Guía para Principiantes en IA: Primeros Pasos

No hace falta pedir cada vez «empieza por la conclusión» o «respóndeme en español»: basta con escribirlo una sola vez en el campo de instrucciones que se aplica automáticamente a todas las conversaciones. En ChatGPT se llama «Instrucciones personalizadas», en Claude «Instrucciones para Claude» y en Gemini «Instrucciones para Gemini», pero cambian el nombre en la interfaz, la ubicación y la cantidad de texto que admiten. ChatGPT permite 1.500 caracteres en Free y Go y 5.000 en Plus y superiores (ampliado en julio de 2026), mientras que Claude y Gemini no publican ningún límite. Este artículo comprueba la ubicación y el límite en las ayudas oficiales de las tres empresas y muestra, a partir de la guía oficial de prompts de Anthropic, cómo escribir instrucciones que funcionen, con un ejemplo. Además, reúne en una lista de comprobación las situaciones en las que, según las ayudas oficiales, las instrucciones no se aplican: dentro de un proyecto, dentro de un Gem, en un chat temporal o con una cuenta de empresa.

Ahora que la IA tiene «manos para escribir código», una sola persona puede crear un producto y lanzarlo al mundo. Pero la información está dispersa por cada etapa y es fácil perderse sin saber por dónde empezar. Este artículo es el mapa completo (hoja de ruta) que va de la idea → diseño → implementación → lanzamiento → monetización: organiza el desarrollo personal en 5 fases (decidir → preparar → construir → publicar → hacer crecer), indica en cada etapa qué hacer y qué herramienta usar, y envía a guías específicas cuando hay que profundizar. Es un artículo nave nodriza (hub) que, además, guía por dos rutas: la 🌱iniciación sin apenas código y la 🔧práctica con editor de IA, para que sigas la que mejor se adapte a ti y llegues a algo que funciona sin dar rodeos. Reúne en una sola página el desarrollo guiado por especificación, los creadores de apps de IA, Claude Code/Cursor, la integración de funciones de IA (API/RAG/gateway), el despliegue, la captación con SEO/AEO, la monetización, la gestión de costes y los 5 tropiezos del desarrollo en solitario, con enlaces a las guías prácticas existentes.

Las personas que abandonaron el dibujo porque "no saben dibujar" son justo aquellas para quienes dibujar con IA es un patio de juegos. Pon en palabras la imagen que tienes en la cabeza y se convierte en arte; una foto del móvil o el garabato de un niño se transforma en una obra en menos de un minuto. Esto no es una comparación de herramientas ni un curso serio: es un repertorio de ideas para divertirte solo o en familia. Desde herramientas gratis para empezar (ChatGPT, Google Gemini, Microsoft Copilot, Canva) hasta 10 ideas (① garabato en arte ② foto en un estilo nuevo ③ tu propio personaje por distintas escenas ④ el dibujo de un niño como página de cuento ⑤ emojis originales ⑥ tiras de cuatro viñetas ⑦ mezclas del tipo "¿y si?" ⑧ tus propias páginas para colorear ⑨ reformas de habitación ⑩ duelos de dibujo), pequeños trucos para lograr mejores imágenes y tres cosas que debes saber antes de jugar (no uses caras de otros, comprueba los derechos y el uso comercial, etiquétalo como hecho con IA).

La IA puede ser un amigo sabelotodo que sigue los «¿por qué?» de un niño y un cuentacuentos antes de dormir, pero con niños la seguridad va antes que la diversión. Este artículo fija primero 5 promesas de seguridad (① un adulto la maneja y revisa ② comprueba los límites de edad ③ sin datos personales ④ enseña que la IA puede equivocarse ⑤ fija el tono y el tiempo) y luego ofrece una tabla con los requisitos de edad comprobados en los términos de cada empresa (ChatGPT desde 13 años con permiso de los padres hasta los 18, Copilot desde 13, Claude desde 18 y Gemini para menores de 13 con Family Link donde esté disponible y un padre lo permita), los pasos de los ajustes para padres (control parental de ChatGPT, Google Family Link, Microsoft Family Safety y chat temporal en la cuenta de un adulto) y los errores frecuentes. Después, 10 actividades para copiar y pegar: cuentos donde tu hijo es el protagonista, historias que deciden los niños, un cuento para dormir, un profesor sabelotodo, un concurso de animales y dinosaurios, saludos en otros idiomas, dibujar una criatura imaginada, láminas para colorear, manualidades y juegos de rol sobre emociones. Con consejos por edad y preguntas frecuentes.

