Un modelo de lenguaje como ChatGPT no «sabe» cosas porque alguien se las haya enseñado una a una. Aprende en tres fases muy distintas: primero lee una porción enorme de internet (preentrenamiento), luego se le pule para que siga instrucciones (ajuste fino) y por último se le educa con preferencias humanas para que responda de forma útil y segura (RLHF). Entender estas fases no es un capricho técnico: explica por qué la IA conoce —o ignora— tu marca, y por qué a veces se queda «anclada» en información de hace meses. Esta guía te lo aclara sin jerga innecesaria.
Cuando le preguntas algo a un asistente de IA y te responde con soltura, da la sensación de que «entiende». En realidad está prediciendo, palabra a palabra, la continuación más probable de tu texto, apoyándose en patrones que absorbió durante su entrenamiento. Y ese entrenamiento tiene una estructura clara. Conocerla te da una ventaja práctica: saber qué puede saber la IA de ti y cuándo.
Qué significa «entrenar» un modelo
Un modelo de lenguaje es, en el fondo, una red neuronal gigantesca con miles de millones de parámetros (los «pesos» que determinan su comportamiento). Si quieres el detalle de cómo funcionan esos componentes por dentro, lo explicamos en qué son las redes neuronales.
Entrenar significa ajustar esos parámetros poco a poco para que el modelo haga bien una tarea. En el caso de un modelo de lenguaje, la tarea base es engañosamente simple: predecir la siguiente palabra (en realidad, el siguiente token) de un texto. Repite ese ejercicio billones de veces sobre textos reales, y de ahí emerge algo que se parece mucho a comprender el lenguaje: gramática, hechos, estilo, razonamiento básico.
Pero llegar de «predecir palabras» a «asistente conversacional útil» requiere tres etapas encadenadas. Cada una aporta algo que la anterior no puede dar.
Fase 1: preentrenamiento (de dónde sale el conocimiento)
El preentrenamiento es la fase más larga, más cara y la que define qué sabe el modelo del mundo.
Aquí se le muestra una cantidad colosal de texto: páginas web, libros, artículos, foros, código, documentación. El modelo no recibe «respuestas correctas» etiquetadas por humanos; simplemente intenta adivinar la siguiente palabra de cada fragmento y se corrige a sí mismo cuando falla. A esto se le llama aprendizaje autosupervisado: el propio texto es la respuesta.
Tras procesar ese volumen, el modelo ha absorbido:
- Estructura del lenguaje: gramática, sintaxis, cómo encadenar ideas.
- Conocimiento del mundo: capitales, fechas, conceptos, relaciones entre cosas… y también qué marcas existen y cómo se las describe.
- Patrones de razonamiento: cómo se argumenta, cómo se resuelve un problema paso a paso.
Aquí está la primera consecuencia para tu marca: si tu negocio aparece en muchas fuentes durante esta fase —con descripciones coherentes—, el modelo «recordará» que existes. Si no apareces, o apareces de forma contradictoria, el modelo tendrá un hueco o una idea borrosa de ti. El preentrenamiento es donde se decide buena parte de tu visibilidad «de base» en la IA.
El resultado de esta fase es lo que se llama un modelo base: potentísimo en conocimiento, pero difícil de usar. Un modelo base tiende a continuar el texto en lugar de responder; si le escribes una pregunta, puede que te devuelva más preguntas parecidas en vez de la respuesta. Le falta «modales».
Fase 2: ajuste fino (aprender a seguir instrucciones)
La segunda fase, el ajuste fino (fine-tuning), convierte ese modelo base en algo que sabe comportarse como asistente.
Aquí se le entrena con un conjunto mucho más pequeño y cuidado: ejemplos de instrucciones y sus respuestas ideales, escritos o revisados por personas. «Pregunta → respuesta buena», miles de veces, sobre tareas variadas: resumir, traducir, explicar, redactar, clasificar.
El cambio es notable. Después del ajuste fino, el modelo:
- Entiende que una pregunta espera una respuesta (no más texto suelto).
- Adopta un tono útil y directo.
- Aprende formatos concretos (listas, pasos, tablas) cuando se los pides.
- Se especializa, si hace falta, en un dominio (legal, médico, soporte técnico).
