¿Razonan los modelos de lenguaje? La pregunta parece filosófica, pero tiene consecuencias muy concretas para quien dirige una empresa. Un modelo que acierta el 98% de las veces es una herramienta extraordinaria para redactar una respuesta a un cliente. Es un riesgo serio si decide sobre el límite de crédito de ese mismo cliente.

Planteemos una escena como hipótesis.

Un agente de IA revisa los pedidos que entran por la tienda B2B. Detecta que un cliente habitual ha pedido el triple de lo normal. Lo compara con casos parecidos, concluye que es una campaña estacional y aprueba el pedido.

Tiene sentido. Casi siempre acertaría.

Pero ese cliente tenía tres facturas vencidas y estaba bloqueado por riesgo en el ERP. Una regla que cualquier persona de finanzas habría aplicado sin pensar.

El modelo no se equivocó por falta de inteligencia. Se equivocó porque hizo lo que mejor sabe hacer: buscar el parecido más probable.

Tres formas de razonar, explicadas sin tecnicismos

Para entender qué se le puede pedir a un modelo de lenguaje, conviene distinguir tres formas de razonar.

  • Por parecido. "Este caso se parece a aquel otro, así que probablemente se resuelve igual." No construye una regla. Asocia.
  • Por generalización. "Los últimos cincuenta pedidos de este tipo se sirvieron sin incidencias, así que probablemente este también." Saca un patrón de muchos ejemplos.
  • Por deducción. "Todo cliente con facturas vencidas por encima del límite queda retenido. Este cliente las tiene. Luego queda retenido." Si las premisas son ciertas, la conclusión es necesariamente cierta.

Los modelos de lenguaje son muy buenos en las dos primeras. Han aprendido patrones de cantidades enormes de texto y los aplican a situaciones nuevas con una soltura que hace pocos años parecía imposible.

La tercera es otra cosa.

Un modelo de lenguaje funciona por probabilidad. Puede imitar una deducción, e imitarla muy bien. Pero no garantiza que la cadena se cierre siempre de la misma forma.

La deducción no admite un "casi siempre". O la regla se cumple o no se cumple.

Imitar el razonamiento no es lo mismo que garantizarlo

Aquí está el matiz que más importa a un directivo.

Los laboratorios de IA están entrenando modelos con enormes cantidades de ejemplos de razonamiento, y los resultados en pruebas de matemáticas, programación y lógica mejoran a gran velocidad. Es probable que, para muchas tareas, la diferencia entre razonar e imitar el razonamiento deje de notarse en el día a día.

Pero hay una diferencia operativa que no desaparece.

Una deducción puede llevarte a situaciones que el modelo nunca ha visto. Una combinación de condiciones de pago, un cliente con dos sedes fiscales, una referencia que sustituye a otra solo para cierto fabricante. Cuanto más se aleja el caso de lo habitual, más se nota que el modelo está completando un patrón y no aplicando una regla.

Y en la empresa, los casos raros son precisamente los caros.

La otra cara: la capacidad avanza muy rápido

Sería un error quedarse solo con la parte prudente.

La capacidad de los modelos para resolver retos complejos ha dado saltos enormes en muy poco tiempo. Tareas que hace dos años eran impensables hoy se resuelven con un buen modelo y suficiente capacidad de cálculo.

Mi lectura es sencilla: si una tarea se puede medir con claridad, la IA acabará haciéndola bien.

Eso traslada la pregunta. Ya no es "¿es suficientemente lista la IA?". Es "¿están mis datos en un estado en el que se pueda razonar sobre ellos?".

La IA solo puede razonar sobre tu negocio si tu negocio está escrito en un formato razonable.

Si el límite de crédito vive en una hoja de cálculo de finanzas, las tarifas especiales en correos del comercial y las equivalencias de referencias en la cabeza del jefe de almacén, ningún modelo, por brillante que sea, va a deducir nada fiable.

Proponer y verificar: el reparto de papeles

La solución que veo funcionar no consiste en elegir entre modelo o reglas. Consiste en combinarlos, cada uno en lo que hace bien.

  1. El modelo propone. Lee el correo del cliente, interpreta el pedido, detecta anomalías, plantea hipótesis. Aporta flexibilidad y amplitud.
  2. La estructura verifica. Un grafo de conocimiento con las entidades del negocio (clientes, condiciones, productos, riesgos) y sus reglas comprueba si la propuesta es coherente con cómo funciona la empresa.
  3. La persona decide las excepciones. Lo que no encaja en ninguna regla escala a quien conoce el negocio y puede resolverlo.

El modelo aporta intuición. El grafo aporta disciplina.

Este bucle permite algo más interesante que evitar errores: explicar. Cuando el margen de una familia de producto cae, el modelo puede proponer varias hipótesis. Un cambio de tarifa del proveedor, un descuento mal aplicado, un mix de clientes distinto. El grafo permite contrastar cada una contra los datos reales y quedarse con la que encaja.

Eso ya no es buscar el parecido. Es buscar la mejor explicación.

Dónde puede actuar la IA y dónde no

En la práctica, la pregunta útil para dirección no es si la IA razona. Es qué decisiones admiten una respuesta probable y cuáles exigen una respuesta segura.

Escala de tres niveles para clasificar decisiones: lo que admite lo probable, lo que necesita explicación y lo que exige lo seguro

Algunos ejemplos por área:

  • Atención al cliente. Clasificar incidencias y proponer respuestas admite lo probable. Aprobar un abono, no.
  • Comercial. Resumir el historial de una cuenta antes de una visita, sí. Conceder un descuento fuera de tarifa, con regla.
  • Compras. Detectar que dos ofertas de proveedores son comparables, sí. Cambiar el proveedor homologado de un componente crítico, con regla y con persona.
  • Finanzas. Proponer el motivo de un descuadre, sí. Liberar un pedido bloqueado por riesgo, nunca sin regla.
  • Logística. Sugerir la mejor ruta del día, sí. Saltarse una restricción de mercancía peligrosa, nunca.

La IA libera a los equipos de la parte repetitiva: leer, clasificar, resumir, proponer. Las personas se quedan con lo que exige juicio y responsabilidad.

No le pidas certeza a un sistema probabilístico. Dale una estructura que la aporte.

Esta es mi apuesta

Creo que la discusión sobre si los modelos de lenguaje razonan de verdad va a perder interés práctico muy pronto. Imitarán el razonamiento tan bien que, en la mayoría de tareas, dará igual.

Lo que no va a perder interés es la diferencia entre lo probable y lo seguro. Las empresas seguirán necesitando que ciertas decisiones se tomen siempre igual, se puedan auditar y se puedan explicar.

Por eso mi apuesta no es esperar al modelo perfecto. Es preparar la empresa para que cualquier modelo pueda trabajar sobre ella con garantías: datos conectados entre ERP, CRM y eCommerce, reglas de negocio escritas en un formato que una máquina pueda comprobar y un reparto claro de qué decide el modelo, qué decide la regla y qué decide una persona.

Quien haga ese trabajo aprovechará cada salto de capacidad de la IA. Quien no lo haga tendrá modelos cada vez más brillantes razonando sobre datos que no se sostienen.