¿No se te ocurre qué preguntarle a la IA? Para quien se queda en blanco con la primera frase, hemos reunido 30 «temas» que solo tienes que copiar y pegar para recibir una respuesta divertida. 6 categorías × 5: conócete a ti mismo (fortalezas ocultas, valores, con qué animal te compararías), ideas e hipótesis (usos inesperados de objetos corrientes, si la gravedad fuera la mitad, inventar un día festivo), explicaciones que te hacen sentir que lo entendiste (la física cuántica para un niño de 5 años, el interés compuesto con 3 metáforas, internet como el reparto de pizza), juegos de palabras (reescribir en 10 estilos, microrrelato de 2 frases, sobrenombres, palíndromos), juego de rol y consejo (coach duro, sabio de refranes inventados, carta de tu yo del futuro, extraterrestre desconcertado) y útil pero divertido (excusas convertidas en aforismos, 5 niveles de rechazar, nombres de menú dramáticos, un desvío divertido en tu lista de tareas). Se prueba gratis en ChatGPT, Claude o Gemini. Con trucos para que sea más divertido (insistir con «más», papel y restricciones, cambiar de IA), precauciones y un enlace al artículo hermano «15 formas divertidas de usar la IA».

Cuando se habla de IA siempre sale lo serio, pero puede que la IA brille más que nunca cuando se trata de jugar. Este artículo te muestra 15 formas divertidas de usar la IA, cada una con un prompt para copiar y pegar que puedes probar ahora mismo. Juegos de palabras y comedia (① batallas de comedia ② máquina de raps/canciones paródicas ③ fábrica de nombres), interpretación y diálogo (④ habla con un personaje histórico ⑤ haz que dos IA debatan ⑥ practica discutir con un bot abogado del diablo), juegos (⑦ aventura de texto con la IA como director de juego ⑧ concurso original de preguntas ⑨ juego de misterio para atrapar al culpable), creatividad (⑩ guía de campo de criaturas ficticias ⑪ una historia en la que eres el héroe ⑫ jugar con la generación de imágenes) y el día a día y lo inesperado (⑬ chef de sobras ⑭ planes de viaje a la antigua Roma o a la Luna ⑮ adivino de entretenimiento). Todo funciona con ChatGPT, Claude o Gemini gratis (salvo el n.º 12, la generación de imágenes, que Claude no hace: usa ChatGPT o Gemini). Las tres claves de la diversión —dale un papel, átalo con restricciones, acumula "más"— son también las bases de los prompts prácticos. Con precauciones (hecho frente a ficción, información personal, jugar con niños) y una sección de preguntas frecuentes.

Ollama es la herramienta de referencia para ejecutar un LLM local en tu propio PC: gratuita, de código abierto y como "Docker para LLM", se encarga de casi toda la configuración para que descargues un modelo y empieces a chatear con un solo comando. Esta guía para principiantes recorre de principio a fin la instalación en Windows, Mac y Linux, los comandos esenciales, cómo obtener y elegir modelos según tu VRAM, el uso de interfaces gráficas como Open WebUI, la API local compatible con OpenAI en localhost:11434 para integrarla en tus apps, la personalización con Modelfile y variables de entorno, y la resolución de los problemas más comunes.

