: informe parte 3 en PDF — Consultada: 2026-11-11.

Cómo investigamos esta página

• Pregunta que responde: Qué significa que una IA genere contenido, qué familias de modelos lo hacen y qué límites tienen.
• Fuentes: identificadas 21 → incluidas 15 (papers originales en arXiv, una revisión de ACM, la Sentencia T-323 de 2024, documentación oficial de Google, Hugging Face, OpenAI y Anthropic, e informes de la Oficina de Derechos de Autor de EE. UU.).
• Criterios de inclusión: solo papers originales, documentación oficial y documentos públicos leídos en texto completo; sin cifras ajenas a la pregunta.
• Fecha de corte de los datos: 2026-11-11