El procesamiento de lenguaje natural (PLN, o NLP en inglés) es la parte de la inteligencia artificial que permite a un programa leer, interpretar y generar lenguaje humano. Está detrás del corrector del móvil, del traductor, del filtro de spam y de asistentes como ChatGPT, Gemini o Claude. Esta guía explica qué hace, cómo lo hace y dónde falla, sobre todo en español.
¿Qué es el procesamiento de lenguaje natural?
Es el conjunto de técnicas que convierte texto o voz en algo que un ordenador pueda calcular, y luego devuelve un resultado útil. Ese resultado puede ser una etiqueta, una traducción, un resumen o una respuesta.
El problema de fondo es que el lenguaje humano no es una tabla de datos. Es ambiguo, depende del contexto y cambia según quién habla. «Vi a la mujer con el telescopio» tiene dos lecturas. «Qué bien, otro lunes» puede ser alegría o sarcasmo.
El PLN se divide a menudo en dos mitades. La comprensión extrae significado de un texto: tema, intención, emoción, datos concretos. La generación produce texto nuevo: una respuesta, un borrador, una traducción.
Los asistentes actuales hacen ambas cosas a la vez. Pero muchas aplicaciones útiles solo necesitan la primera, y para ellas un modelo pequeño suele bastar.
¿Qué tareas resuelve el PLN?
Casi todo lo que se hace con texto se reduce a unas pocas tareas básicas. Conviene conocerlas porque te ayudan a decidir qué herramienta usar.
Clasificación
Asignar una etiqueta a un texto. Ejemplos: separar correo legítimo de spam, detectar si una reseña es positiva o negativa, derivar una queja al departamento correcto. El análisis de sentimiento es una clasificación.
Traducción automática
Convertir un texto de un idioma a otro conservando el sentido. Es la tarea más antigua del campo y la que más ha mejorado con las redes neuronales.
Resumen
Reducir un documento a lo esencial. Puede ser extractivo, si copia las frases clave, o abstractivo, si redacta con palabras nuevas. El segundo es más natural, pero también puede inventar detalles.
Extracción de información
Sacar datos concretos de texto libre: nombres, fechas, importes, direcciones, productos. Es lo que permite pasar de un contrato en PDF a una hoja de cálculo.
Respuesta a preguntas
Contestar una pregunta a partir de un texto o de lo aprendido durante el entrenamiento. Si el modelo responde con un documento delante, el resultado es más fiable que si responde de memoria.
¿Cómo se pasó de las reglas a los modelos de lenguaje?
La idea de que una máquina trate el lenguaje viene de lejos. Alan Turing planteó en 1950 su famosa prueba de imitación. En 1954, el experimento Georgetown-IBM tradujo frases del ruso al inglés con un sistema de reglas muy limitado. Si te interesa el contexto general, está en la historia de la inteligencia artificial.
En 1966, Joseph Weizenbaum presentó ELIZA, un programa que simulaba a un terapeuta reformulando lo que decía el usuario. No entendía nada, pero mucha gente sentía que sí. Es un buen recordatorio de que sonar coherente no es comprender.
Desde entonces, el campo ha pasado por cuatro etapas.
| Etapa | Cómo funciona | Ventaja | Límite |
|---|---|---|---|
| Reglas escritas a mano | Lingüistas y programadores codifican patrones y diccionarios. | Predecible y fácil de auditar. | No cubre la variedad real del lenguaje y es costoso de mantener. |
| Estadística | El sistema aprende probabilidades a partir de grandes colecciones de texto. | Se adapta a datos nuevos sin reescribir reglas. | Ve palabras sueltas o grupos cortos, no el contexto amplio. |
| Redes neuronales y embeddings | Las palabras se representan como vectores aprendidos, y las redes captan relaciones entre ellas. | Capta similitud de significado, no solo coincidencia de letras. | Cada palabra tiene una representación fija, aunque cambie de sentido. |
| Transformers y modelos de lenguaje grandes | Un mecanismo de atención pondera todo el contexto para predecir el texto siguiente. | Un mismo modelo sirve para muchas tareas, con solo describirlas. | Puede inventar datos y exige revisar los resultados importantes. |
El salto decisivo llegó en 2017 con el artículo «Attention Is All You Need», que presentó la arquitectura Transformer. Casi todos los asistentes actuales descienden de ella. Para el fondo técnico, conviene repasar qué son el machine learning y las redes neuronales.
