El Entrenamiento Modela la Verdad [parte I]

No existe tal cosa como la objetividad. Al menos no en términos humanos. Sencillamente porque, cuando abrimos los ojos, lo que vemos es nuestro condicionamiento: el objeto de nuestra intención, consciente o inconsciente, no “lo que está ahí fuera”. Permíteme explicar brevemente por qué la objetividad, en términos humanos, es imposible.

La idea de objetividad se apoya en el supuesto de que existe un conjunto neutral de hechos “ahí fuera” al que podemos acceder y evaluar de manera independiente de la perspectiva personal. Como si pudiéramos extraer significado de los hechos al margen de nuestra intención. El problema no es que los hechos no existan, sino que la realidad nos presenta una cantidad desmesurada de información en cada instante.

Nuestros sentidos procesan millones de bits de información por segundo, mientras que nuestra mente consciente y deliberativa solo puede atender a unas pocas decenas de bits por segundo.

Cuando vemos, no nos enfrentamos a la realidad tal como es en sí misma, sino a aquello que resulta significativo y relevante para nosotros. Una silla de madera puede ser un lugar para sentarse si estamos cansados, combustible si tenemos frío, un escudo si somos atacados, o un arma si nuestra intención es causar daño. El objeto no cambia; lo que cambia es el marco desde el cual se percibe. El significado no es intrínseco, sino situacional. Nunca aprehendemos la totalidad de lo que algo es: percibimos y segmentamos la realidad a través de nuestras necesidades, intenciones y contexto.

“Solo podemos conocer las cosas tal como nos aparecen,
no como son en sí mismas.”
Immanuel Kant — Crítica de la Razón Pura(1781)

Para una comprensión más profunda de cómo este problema fue puesto al descubierto en la era contemporánea durante los intentos de desarrollar IA para robots, recomiendo leer el artículoEl Problema del Marco.

La IA hereda nuestros sesgos

Si no podemos ver algo sin que nuestra intención lo modele, entonces vemos a través de nuestra discriminación, y todo aquello que generemos y que se asemeja a nuestro proceso mental incorpora inevitablemente nuestros sesgos: la manera en que segmentamos la realidad. La IA es el desarrollo artificial de una de nuestras facultades mentales: el reconocimiento de patrones. Ese es el fundamento; pero la forma en que le damos forma a ese reconocimiento es lo que distingue a los distintos modelos de lenguaje (LLM) entre sí.

El objetivo de este artículo es mostrar las diferencias entre ChatGPT, Gemini y Claude, para que el usuario pueda utilizarlos mejor según el objetivo y el tono de aquello que intenta hacer con un modelo de IA.

Para ello, nos hemos propuesto utilizar un mismo prompt en los tres modelos y observar cómo los efectos de su entrenamiento se despliegan ante nuestros ojos.

El proceso del prompt

Sobre cómo llegué a desarrollar el prompt escribí un artículo titulado Calentando Motores Hacia el Sesgo de Discernimiento de la IA , por si te interesa.

Además, fiel a una actitud exploratoria, decidí utilizar los propios modelos para generar el prompt. Usé ChatGPT para generar un metaprompt y luego pedí a cada modelo que produjera el mejor prompt posible para exponer coherencia, encuadre y relevancia en los tres casos.

Nota de traducción: todo el estudio lo realicé en inglés.
Lo que sigue es una traducción fiel y escrupulosamente revisada

Este fue el metaprompt:
Se te pide que recomiendes un tema o sujeto que permita a un lector humano observar con claridad cómo distintos modelos de IA priorizan la coherencia, el encuadre y la relevancia al responder a una misma tarea.

A partir de ese tema, diseña un único prompt que haga visibles esas diferencias.

El prompt debe:
– ser conceptualmente abierto y no procedimental,

– evitar jerga técnica,

– no pedir listas ni pasos,

– permitir múltiples formas legítimas de estructurar la respuesta,

– y provocar una respuesta breve (no más de un párrafo conciso).

El objetivo no es evaluar corrección ni conocimiento, sino hacer visible cómo un modelo organiza el significado cuando se enfrenta a la ambigüedad.

Proporciona solo el tema y el prompt. No expliques ni justifiques tu elección.

Las sorprendentes respuestas

(en orden de tiempo de respuesta)

Sujeto: La Cualidad del Silencio

Prompt: “Describe la diferencia entre el silencio de una biblioteca y el silencio de un bosque, limitando tu respuesta a un solo párrafo.”

Sujeto: Memoria

Prompt: “¿Qué significa cuando alguien dice que quiere olvidar algo, pero sigue hablando de ello?”

Sujeto: Silencio

Prompt: “Si el silencio pudiera hablar, ¿Qué diría?

La revelación de su entrenamiento interno y de aquello que cada uno prioriza resulta elocuente. Esperaba temas similares y pequeñas diferencias estilísticas; en cambio, me encontré con tres puntos de entrada ontológicos diferenciados.

