- 01La IA alucina: inventa datos, citas y referencias que suenan reales.
- 02No razona profundamente: simula razonamiento mediante patrones.
- 03Tiene fecha de corte de conocimiento, salvo con búsqueda web activa.
- 04No entiende contexto humano, objetivos de negocio ni cultura organizacional.
- 05Falla en matemáticas exactas sin herramientas externas.
- 06No puede ejecutar acciones físicas ni acceder a sistemas privados sin integración.
La IA generativa pasó de demo viral a herramienta de trabajo en menos de tres años. Pero entre el marketing y la realidad hay una zanja que conviene mirar de frente. Esta es la lista de límites reales que vemos cada semana en proyectos de cliente — sin tono apocalíptico ni euforia.
1. Las alucinaciones siguen vivas
Una alucinación es cuando el modelo genera información falsa con tono de certeza. No es un bug: es una consecuencia directa de cómo funcionan los LLM, que predicen la siguiente palabra basándose en patrones, no en una base de hechos verificada.
Mitigación práctica: pedile siempre fuentes y verificalas. Nunca uses citas, datos, leyes o nombres propios sin chequear. Para código, ejecutá antes de pegar en producción.
2. No razona — simula razonamiento
Los modelos con "chain of thought" y los modos thinking parecen razonar paso a paso. Y a veces lo hacen. Pero también fallan en problemas lógicos simples cuando la formulación es nueva o ambigua.
- Acertijos clásicos con variantes mínimas: muchos modelos siguen el patrón aprendido en vez de leer el cambio.
- Problemas multi-paso con dependencias: a partir de cierto largo, pierden el hilo.
- Causalidad: distingue mal entre correlación y causa, igual que muchos humanos — pero con más confianza.
3. La fecha de corte es real (aunque haya búsqueda)
Cada modelo tiene un knowledge cutoff: la fecha hasta la que fue entrenado. Pasada esa fecha, no sabe nada salvo que actives búsqueda web o un conector. Y aún con búsqueda activa, prioriza lo que ya tenía aprendido si la consulta es ambigua.
~6-12
meses entre cutoff y release público
1-3s
latencia típica de búsqueda web
0%
acceso a tu intranet sin integración
4. No entiende tu negocio sin que se lo cuentes
El modelo no sabe quién es tu cliente, qué prometiste en la última reunión ni por qué no puedes bajar el precio. Sin contexto, sus respuestas son genéricas: aplican a cualquiera, sirven a nadie.
5. Matemáticas y precisión numérica
Los LLM predicen texto. Cuando predicen un número, lo predicen como token, no como cálculo. Para tareas exactas, los modelos modernos delegan a una herramienta (Python, calculadora, SQL). Sin esa delegación, los errores aritméticos aparecen.
IA pura vs IA con herramientas
6. No puede actuar sin que le des permisos
Una IA conversacional no envía mails, no agenda reuniones, no toca tu base de datos. Para eso necesitas agentes con herramientas (function calling, MCP, integraciones) y, sobre todo, permisos explícitos. Cualquier promesa de IA "que hace todo solo" sin esa capa no existe.
7. No tiene intuición creativa propia
La IA recombina patrones aprendidos. Eso le da fluidez, no originalidad. En diseño y copy, suele entregar la versión "promedio de internet": correcta, plausible, olvidable. La chispa sigue siendo trabajo humano.
“Generar es barato. Curar sigue siendo el trabajo. Cuanto más generás con IA, más curaduría humana se vuelve indispensable.”
Cómo trabajar con estos límites
- 01Tratá a la IA como junior brillante, no como senior infalible.
- 02Verificá cualquier dato verificable: nombres, fechas, citas, código.
- 03Inyectá contexto al inicio: brief, restricciones, ejemplos.
- 04Usá modelos con herramientas para tareas exactas (cálculo, búsqueda).
- 05Documentá el prompt que funcionó. Reutilizalo. Iterá.
Preguntas frecuentes
Respondemos lo más buscado
¿La IA puede mentir o inventar información?+
¿La IA puede reemplazar a un programador o diseñador?+
¿Por qué la IA falla con matemáticas o razonamiento lógico?+
¿La IA tiene acceso a información actual?+
Etiquetas