Esta etapa es comparativamente barata y rápida frente al preentrenamiento, porque no busca enseñar conocimiento nuevo sobre el mundo, sino enseñar comportamiento: cómo usar lo que ya sabe. Es la diferencia entre alguien que ha leído media biblioteca y alguien que, además, sabe darte una respuesta clara cuando se lo pides.
Conviene un matiz importante para tu marca: el ajuste fino no suele añadir conocimiento fresco sobre tu negocio. Trabaja sobre lo que el modelo ya absorbió en el preentrenamiento. Por eso la batalla de la visibilidad se libra antes (en las fuentes que la IA leyó) y después (en lo que pueda consultar en vivo), no tanto aquí.
Fase 3: RLHF (alinear el modelo con lo que valoramos)
La tercera fase es la que dio el salto cualitativo que convirtió a estos modelos en productos masivos: RLHF, siglas en inglés de Reinforcement Learning from Human Feedback (aprendizaje por refuerzo a partir de retroalimentación humana).
La idea: aunque el modelo ya sigue instrucciones, no todas las respuestas «correctas» son igual de buenas. Una puede ser más clara, más segura, menos sesgada o simplemente más útil. ¿Cómo se le enseña esa diferencia? Mostrándole preferencias humanas.
El proceso, simplificado, tiene tres movimientos:
- El modelo genera varias respuestas a una misma pregunta.
- Personas las ordenan de mejor a peor según calidad, utilidad y seguridad.
- Con esas comparaciones se entrena un «modelo de recompensa» que aprende a puntuar respuestas, y luego se afina el modelo principal para maximizar esa puntuación.
El efecto del RLHF es lo que percibes como «buenos modales» de la IA:
- Respuestas más alineadas con lo que realmente querías.
- Menos contenido tóxico, peligroso o inventado con seguridad.
- Tono equilibrado y reconocimiento de los límites del propio modelo.
Es, en buena medida, la fase responsable de que un asistente resulte agradable y fiable de usar. No le enseña hechos nuevos sobre tu marca, pero sí influye en cómo te menciona: con qué tono, con cuánta cautela, si recomienda o se limita a describir.
Las tres fases de un vistazo
| Fase | Qué aprende | Datos que usa | Coste relativo | Qué aporta |
|---|---|---|---|---|
| Preentrenamiento | Conocimiento del mundo y lenguaje | Enorme volumen de texto sin etiquetar (web, libros, código) | Muy alto | Lo que el modelo «sabe» (incluida tu marca) |
| Ajuste fino | Seguir instrucciones | Ejemplos cuidados de pregunta-respuesta | Medio-bajo | Comportarse como asistente útil |
| RLHF | Alinearse con preferencias humanas | Comparaciones y valoraciones de personas | Medio | Respuestas útiles, seguras y con buen tono |
El patrón es claro: el preentrenamiento decide qué sabe; el ajuste fino y el RLHF deciden cómo se comporta. Para tu visibilidad importan las tres, pero la primera es donde se juega si la IA te conoce.
La fecha de corte: por qué la IA «no sabe» lo último
Hay un concepto que tiene consecuencias directas para cualquier marca: la fecha de corte de conocimiento (knowledge cutoff).
El preentrenamiento usa un volcado de datos congelado en el tiempo. Todo lo que pasó después de recopilar esos datos sencillamente no entró en el modelo. Si la fecha de corte de un modelo es, por ejemplo, principios de 2026, no «sabrá» de forma nativa nada ocurrido después: ni tu nuevo producto, ni tu rebranding, ni un premio que ganaste el mes pasado.
Esto tiene tres implicaciones prácticas:
- El conocimiento del modelo tiene retraso. Reentrenar es carísimo, así que las actualizaciones del conocimiento base no son continuas.
- Lo nuevo sobre tu marca puede ser invisible hasta que entre en una futura ronda de entrenamiento… o hasta que la IA lo encuentre en vivo.
- Aquí entra la búsqueda en tiempo real. Muchos asistentes ya no dependen solo de su memoria: cuando detectan que necesitan información actual, buscan en la web en el momento y citan fuentes. Es el mecanismo que explicamos en cómo funciona ChatGPT.
Esta distinción —memoria entrenada vs. búsqueda en vivo— es la clave estratégica. Sobre la memoria entrenada tienes poco control directo y mucha latencia. Sobre la búsqueda en vivo, en cambio, influyes igual que influirías en cualquier fuente bien posicionada y citable: con contenido claro, autoridad y presencia coherente en la web.