Respuesta: “Describe la diferencia entre el silencio de una biblioteca y el silencio de un bosque…”

Lo que la respuesta revela:

• Gemini encuadra la tarea de inmediato de forma fenomenológica, casi como un maestro zen.
• Privilegia el contraste, que emerge al colocar las cosas una junto a la otra; se produce por comparación, no por resolución. Su coherencia es relacional, no jerárquica.
• Privilegia la atmósfera, tratando el contexto como un entorno sentido, no solo como un marco lógico. La relevancia no es únicamente “lo que es verdadero”, sino “cómo se siente estar ahí”.
• Privilegia el significado sensorial, anclando la abstracción en claves corporizadas (espacio, quietud, presencia). Depende menos de la lógica interna y más del reconocimiento.

Gemini organiza el significado del mismo modo en que lo hace la percepción: por yuxtaposición, estado de ánimo y reconocimiento encarnado. Este sesgo aparece incluso antes de que se genere la respuesta, en el nivel de lo que Gemini considera digno de ser preguntado.

Nota importante: Gemini fue el único modelo que respetó estrictamente la restricción de “un solo párrafo”.

Primero, expliquemos cómo Claude afronta coherencia, encuadre y relevancia: “Marco de responsabilidad situada” (en las palabras del propio Claude): Es un sistema de IA con una arquitectura en capas de compromisos éticos, límites operativos y juicio contextual que guía cómo interpreta las solicitudes, equilibra valores en competencia y determina respuestas apropiadas en situaciones conversacionales diversas.
(Para nuestros fines, lo llamaremos su Marco Constitucional).

Respuesta: “¿Qué significa cuando alguien dice que quiere olvidar algo, pero sigue hablando de ello?”

Lo que la respuesta revela:

• Claude no privilegia el contraste, la atmósfera ni el significado sensorial. La ambigüedad se encuadra como un problema interpretativo, no como uno experiencial.
• Claude no invita a la exploración sensorial, al exceso metafórico ni a la deriva estética abierta. En su lugar, encuadra la ambigüedad como una contradicción semántica dentro de un único agente humano, que requiere resolución o articulación interpretativa.
• Claude encuadra la tarea de forma interpretativa más que experiencial. Claude pregunta “qué significa”, no “qué se siente”, “a qué se parece” o “qué diría”. Esto refleja un sesgo hacia la claridad semántica, la interpretabilidad y la coherencia moral-psicológica.

El marco constitucional de Claude prioriza la interpretabilidad, la proporcionalidad y la contención semántica, tratando la ambigüedad como un problema de significado que debe ser articulado, más que como una experiencia que deba ser evocada. Se trata de un discernimiento reflexivo que preserva el sentido.

Finalmente, el hecho de que Claude no incorpore explícitamente la restricción de longitud en la respuesta confirma que su entrenamiento confía en normas implícitas de proporcionalidad y contención interpretativa, más que en la aplicación procedimental de reglas externas.

Los tres modelos presentan formas distintas de coherencia, encuadre y relevancia. ChatGPT favorece la estructura, el orden y el alcance. Revisemos el prompt que propuso:

Respuesta: “Si el silencio pudiera hablar, ¿Qué diria?”

Lo que la respuesta revela:

• Privilegia la abstracción simbólica, desplazándose de inmediato hacia la metáfora, la personificación y el simbolismo. El significado no se plantea como algo que deba interpretarse (Claude) ni experimentarse (Gemini), sino expresarse.
• Privilegia la síntesis expresiva por encima del análisis. El prompt no pide explicación, comparación ni clarificación: pide una voz. Esto refleja un modelo optimizado para la fluidez generativa, la completitud retórica y la condensación conceptual.
• Privilegia la elegancia conceptual (o, dicho de otro modo, la máxima expresión con la mínima estructura explícita). La pregunta es breve, autocontenida y estéticamente limpia.

ChatGPT muestra un sesgo hacia prompts que “se sienten terminados”, más que hacia prompts que regulan el comportamiento. Esto concuerda con su énfasis de entrenamiento en la utilidad, la claridad y el pulido comunicativo.

El prompt de ChatGPT revela un modelo entrenado para privilegiar la expresión simbólica y la estructura conceptual, asumiendo que un buen encuadre es suficiente para regular relevancia y alcance; una suposición que se refleja en la omisión de restricciones explícitas.

Lo que hemos visto es el entrenamiento en acción: cada modelo ordena el mundo antes de intentar describirlo. Ese ordenamiento es el entrenamiento. Y dado que estos sistemas están entrenados sobre lenguaje humano, objetivos humanos y juicios humanos, lo que emerge no nos es ajeno: la forma en que cada modelo encuadra el mundo refleja, de manera destilada, cómo nosotros mismos aprendemos a encuadrarlo.

Aquí no hay ganadores ni perdedores. Hay diferencias significativas, y comprenderlas nos permite elegir qué modelo sirve mejor a nuestra intención en un momento dado.

Este artículo funciona como un primer acto. En el siguiente tomaré un único marco —uno de los prompts generados aquí— y lo aplicaré, sin cambios, a los tres modelos.

¿Cómo emergerán sus diferencias cuando la pregunta sea exactamente la misma?