Post actualizado el día octubre 27, 2026 by DeiviSanzPlay
Qué significa realmente ‘entrenar’ un modelo como ChatGPT
Cuando alguien dice que ChatGPT ‘se entrena’, en realidad se refiere a dos cosas distintas que conviene separar desde el principio. La primera es el entrenamiento original del modelo base, un proceso que hacen los laboratorios (OpenAI y similares) con cantidades ingentes de texto y potencia de cálculo. La segunda es el ajuste fino o ‘fine-tuning’ que un usuario puede aplicar sobre un modelo ya entrenado con sus propios datos. Si eres principiante, casi todo lo útil que puedes hacer está en la segunda categoría.
Este artículo se centra en lo práctico: cómo se construye un modelo desde cero a grandes rasgos, qué puedes tocar tú y qué no, y qué errores se cometen al intentar ‘entrenar’ ChatGPT sin saber lo que implica.
Las tres fases del entrenamiento original (y por qué no puedes replicarlas)
1. Preentrenamiento
El modelo lee billones de fragmentos de texto y aprende a predecir la siguiente palabra. No aprende hechos de forma estructurada: aprende patrones estadísticos. Según la documentación oficial de OpenAI, esta fase requiere clústeres de miles de GPU durante semanas o meses. Un particular no puede hacerlo: el coste se mide en millones de dólares.
2. Ajuste supervisado (SFT)
Aquí se usan conversaciones de ejemplo etiquetadas por humanos, donde una persona escribe la respuesta ‘ideal’ a una instrucción. El modelo aprende a imitar ese estilo. Esta fase es la que convierte un modelo que completa frases en un asistente que responde.
3. Aprendizaje por refuerzo con retroalimentación humana (RLHF)
Se generan varias respuestas y evaluadores humanos las ordenan por calidad. El modelo ajusta sus pesos para producir respuestas más parecidas a las mejor valoradas. Aquí es donde aparecen los sesgos: si los evaluadores prefieren respuestas largas, el modelo aprende a alargarse.
Qué puedes entrenar tú de verdad
Como usuario o pequeño desarrollador, tienes tres vías reales:
- Instrucciones personalizadas (custom instructions): no es entrenamiento, es contexto. Le dices cómo quieres que responda y se aplica en cada conversación. Funciona para tono y formato, no para conocimiento nuevo.
- Subida de documentos en la interfaz: el modelo lee archivos que adjuntas (PDF, texto) y responde sobre ellos dentro de esa conversación. No modifica sus pesos.
- Fine-tuning vía API: sí es entrenamiento real, pero solo sobre modelos que OpenAI permite ajustar. Necesitas preparar un archivo JSONL con pares de instrucción y respuesta. Es útil para clasificación, extracción de datos o estilo muy concreto.
Un detalle que muchos principiantes pasan por alto: el fine-tuning no sirve para enseñar hechos nuevos de forma fiable. Sirve para enseñar formato y comportamiento. Si quieres que tu modelo sepa los precios de tu tienda actualizados cada día, el fine-tuning es la herramienta equivocada; necesitas recuperación de información (RAG) con una base de datos consultable.
Un caso práctico concreto
Imagina una asesoría fiscal pequeña que quiere que ChatGPT responda consultas de clientes con su propio lenguaje corporativo y con la estructura exacta de sus plantillas. La tentación inicial es subir cien PDFs de normativa y esperar que el modelo ‘lo aprenda’. No lo hará: los documentos solo funcionan dentro de la conversación donde se adjuntan.
La solución realista es combinar dos piezas: un pequeño fine-tuning con 50–100 ejemplos de preguntas y respuestas redactadas por un asesor (para el tono y la estructura) y, aparte, un sistema de búsqueda sobre la normativa indexada. El fine-tuning por sí solo, sin la búsqueda, producirá respuestas con el formato correcto pero con datos desactualizados o inventados.
Errores frecuentes al empezar
- Confundir memoria con entrenamiento. La memoria entre chats es un mecanismo de contexto persistente, no un ajuste del modelo.
- Usar datos sin limpiar. Si tus ejemplos de fine-tuning tienen erratas o respuestas inconsistentes, el modelo las aprende y las reproduce. La calidad del dataset pesa más que su tamaño.
- Esperar que el modelo ‘olvide’ lo aprendido. No hay un botón de desaprender. Si entrenas con datos malos, el modelo ajustado arrastra ese sesgo.
- Ignorar los límites de tokens. Cada ejemplo de entrenamiento tiene un máximo de longitud; los textos largos se truncan y generan pares incoherentes.
Lo que este enfoque no resuelve
Entrenar o ajustar un modelo no garantiza respuestas correctas. Los modelos de lenguaje generan texto probable, no verificable. Para dominios donde un error tiene consecuencias (medicina, derecho, contabilidad), cualquier salida debe pasar por revisión humana. Tampoco existe una forma de auditar con certeza qué aprendió el modelo de tus datos: la interpretabilidad sigue siendo un campo abierto.
Y hay una limitación práctica que conviene asumir: si tu volumen de consultas es bajo, montar un pipeline de fine-tuning probablemente no compense frente a escribir buenas instrucciones y adjuntar los documentos clave. El coste de mantenimiento del dataset suele subestimarse.
Ruta de aprendizaje recomendada para principiantes
- Domina las instrucciones personalizadas y la estructura de prompts antes de tocar la API.
- Prueba a subir documentos en la interfaz para entender cómo responde el modelo con contexto limitado.
- Si necesitas automatizar, empieza por la API con prompts bien diseñados, sin fine-tuning.
- Solo cuando tengas cientos de ejemplos reales y un problema de formato o clasificación claro, plantéate el ajuste fino.
La documentación oficial de OpenAI detalla los requisitos del formato JSONL y los modelos disponibles para ajuste; conviene leerla antes de preparar cualquier dataset, porque los modelos habilitados cambian con el tiempo. Los estudios del sector sobre RLHF, por su parte, coinciden en que la calidad de las anotaciones humanas condiciona el resultado más que el volumen bruto de datos.
Perfiles verificables: Sitio web
Publicado el 27 de October de 2026. Última revisión: 27 de October de 2026.
