La verdad de base y el arduo trabajo de la alfabetización en IA
La sala antes de la instrucción
La primera pregunta en una clase de IA para adultos rara vez es técnica. Suele llegar en forma de historia. Alguien tiene un equipo que usa un chatbot para resúmenes. Otro tiene un proveedor que promete decisiones automáticas. Un responsable ha oído que los agentes pueden encargarse del trabajo aburrido. Un custodio de datos está preocupado porque nadie puede decir qué fuente es la autoritativa. La sala está llena de personas capaces, pero su vocabulario se ha formado a partir de titulares, demostraciones, presentaciones de compras y algunas noches largas con la herramienta que estuviera de moda ese mes.
Para esa sala se escribió Ground Truth. No para niños. No para principiantes pasivos. Para adultos que ya cargan con responsabilidad, presupuesto, memoria profesional y consecuencias. No necesitan una actuación sobre el futuro. Necesitan una forma de hacer preguntas más afiladas sin sentirse avergonzados por la maquinaria. Necesitan saber por qué la IA parece magia, por qué esa sensación es engañosa, por qué un sistema puede ser útil sin parecerse a un humano, y por qué los datos, la probabilidad, la validación, las instrucciones, el sesgo y la gobernanza no son conversaciones separadas.
Peter Vieveen ha enseñado en este tipo de sala durante años. Su biografía en el libro no es texto decorativo: redes neuronales desde los años noventa, gestión y gobernanza de datos, privacidad, educación, DAMA Netherlands, Hogeschool Utrecht, CIBIT Academy. Esa trayectoria importa porque la alfabetización en IA no es una lista de términos de moda. Es el hábito de frenar lo justo para notar con qué tipo de sistema estás tratando antes de comprar, construir, regular, confiar o temerlo.
Por qué introductorio es la promesa equivocada
La página de origen llama a Ground Truth un mapa para principiantes sobre las ideas, herramientas y compensaciones detrás de la IA moderna. Eso es preciso, pero la palabra principiante es fácil de malinterpretar. Principiante puede sonar a algo pequeño, como si el libro fuera un recorrido simplificado antes de que entren los verdaderos profesionales. En la práctica, el material de fundamentos suele ser el más difícil de enseñar bien porque tiene que corregir la forma de la conversación, no solo añadir datos a ella.
Una persona puede usar un chatbot todos los días y aun así confundir automatización con aprendizaje. Puede escribir instrucciones y aun así no ver la diferencia entre un sistema que sigue reglas y un sistema que extrae patrones de ejemplos. Puede leer un panel y aun así no preguntarse si el conjunto de prueba se reservó, si el modelo ha memorizado, si los datos representan a la población, o si el resultado es una predicción, una clasificación, una continuación generada o una decisión que otra persona ha elegido tomar.
Por eso Ground Truth no es un curso de recuperación. Es alfabetización. La alfabetización no es la capacidad de repetir el abecedario. Es la capacidad de leer un contrato, notar lo que falta y rechazar una frase que esconde la carga en las notas al pie. La alfabetización en IA funciona igual. Da a las personas suficiente comprensión estructural para resistir el teatro. Cuando eso ocurre, la sala cambia. La demostración impresionante sigue siendo impresionante, pero ya no domina la conversación.
El método silencioso de Peter
El método de Ground Truth es deliberadamente ascendente. El índice presenta la secuencia con una paciencia casi obstinada: fundamentos, matemáticas, cómo aprenden las máquinas, aprendizaje automático clásico, redes neuronales, aprendizaje profundo, IA generativa, transformers y grandes modelos de lenguaje, entrenamiento y alineación de modelos, uso de la IA en la práctica, y ética, seguridad y futuro. El libro ofrece después rutas a través de ese material: rápida, profunda y práctica. Eso no es un embudo de marketing. Es un reconocimiento de que los adultos que aprenden llegan con urgencias distintas.
Quien ocupa un cargo directivo puede necesitar primero la ruta rápida porque ya hay una reunión del consejo programada. La ingeniera puede querer la ruta profunda porque los mecanismos importan. La educadora, la responsable de políticas, la fundadora o la persona curiosa pueden querer la ruta práctica porque necesitan criterio suficiente para usar las herramientas con responsabilidad. Las tres rutas llevan a la misma afirmación de la fuente: comprensión suficiente para pensar con claridad sobre la IA. Esa frase es modesta. También es el listón más alto de la sala.