Las reglas no han desaparecido. Se siguen usando donde hace falta control estricto, por ejemplo validar un número de documento o aplicar un formato legal.
¿Cómo «entiende» un modelo el texto? Tokens y embeddings
Un modelo no lee letras ni palabras como tú. Trabaja con números. El camino del texto a esos números tiene dos pasos clave.
Primer paso: los tokens
Un token es un fragmento de texto: una palabra entera, parte de una palabra o un signo. El tokenizador corta la frase en esas piezas y asigna a cada una un número.
Una palabra larga o poco frecuente se parte en trozos. «Desafortunadamente» podría dividirse en tres o cuatro piezas, según el tokenizador. Las palabras comunes suelen ser un solo token.
Esto importa en la práctica. Los límites de longitud y el coste de uso de muchas herramientas se miden en tokens, no en palabras. Y en muchos tokenizadores el español necesita más tokens que el inglés para decir lo mismo, porque se entrenaron con más texto inglés.
Segundo paso: los embeddings
Un embedding es una lista de números que representa el significado de un token o de un texto entero. Textos con significado parecido quedan «cerca» en ese espacio numérico. Textos distintos quedan lejos.
Un ejemplo con números inventados y solo dos dimensiones, para ver la idea. Los modelos reales usan cientos o miles.
- gato = (2, 1)
- perro = (2, 2)
- factura = (−1, 2)
La similitud se mide con el coseno del ángulo entre vectores. Entre «gato» y «perro»: producto escalar 2×2 + 1×2 = 6. Las longitudes son √5 ≈ 2,24 y √8 ≈ 2,83. Resultado: 6 ÷ (2,24 × 2,83) ≈ 0,95, casi el máximo.
Entre «gato» y «factura»: 2×(−1) + 1×2 = 0. La similitud es 0, es decir, nada en común. Así un buscador puede encontrar «reclamación» cuando escribes «queja», aunque no compartan ninguna letra.
Después, el Transformer usa la atención para decidir qué partes del contexto pesan más en cada palabra. Por eso «banco» no se interpreta igual en «me senté en el banco» que en «abrí una cuenta en el banco». El glosario de términos de inteligencia artificial recoge estos conceptos con más detalle.
¿Por qué el español es un reto para el PLN?
El español es una lengua con muchos hablantes y mucho texto disponible. Aun así, plantea problemas propios.
- Variantes léxicas. «Coche», «carro» y «auto» designan lo mismo. «Guagua» es un autobús en Canarias y Cuba, pero otra cosa en los Andes. Un modelo entrenado sobre todo con español peninsular puede fallar con el habla de México, Chile o Argentina.
- Variantes gramaticales. El voseo, el uso de «ustedes» por «vosotros» y el leísmo cambian las formas verbales y los pronombres que el modelo debe reconocer.
- Sujeto omitido. «Llegó tarde» no dice quién llegó. El sistema debe deducirlo del contexto, y a veces no hay pistas suficientes.
- Morfología rica. Un verbo tiene decenas de formas. Género y número obligan a concordar artículos, nombres y adjetivos, y un error se nota enseguida.
- Escritura informal. En redes sociales abundan las tildes omitidas, las abreviaturas y las mezclas con inglés («spanglish»). Un texto sin tildes puede cambiar de sentido: «papa» y «papá».
- Desequilibrio de datos. Hay mucho más texto en inglés para entrenar y evaluar. Las pruebas de calidad en español, y sobre todo en sus variantes regionales, son más escasas.
Para la norma culta panhispánica, la referencia es la Real Academia Española, que reúne diccionarios y obras de consulta sobre el uso en todo el ámbito hispánico.