Volver a entrenar desde cero una IA gigantesca es demasiado caro, pero quieres ajustarla solo para ti; LoRA (Low-Rank Adaptation) cumple ese deseo congelando el modelo original y entrenando solo una pequeña pieza añadida (un adaptador), reduciendo los parámetros entrenables a menos del 1% del modelo original. LoRA abarata y acelera enormemente el fine-tuning, y es muy popular en la generación de imágenes como Stable Diffusion como un archivo pequeño que añade un personaje o un estilo. Este artículo lo explica con la analogía del parche. LoRA es el referente del ajuste fino eficiente en parámetros (PEFT): deja congelados los enormes pesos originales, inserta una pequeña matriz añadida en cada capa y entrena solo eso (W = W0 + BA, donde W0 está congelado y BA es la pequeña parte añadida). Se apoya en la hipótesis de que adaptar una IA no requiere grandes cambios (basta un rango bajo), que los experimentos del artículo original respaldaron (aunque hay estudios en los que queda por debajo del entrenamiento completo en matemáticas y programación). Ventajas: parámetros entrenables por debajo del 1% del original (unas 10.000 veces menos con GPT-3 175B en el artículo original), menos memoria de GPU (en el mismo caso, de 1,2 TB a 350 GB durante el entrenamiento), entrenamiento más rápido y barato, sin latencia de inferencia una vez fusionado el adaptador, y menos olvido de las capacidades del modelo original. Su mayor fortaleza son los adaptadores intercambiables: mantén una base común y cambia al instante pequeños archivos LoRA por caso de uso (soporte, tono de empresa, un personaje concreto). Mucha gente conoce LoRA por primera vez en la generación de imágenes, donde se comparten ampliamente LoRA de Stable Diffusion que aprendieron un personaje, estilo o sujeto (añadir un estilo, enseñar un personaje, ligero y fácil de compartir). QLoRA combina la cuantización, entrenando LoRA sobre una base de 4-bit: permitió hacer fine-tuning en una sola GPU de 48 GB de un modelo de 65B que, entrenado por completo en 16 bits, necesitaría más de 780 GB, y de un modelo de 33B en una GPU de consumo de 24 GB, con resultados equivalentes a los métodos de 16 bits en las comparaciones del artículo (el propio artículo dice que no comprobó si iguala al entrenamiento completo en 33B y 65B). Frente al fine-tuning completo (entrenar todos los pesos), LoRA difiere en los pesos entrenados, el coste, el resultado y el mejor uso; para la mayoría del trabajo, LoRA basta. Conserva la base, sazónala en pequeño. Las cifras corresponden a las condiciones experimentales de los artículos originales y otros, a modo orientativo.

Que un enorme modelo de 70B corra en un solo PC en casa, en lugar de un rack de GPU de centro de datos (dejando a la CPU y la RAM la parte que no cabe en una GPU de consumo), es posible gracias a la cuantización, que reduce la precisión numérica de los pesos de un modelo para encoger drásticamente su tamaño y memoria. Mientras la destilación traslada el conocimiento a otro modelo más pequeño, la cuantización hace más ligero el mismo modelo. Este artículo lo explica con una analogía de compresión de fotos. La cuantización reemplaza los pesos almacenados como decimales FP16/FP32 por enteros INT8 (8 bits) o INT4 (4 bits), recortando los bytes por peso (FP32=4, INT8=1, INT4=0,5); como comprimir una foto RAW a JPEG, sacrificas un poco de precisión a cambio de una gran reducción, y lo sorprendente es lo poco que renuncias. En memoria, 4-bit usa alrededor de un cuarto de FP16: un modelo de 70B baja de ~140GB a ~35GB, y uno de 8B a 4-bit ocupa ~4.5-5GB, que cabe en una GPU de gama media de 8GB de VRAM para uso local (la democratización de los LLM). En precisión, INT8 es casi sin pérdidas e INT4, según se informa, se degrada por debajo del 4% en tareas generales de preguntas y respuestas o de sentido común, pero la pérdida es más notable en matemáticas, generación de código y razonamiento difícil (se manifiesta como un pequeño aumento de la perplejidad), así que elige el número de bits según la tarea. Métodos principales: GPTQ (pionero del 4-bit preciso), AWQ (protege el ~1% de los pesos más importantes; si supera a GPTQ depende de la evaluación), GGUF (formato llama.cpp/Ollama, Q2_K-Q8_0, híbrido CPU+GPU, para local) y QLoRA (base de 4-bit más LoRA para fine-tuning en GPU de consumo). Se diferencia de la destilación (trasladar a otro modelo pequeño) y del fine-tuning (añadir conocimiento de tarea), y las tres suelen combinarse (cuantizar un modelo destilado; hacer fine-tuning sobre una base cuantizada). Para empezar, ejecuta un modelo GGUF con Ollama en un comando, elige Q4/Q8 según la VRAM y evita INT4 para código o matemáticas exactas. La mayoría de los modelos principales ya vienen cuantizados, así que solo los descargas y usas. Conserva la inteligencia, suelta solo el peso. Las cifras se citan de materiales públicos, orientativas.

