¿Qué es ChatGPT y qué no es?

ChatGPT utiliza un gran modelo de lenguaje. Técnicamente, no predice la siguiente palabra, sino el siguiente token, que puede ser una palabra, una parte de ella o un signo de puntuación. A partir de los patrones identificados durante su entrenamiento, genera secuencias de texto estadísticamente plausibles.¹

Por esta razón, ChatGPT no debe confundirse con un buscador tradicional ni con una base bibliográfica como PubMed. Algunas versiones pueden acceder a Internet, consultar documentos o realizar búsquedas, pero el modelo de lenguaje está diseñado principalmente para generar texto, no para garantizar la veracidad de cada afirmación.

Una analogía útil es considerarlo como un “residente brillante”: puede redactar, resumir y organizar información con gran fluidez, pero también puede equivocarse, omitir datos relevantes o generar referencias inexistentes.

En un estudio que evaluó versiones anteriores de ChatGPT, el 55% de las referencias generadas por GPT-3.5 y el 18% de las producidas por GPT-4 eran inexistentes.² Aunque estos resultados no deben extrapolarse directamente a los modelos actuales, demuestran por qué cada cita bibliográfica debe ser verificada.

Modelos rápidos y modelos de razonamiento

De manera práctica, podemos distinguir dos modalidades generales:

• Modelos rápidos: apropiados para resumir, traducir, reformular textos, organizar información o generar un primer borrador.

• Modelos de razonamiento: más adecuados para problemas complejos que requieren integrar múltiples variables, comparar alternativas o analizar evidencia de manera estructurada.

Esta división no es absoluta. Las características y capacidades disponibles pueden variar según el modelo, la versión, el plan contratado y las herramientas habilitadas.

La elección debería depender de la complejidad y del riesgo de la tarea. Una redacción administrativa no requiere el mismo nivel de análisis que una comparación terapéutica o la interpretación de un caso clínico.

En medicina, ningún modelo debería utilizarse de manera autónoma para tomar decisiones diagnósticas o terapéuticas. La Organización Mundial de la Salud destaca la necesidad de supervisión humana, transparencia, protección de datos y evaluación rigurosa al aplicar inteligencia artificial generativa en salud.³

Tokens y ventana de contexto

Los modelos procesan la información mediante tokens. La ventana de contexto representa la cantidad máxima de información que el sistema puede considerar durante una interacción. Incluye las instrucciones, los documentos aportados, la conversación previa y la respuesta generada.⁴

Esta ventana puede entenderse como una memoria de trabajo, pero no equivale a la memoria humana. Además, disponer de un contexto extenso no garantiza que toda la información sea utilizada con la misma precisión.

Se ha demostrado que los modelos pueden recuperar peor los datos ubicados en el medio de contextos muy largos, fenómeno conocido como lost in the middle.⁵

Para reducir este problema conviene:

• Utilizar un chat diferente para cada tema o proyecto.

• Presentar explícitamente los datos esenciales.

• Evitar conversaciones innecesariamente extensas.

• Solicitar resúmenes parciales antes de continuar.

• Repetir la información crítica cuando resulte determinante para la respuesta.

Seis componentes de una buena instrucción

Para construir instrucciones más precisas puede utilizarse una estructura de seis componentes:

1. Rol: indicar desde qué perspectiva debe responder la IA.
   Ejemplo: “Actuá como un endocrinólogo con experiencia en diabetes y tecnología”.

2. Contexto: aportar los antecedentes necesarios.
   Ejemplo: edad, diagnóstico, tratamiento, laboratorio y motivo de consulta.

3. Objetivo: definir con precisión la tarea.
   Ejemplo: “Compará las alternativas terapéuticas y fundamentá sus ventajas y riesgos”.

4. Restricciones: establecer límites y criterios de seguridad.
   Ejemplo: “No inventes referencias. Si la evidencia es insuficiente, indicalo”.

5. Formato: especificar cómo debe presentarse la respuesta.
   Ejemplo: tabla comparativa, algoritmo, resumen clínico o explicación para el paciente.

6. Audiencia: aclarar quién recibirá el contenido.
   Ejemplo: especialista, médico generalista, residente, estudiante o paciente.

No es necesario utilizar siempre una fórmula rígida. Sin embargo, cuanto más importante o compleja sea la tarea, más conveniente será explicitar el objetivo, el contexto, el formato esperado y los límites de la respuesta.⁶

Pedir aclaraciones antes de comenzar

En tareas complejas puede resultar útil agregar:

“Antes de comenzar, haceme hasta cinco preguntas si necesitás aclarar información relevante para realizar correctamente la tarea”.

Esta indicación permite identificar datos faltantes o ambigüedades. Sin embargo, no garantiza que el modelo haya comprendido perfectamente el problema.

Si la consigna ya es suficientemente clara, obligarlo a realizar cinco preguntas puede agregar complejidad sin mejorar el resultado. Lo más apropiado es solicitar aclaraciones únicamente cuando la información faltante pueda modificar sustancialmente la respuesta.

Reglas de seguridad para profesionales de la salud

Antes de utilizar una respuesta generada por inteligencia artificial:

• Verificar afirmaciones clínicas, dosis, contraindicaciones e interacciones.

• Confirmar que cada referencia exista mediante PubMed, DOI o el sitio oficial de la revista.

• Priorizar guías clínicas, revisiones sistemáticas y fuentes primarias.

• Solicitar que diferencie evidencia, interpretación e incertidumbre.

• No ingresar datos identificatorios del paciente en entornos no autorizados.

• Revisar posibles sesgos, omisiones y contradicciones.

• Considerar el resultado como un borrador o apoyo cognitivo, nunca como una decisión clínica definitiva.

Reflexión final

ChatGPT puede ser un excelente asistente para resumir, redactar, comparar información y explorar alternativas. Sin embargo, una respuesta convincente no es necesariamente una respuesta verdadera.

La inteligencia artificial puede ampliar nuestra capacidad de trabajo, pero no reemplaza el conocimiento, el juicio clínico ni la responsabilidad profesional.

En salud, el resultado final siempre debe ser revisado, contextualizado y validado por una persona competente.

Dr. Lucas Sosa
Médico endocrinólogo. Inteligencia artificial aplicada a la salud.

Referencias bibliográficas

1. OpenAI. Key concepts: Tokens. Documentación oficial de OpenAI. Consultado el 11 de agosto de 2026.

2. Walters WH, Wilder EI. Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports. 2023;13:14045. doi:10.1038/s41598-023-41032-5.

3. World Health Organization. Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. Geneva: WHO. ISBN: 978-92-4-008475-9.

4. OpenAI. Conversation state: Managing the context window. Documentación oficial de OpenAI. Consultado el 11 de agosto de 2026.

5. Liu NF, Lin K, Hewitt J, et al. Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics. 2024;12:157-173. doi:10.1162/tacl_a_00638.

6. OpenAI. Prompting. ChatGPT Learn. Consultado el 11 de agosto de 2026.

7. Brown TB, Mann B, Ryder N, et al. Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems. 2020;33:1877-1901.