Prompt, output, hallucination: las palabras de la AI que suenan más raras de lo que son

Abres una herramienta de AI y alguien te dice que escribas "un mejor prompt". Luego te advierte de que el modelo podría "alucinar" (hallucinate) y menciona que tu texto cuesta cierta cantidad de "tokens". Si te detuvieras a pensar en esas palabras por separado, sonarían rarísimas. ¿Una herramienta que alucina? ¿Tokens, como fichas de arcade?

La buena noticia: estas palabras no son tan raras como suenan. Cada una toma prestada una palabra cotidiana y le da un trabajo estrecho y específico. En cuanto aprendes el trabajo, el vocabulario deja de intimidar y empieza a ser útil.

Ayuda pensar en estas palabras como disfraces. Una palabra familiar se pone un disfraz tecnológico y entra en una sala nueva. "Prompt" se ve igual por fuera, pero dentro de la sala de la AI significa algo específico. Tu tarea es simplemente reconocer en qué sala estás, para leer la palabra del modo correcto.

Respuesta rápida

En la AI, un prompt es la instrucción o pregunta que escribes, el output es lo que el sistema produce en respuesta, una hallucination es una parte de ese output que es segura pero errónea, un token es un trozo pequeño de texto que el sistema procesa, y un model es el propio sistema entrenado. Ninguna de estas significa lo que significaría en una sobremesa, y esa brecha es donde la gente se confunde.

Palabras clave

• Prompt. Lo que le das a la AI: tu pregunta, instrucción o texto. "Write me a prompt" significa "escribe el input que vas a enviar".
• Output. Lo que sea que el sistema genere de vuelta. Es deliberadamente neutral. Decimos "output" en lugar de "answer" porque no se garantiza que el resultado sea correcto ni siquiera pertinente.
• Hallucination. Una parte del output segura y fluida que sencillamente está inventada o es errónea. El dato falso, la cita inventada, la referencia que no existe.
• Token. Un trozo pequeño de texto, a menudo una palabra o parte de una palabra, usado como la unidad que el sistema lee y cuenta. La longitud y el costo suelen medirse en tokens.
• Model. El sistema entrenado que produce el output. "The model" es lo que hace el trabajo, no una persona ni un ejemplo a copiar.
• Context(contexto). El texto al que el sistema presta atención en este momento, incluido tu prompt y la conversación reciente. Una "context window" es cuánto texto puede sostener a la vez.
• Fine-tune. Tomar un modelo existente y entrenarlo un poco más sobre material concreto para que se comporte de cierta manera. No es "hacer un pequeño ajuste a mano", sino un paso de entrenamiento real, aunque más pequeño.

Trampas comunes

Una trampa común es oír prompt y pensar en sus significados cotidianos. En inglés diario, "prompt" puede significar rápido ("a prompt reply") o recordar a alguien algo ("she prompted him to speak"). En la AI es un sustantivo: el texto de entrada. Así que "improve your prompt" no significa "sé más rápido", sino "reescribe la instrucción que escribiste".

La palabra output despista porque la gente espera que signifique "la respuesta correcta". No lo significa. El output es solo lo que salió. Puede ser brillante, puede ser un disparate. Tener presente la palabra neutral te protege de confiar en los resultados demasiado pronto.

Hallucination suena dramática, hasta médica, y mucha gente supone que significa que la AI está rota o sufriendo una especie de episodio. Es más tranquilo que eso. Es un término técnico llano para un output que es fluido y seguro pero falso. El sistema no está viendo cosas; está rellenando un hueco con texto que suena plausible. El peligro es justo que no parece un error, parece pulido.

Token confunde a casi todos al principio. No es una moneda, un regalo, un gesto ("a token of thanks") ni un pase de seguridad. En la AI es un trozo de texto. Cuando una herramienta dice que tienes un límite de tantos tokens, habla de cuánto texto puede manejar, no de una moneda que gastas en premios.

Por último, model suena como si debiera significar una persona que posa para fotos, o un ejemplo perfecto a imitar ("a model student"). En la AI significa el propio sistema entrenado. "Which model are you using?" pregunta qué sistema entrenado, no qué ejemplo ni qué modelo a seguir.

Una trampa más callada acecha en context. En el habla cotidiana, context significa trasfondo o situación ("in this context"). En la AI tiene un filo preciso: es el texto concreto que el sistema puede ver ahora mismo. Cuando la gente dice "it forgot, the context ran out", quiere decir que la conversación creció más de lo que el sistema podía sostener, no que perdió el interés. Y fine-tune, en inglés informal, significa hacer un retoque diminuto ("fine-tune the wording"). En la AI nombra una ronda de entrenamiento adicional de verdad. Así que "we fine-tuned the model" es una acción mayor que "we tweaked a setting", aunque la palabra cotidiana suene suave y menor.

En todas estas, el patrón es el mismo: una palabra suave y familiar oculta un trabajo técnico preciso. Los malentendidos no vienen de que las palabras sean difíciles, sino de que confiamos en el significado cotidiano un instante de más. Frena en cada término, adjúntale su trabajo estrecho, y la confusión se despeja.

Ejemplos naturales y forzados

Forzado: I gave the AI a quick prompt, so it answered promptly with the right output.

Natural: I typed a short prompt, and the model produced an output I still had to check.

Menos natural: The model hallucinated, so something must be seriously wrong with it.

Mejor: The model hallucinated a source, so I verified the claim before trusting it.

Forzado: My message used too many tokens, like spending coins.

Natural: My message was long, so it used a lot of tokens.

Forzado: This AI model is a real role model for writing.

Natural: This model produces strong writing, though it still makes mistakes.

Las versiones naturales mantienen las palabras en sus trabajos técnicos estrechos y evitan que los significados cotidianos se cuelen.

Menos natural: The conversation got too long, so the AI lost interest in the context.

Mejor: The conversation got too long, so it ran past the context the model could hold.

Aquí "lost interest" mete de contrabando un sentimiento. El modelo no tiene interés que perder. Simplemente no pudo mantener a la vista todo el texto anterior.

Mini tabla

Práctica rápida

Rellena el hueco con una de: prompt, output, hallucination, token, model. Comprueba después.

1. The system invented a study that does not exist; that is a ________.
2. The instruction you type into the tool is the ________.
3. Long text costs more because it uses more ________s.
4. Whatever the tool generates back is its ________.
5. The trained system answering you is the ________.

Respuestas:

1. hallucination
2. prompt
3. token
4. output
5. model

Comprobación extra: en "she gave a prompt reply", ¿es "prompt" el significado de AI? (No. Ahí significa rápido, el significado cotidiano.)

Conclusión

Este vocabulario solo suena raro porque cada palabra toma prestada una ordinaria y le entrega un único trabajo específico. Un prompt es tu input, el output es el resultado en bruto, una hallucination es un disparate seguro, un token es un trozo de texto y un model es el sistema mismo. Sujeta cada palabra a su significado estrecho, sobre todo output y hallucination, y leerás escritura de AI sin pestañear y hablarás de estas herramientas como alguien que de verdad sabe qué hacen las palabras. Los términos no son magia profunda. Son solo etiquetas, y ahora son tuyas.