Una IA enorme y de alto rendimiento es inteligente pero pesada y cara; la destilación de modelos (knowledge distillation) resuelve esto transfiriendo el conocimiento de un gran modelo profesor a un pequeño modelo alumno, conservando un rendimiento cercano al del profesor con un tamaño mucho menor y más velocidad. Este artículo lo explica con una analogía profesor-alumno. La clave son las soft labels: el entrenamiento normal solo enseña "la respuesta es gato" (hard label), mientras que la destilación transmite la distribución de probabilidad completa del profesor, como "90% gato, 8% perro, 2% zorro", cuyo grado de duda lleva información valiosa; un parámetro temperature suaviza las probabilidades para revelar relaciones sutiles (ejemplo real: la función de la API de OpenAI de 2024 para entrenar modelos pequeños con las salidas de otros grandes). Ventajas: rápido y barato, mucho más compacto con un rendimiento cercano al del profesor (TinyBERT: 7,5 veces menor, más del 96,8%), funciona en el edge, potente para la especialización. Dos enfoques: white-box (acceso completo a pesos y representaciones internas, transferencia más profunda; para modelos propios u OSS) y black-box (solo salidas/respuestas de API visibles; usar la API de otra empresa como profesor puede infringir los términos). Se diferencia de la cuantización (comprimir la precisión de los pesos del mismo modelo) y del fine-tuning (seguir entrenando un modelo existente para una tarea): la destilación mueve el conocimiento a un modelo pequeño aparte, y las tres son combinables. La realidad legal/ToS fue un gran tema en 2026: la técnica es legítima, pero OpenAI, Anthropic y xAI incluyen cláusulas de destilación anticompetitiva que prohíben usar las salidas para crear modelos competidores, así que destilar un competidor desde una API restringida puede infringir los términos. La disputa OpenAI contra DeepSeek (OpenAI alegó que cuentas vinculadas a DeepSeek eludieron las restricciones para obtener salidas para destilación, mientras que los términos de DeepSeek, según los informes, permiten destilar sus salidas) muestra que la valoración depende de qué términos de API se aplican, y Claude Fable 5/Mythos 5 desvían las solicitudes marcadas como destilación a un modelo Opus menos capaz. Consejos: usa modelos propios u OSS con licencia como profesor, revisa las cláusulas anti-destilación antes de usar una API comercial y valora si el uso es "desarrollar un modelo competidor". La inteligencia, del modelo grande; la operación, del pequeño, pero a quién elijas como profesor cambia el resultado técnica y legalmente. Las cifras provienen de materiales públicos, son orientativas.