Qué cambia para ti: si trabajas con un público concreto, indícalo en el prompt («escribe para lectores de Colombia, con tuteo») y prueba el resultado con textos reales de ese público.
¿Cómo se ve en la práctica? Un caso resuelto
Imagina que tienes reseñas de un hotel y quieres clasificarlas y extraer datos. Antes eso exigía entrenar un modelo. Hoy puedes pedírselo a un asistente. Este es el paso a paso.
- Define la tarea. Aquí son dos a la vez: clasificar el sentimiento y extraer temas y datos.
- Fija el formato de salida. Pide JSON con campos concretos para poder procesarlo después.
- Da instrucciones sobre los casos dudosos. Por ejemplo, qué hacer si la reseña mezcla elogios y quejas.
- Prueba con pocos ejemplos y revisa. Compara el resultado con tu criterio antes de lanzarlo con cientos de reseñas.
El prompt:
Analiza cada reseña de hotel. Devuelve solo un JSON con una lista de objetos con estos campos:
- "sentimiento": "positivo", "negativo" o "mixto"
- "temas": lista de aspectos mencionados (máximo 4)
- "datos": ciudad u hora si aparecen, o null
Si la reseña tiene elogios y quejas, usa "mixto". No inventes datos que no estén en el texto.
Reseña 1: "Llegamos a Sevilla a las 15:00 y la habitación no estaba lista. El personal fue amable, pero el aire acondicionado no funcionaba. Volveremos, aunque pediremos otra planta."
Reseña 2: "El hotel queda a dos cuadras de la playa, el desayuno estaba chévere y el wifi, pésimo."Resultado esperado (puede variar en los detalles):
[
{
"sentimiento": "mixto",
"temas": ["entrada a la habitación", "personal", "aire acondicionado"],
"datos": {"ciudad": "Sevilla", "hora": "15:00"}
},
{
"sentimiento": "mixto",
"temas": ["ubicación", "desayuno", "wifi"],
"datos": null
}
]Fíjate en la segunda reseña. «Chévere» es una palabra común en varios países de Latinoamérica y poco habitual en España. Un buen modelo la entiende como elogio. Si el tuyo la clasifica mal, añade un ejemplo con esa jerga en el prompt.
Dos precauciones. Revisa una muestra antes de fiarte de los resultados, porque el modelo puede equivocarse con ironía o con datos ambiguos. Y no pegues datos personales ni información confidencial en un asistente sin conocer cómo se tratan: es una cuestión de privacidad que conviene consultar en las condiciones de cada servicio.
Si quieres aprender PLN desde cero, empieza por este tipo de ejercicio. Toma un problema real con texto, resuélvelo con un asistente siguiendo estos cuatro pasos y anota dónde falla. Para practicar con el prompt, la guía de cómo usar ChatGPT es un buen punto de partida. Si luego quieres entender el código por dentro, el libro gratuito Speech and Language Processing, de Jurafsky y Martin, es la referencia académica, y la documentación de Transformers de Hugging Face te permite probar modelos abiertos.
Preguntas frecuentes
¿PLN y NLP son lo mismo?
Sí. PLN es la sigla en español y NLP la sigla en inglés (natural language processing). En documentación técnica verás más NLP, porque casi todos los recursos se publican en inglés.
¿Un asistente como ChatGPT es PLN?
Sí, es una aplicación de PLN basada en un modelo de lenguaje grande. Pero el PLN es más amplio: incluye también buscadores, traductores, correctores y sistemas de extracción de datos que no tienen forma de chat.
¿Entiende el lenguaje de verdad una máquina?
Depende de qué se llame entender. Los modelos captan patrones estadísticos muy ricos y resuelven tareas complejas. Pero no tienen experiencia del mundo y pueden afirmar cosas falsas con total seguridad, así que conviene verificar lo importante.
¿Necesito saber programar para usar PLN?
No para empezar. Con un asistente puedes clasificar, resumir o extraer datos solo con instrucciones en español. Programar sirve cuando necesitas procesar grandes volúmenes o integrar el resultado en otro sistema.