La postura docente de Peter se ve en las descripciones de los capítulos. El capítulo de matemáticas no trata el álgebra lineal, el cálculo, la probabilidad y la optimización como ritos de acceso. Los trata como las cuatro herramientas sobre las que funciona la IA. El capítulo de aprendizaje define el aprendizaje automático como una mejora sistemática en una tarea medible, no como conciencia. El capítulo de transformers sigue la atención, la tokenización y los embeddings porque todo chatbot moderno depende de esos mecanismos. El capítulo de ética separa sesgo, equidad, regulación, seguridad, medio ambiente, agentes y especulación porque la confusión entre esos términos es donde empieza la mala gobernanza.
Esto es educación para adultos sin teatro. A nadie se le pide que adore el modelo. A nadie se le dice que debe dominar cada detalle antes de poder actuar. La cuestión es construir suficiente estructura interna para que una persona pueda seguir aprendiendo después de que termine la sesión. Una buena base no responde a todas las preguntas. Mejora la siguiente pregunta.
La escalera escondida a plena vista
La decisión de diseño más fuerte de Ground Truth es la escalera. Empieza con la afirmación sencilla de que la IA es software que aprende patrones de ejemplos en lugar de seguir instrucciones rígidas escritas de antemano. Esa frase parece simple hasta que la usas como diagnóstico. Un corrector ortográfico con un diccionario fijo no es el mismo tipo de sistema que un filtro de spam entrenado con ejemplos etiquetados. Un motor de ajedrez con aperturas programadas no es el mismo tipo de sistema que un modelo que se ajusta a partir de la retroalimentación. Una aplicación de navegación que predice el tráfico no es humana, pero puede estar aprendiendo de patrones en los datos de movimiento.
La escalera da entonces un segundo paso: se niega a dejar a la lectora en el nivel de la metáfora. El libro explica que un modelo puede parecer mágico porque la salida es fluida mientras el mecanismo está oculto. Un gran modelo de lenguaje no está en algún lugar contemplando la belleza. Es una distribución de probabilidad sobre secuencias de tokens, implementada como una red de números. Esa línea importa porque la diferencia entre herramienta y oráculo no es un adorno filosófico. Determina si una profesional comprueba la respuesta, pide evidencia y diseña una vía de revisión.
Desde ahí, la escalera llega al problema del aprendizaje. El capítulo 3 utiliza la distinción entre aprender y memorizar como prueba central. Un modelo que funciona bien con los datos de entrenamiento pero falla con ejemplos nuevos no ha aprendido la estructura; ha memorizado el libro de ejercicios. Los adultos entienden esto de inmediato porque lo han visto en las personas. El estudiante que recuerda las respuestas pero no sabe resolver un problema nuevo les resulta familiar. El mismo patrón en las máquinas se llama sobreajuste, y de repente un término técnico se convierte en un juicio utilizable.
Cuando el lector llega a los transformers, el libro ya se ha ganado el derecho de presentar la atención. La atención no se presenta como vocabulario sagrado. Es el mecanismo que permite que un token recopile información de otros tokens en el contexto. Query, key y value no son sílabas mágicas; son proyecciones aprendidas que canalizan la información. El coste crece con la longitud de la secuencia porque las puntuaciones de atención comparan posiciones entre sí. Esa observación acaba explicando por qué el contexto largo, los agentes que leen bases de código extensas y los flujos de recuperación se convierten en cuestiones de ingeniería y no en afirmaciones de marketing.
Un día con la IA, sin la máquina de humo
Uno de los pasajes más útiles del capítulo sobre fundamentos no trata en absoluto sobre los modelos de vanguardia. Recorre un día corriente: desbloqueo del teléfono, filtrado de correo, asistente de voz, asistente de carril, navegación, búsqueda, traducción, procesamiento de fotos, recomendaciones, controles de fraude bancario, seguimiento del sueño. La idea no es impresionar al lector con la omnipresencia. La idea es hacer que la tecnología sea lo bastante corriente como para poder examinarla.