En "Cómo construir un sistema multiagente" dijimos que hay que instrumentar cada traspaso antes de añadir agentes; la tecnología que sostiene esa instrumentación en producción es la observabilidad de IA. Hace visible lo que los LLM y agentes hacen realmente en producción (qué modelo con qué prompt, qué herramientas y búsquedas, qué se devolvió y cuánto tiempo y dinero costó) para que puedas rastrear hasta la causa. La diferencia decisiva frente al monitoreo habitual: la IA puede devolver 200 OK en 50ms y aun así alucinar con seguridad, así que la mayoría de los fallos de IA son fallos de calidad (alucinación, recuperación débil, respuestas inseguras, tareas incompletas, mal uso de herramientas, regresiones tras cambiar el prompt), no de infraestructura. La observabilidad se apoya en tres pilares: trazas (una petición como un árbol de spans que muestra llamadas a LLM, herramientas, recuperación y cadenas de razonamiento; la estrella de la observación de IA), métricas (latencia, coste, tokens, tasa de errores, throughput) y logs (detalle por evento). El estándar del sector OpenTelemetry y sus convenciones GenAI capturan prompts, respuestas, uso de tokens y llamadas a herramientas/agentes en un esquema neutral que se puede enviar a Datadog/Grafana. La distinción más confundida es observabilidad frente a evaluación (evals): la observabilidad muestra qué pasó (fácil de medir, pero no dice si la respuesta es correcta), mientras que las evals miden si la respuesta es buena (precisión, fundamentación, seguridad) y requieren evaluación explícita. Como el coste y la latencia son fáciles de medir pero la calidad de la respuesta no, las herramientas de 2026 combinan la visualización de trazas con la puntuación de salidas y alertas de degradación. Las métricas se dividen en operativas (coste, latencia, tokens, tasa de errores) y de calidad (alucinación, fundamentación/faithfulness, lo más crítico en RAG, seguridad, cumplimiento de la tarea), con detección de alucinaciones mediante LLM-as-a-judge, similitud semántica y puntuaciones de groundedness. Herramientas principales: LangSmith (LangChain), Langfuse (autoalojable de código abierto), Arize Phoenix (depuración de RAG), MLflow (ciclo de vida), AgentOps (agentes) y OpenTelemetry (el estándar). Empieza capturando trazas (compatibles con OpenTelemetry), visualiza las métricas operativas y luego conecta las evals antes de pasar a producción. En los sistemas multiagente la observación es esencial, ya que los fallos se esconden en cadenas de varios pasos visibles solo en una traza de la sesión completa. Observar más evaluar es lo que hace que la IA sea de calidad de producción. Las figuras y los rasgos se citan de materiales públicos, a modo orientativo.

Ahora que los agentes de IA son algo cotidiano, el siguiente reto es cómo lograr que colaboren entre sí. Si MCP conecta un agente con sus herramientas, A2A (Agent2Agent) conecta un agente con otro agente: un estándar abierto para que IAs creadas sobre distintos proveedores y frameworks se descubran, se comuniquen y cooperen mediante una convención común. Google lo publicó en abril de 2025, lo donó a la Linux Foundation ese junio y alcanzó la v1.0 en 2026. Esta guía para principiantes explica qué es A2A (con la analogía de la etiqueta de una alianza comercial), por qué hace falta (agentes especializados que se pasan el trabajo en relevo: un agente de planificación, uno de reserva de hotel y uno de pago), en qué se diferencia de MCP (MCP es vertical, agente ↔ herramientas; A2A es horizontal, agente ↔ agente; apilar ambos es la configuración estándar de dos capas), cómo funciona (una Agent Card —un JSON «tarjeta de visita» en /.well-known/agent-card.json— sirve para descubrir capacidades, luego una Task lleva la solicitud a través de estados como working, input-required y completed, y un Artifact devuelve el resultado, todo sobre HTTP, Server-Sent Events y JSON-RPC 2.0, con los agentes manteniendo ocultas sus interioridades) y su situación e implementación (a abril de 2026, más de 150 organizaciones que lo respaldan, más de 22.000 estrellas en GitHub, SDK en cinco lenguajes —Python, JavaScript, Java, Go, .NET— con Microsoft, Salesforce, SAP y ServiceNow participando). La regla mnemotécnica: conectar con herramientas = MCP, conectar con pares = A2A.