Por qué esto importa para tu visibilidad
Si juntas las piezas, sale una conclusión accionable. La IA habla de tu marca a partir de dos canales:
- Lo que aprendió durante el entrenamiento (con fecha de corte y retraso). Aquí ganas visibilidad estando ampliamente presente y descrito de forma coherente en las fuentes que el modelo probablemente leyó: web propia clara, menciones de terceros, perfiles consistentes.
- Lo que consulta en vivo cuando responde con búsqueda. Aquí ganas siendo una fuente citable: respuestas directas, datos verificables, estructura limpia.
En ambos casos los ingredientes se parecen sospechosamente: claridad, autoridad y coherencia. No es casualidad. Optimizar tu presencia para que la IA te entienda y te cite es precisamente de lo que trata el GEO. Y entender cómo se entrena el modelo te ayuda a saber dónde actuar: no puedes reescribir su memoria, pero sí puedes asegurarte de ser la mejor fuente disponible —tanto la que leyó ayer como la que consulta hoy—.
Conclusión
Un modelo de lenguaje se entrena en tres fases que conviene no confundir: preentrena sobre un océano de texto para adquirir conocimiento, se ajusta con ejemplos cuidados para saber comportarse como asistente, y se afina con RLHF para alinearse con lo que las personas consideran útil y seguro. El conocimiento sale de la primera fase; los buenos modales, de las otras dos.
Para tu marca, la lección es doble. Primero: la IA solo puede hablar bien de ti si te «leyó» con claridad durante el entrenamiento o si te encuentra como fuente fiable cuando busca en vivo. Segundo: la fecha de corte significa que lo más reciente sobre tu negocio puede tardar en entrar en la memoria del modelo —razón de más para cuidar la presencia que la IA puede consultar al instante—.
No controlas cómo se entrena ChatGPT. Pero sí controlas lo que encuentra sobre ti. Y ese es, exactamente, el terreno donde se gana la visibilidad en la IA.
Preguntas frecuentes
¿Cuántas fases tiene el entrenamiento de un modelo de lenguaje? Tres principales. El preentrenamiento, donde el modelo absorbe conocimiento y lenguaje leyendo enormes cantidades de texto; el ajuste fino (fine-tuning), donde aprende a seguir instrucciones con ejemplos cuidados; y el RLHF, donde se alinea con preferencias humanas para responder de forma útil y segura. La primera aporta el «qué sabe»; las otras dos, el «cómo se comporta».
¿Qué es la fecha de corte de conocimiento? Es el momento hasta el cual el modelo recopiló los datos de su entrenamiento. Todo lo ocurrido después no está en su memoria nativa. Por eso un asistente puede ignorar tu producto más reciente o un cambio de marca: simplemente no entró en su entrenamiento. Muchos modelos compensan esto buscando en la web en tiempo real cuando necesitan información actual.
¿El entrenamiento añade información nueva sobre mi marca constantemente? No de forma continua. Reentrenar el conocimiento base es muy costoso, así que las actualizaciones no son inmediatas: lo nuevo sobre tu negocio puede tardar en aparecer en la memoria del modelo. Lo que sí es inmediato es la búsqueda en vivo, donde tu presencia bien posicionada y citable puede influir hoy mismo en lo que la IA responde.
¿Qué es el RLHF y para qué sirve? RLHF significa aprendizaje por refuerzo a partir de retroalimentación humana. Personas comparan y valoran respuestas del modelo, y con esas preferencias se le afina para que sea más útil, claro y seguro. No le enseña hechos nuevos, pero sí mejora notablemente la calidad y el tono de sus respuestas: es buena parte de lo que hace que un asistente resulte fiable y agradable de usar.
¿Quieres entender mejor cómo «piensa» la IA que habla de tu marca? Empieza por cómo funciona la inteligencia artificial y profundiza en cómo funciona ChatGPT. Y si te preguntas cómo aprovechar todo esto para que la IA te recomiende, descubre qué es el GEO.
Última actualización: junio de 2026. Esta guía forma parte de nuestro contenido sobre cómo funciona la IA y se revisa periódicamente conforme evolucionan los modelos de lenguaje.