Cuando la IA se vuelve corriente, la conversación mejora. Un profesional puede decir: este sistema clasifica, este ordena, este predice, este genera, este recupera, este enruta. Puede preguntar con qué datos se entrenó, qué datos ve ahora, qué optimiza, cómo se miden los errores y quién asume el coste cuando falla. El sistema no se ha vuelto menos potente. Se ha vuelto menos teatral.
Eso importa porque el teatro es caro. Un comprador que trata la IA como una mente preguntará si es inteligente. Un comprador que la trata como software de aprendizaje de patrones preguntará con qué ejemplos aprendió, dónde fallan los patrones, si la tarea es medible y si la salida se puede verificar. El segundo comprador es menos divertido en un evento de lanzamiento y mucho más útil cuando llega la factura.
El problema de los adultos no es el acceso
El problema de los adultos en 2026 no es el acceso a la IA. El acceso está en todas partes. El problema es la interpretación. La gente puede producir texto, imágenes, resúmenes, sugerencias de código, informes de búsqueda y notas de reuniones más rápido de lo que puede juzgarlos. El cuello de botella pasó de la generación a la discriminación. Ground Truth es valioso porque entrena la discriminación.
Ese entrenamiento empieza con la IA estrecha. El texto original es contundente: todo lo que has usado alguna vez es IA estrecha. El asistente que pone el temporizador no puede jugar al ajedrez. El motor de ajedrez no puede reconocer tu cara. Un chatbot puede escribir una respuesta convincente, pero no se convierte en una mente general porque la respuesta sea convincente. Esta distinción protege ambos lados de la conversación. Evita la subestimación, porque la IA estrecha puede seguir siendo poderosa comercial y socialmente. Evita la sobreestimación, porque el dominio en una tarea no implica competencia general.
También cambia cómo piensa la gente sobre los agentes. Cuando un sistema pasa de herramienta a actor, el riesgo no es que de repente se convierta en una persona. El riesgo es que pueda planificar, llamar a herramientas, escribir archivos, enviar mensajes o activar flujos de trabajo mientras sigue siendo un sistema basado en patrones con modos de fallo. La alfabetización hace posible esa frase. Sin alfabetización, la sala oscila entre el pánico y el entusiasmo comercial. Con alfabetización, la sala puede hablar de autoridad, permisos, registros, escalado y límites.
Los capítulos prácticos del libro plantean el mismo argumento en otro registro. La inferencia avanza un token cada vez. La temperatura altera la distribución de probabilidad. El muestreo top-K y top-P determina qué tokens son alcanzables. Un prompt de sistema cambia el comportamiento, pero no es una ley de la física. La recuperación puede fundamentar una respuesta, pero introduce preguntas sobre la segmentación, la calidad de las fuentes, la clasificación y los documentos obsoletos. No son detalles para principiantes. Son los detalles que deciden si un flujo de trabajo profesional sobrevive al contacto con la realidad.
Las matemáticas como infraestructura cívica
Muchas personas llegan a la educación sobre IA con una relación defensiva con las matemáticas. Recuerdan la escuela, las barreras, la humillación, los exámenes o la sensación de que el mundo interesante quedaba oculto tras la notación. Ground Truth toma un mejor camino. No finge que las matemáticas sean innecesarias ni las utiliza como una insignia. Las trata como infraestructura cívica para la alfabetización en IA.
Los vectores explican por qué el texto, las imágenes y los usuarios pueden representarse como puntos y direcciones. El cálculo explica cómo un modelo puede ajustarse midiendo el error y descendiendo la pendiente. La probabilidad explica por qué un modelo puede ser incierto y aun así útil. La optimización explica por qué el entrenamiento es una búsqueda a través de un paisaje, no el descubrimiento de un alma. Una vez que estas ideas se asientan, el lector tiene una comprensión del comportamiento de la máquina. Puede que no esté listo para implementar todos los algoritmos, pero puede dejar de tratar la salida como una voz surgida de la nada.
Esto importa en las organizaciones porque el lenguaje político sin intuición matemática se vuelve frágil. La gente dice exactitud, confianza, sesgo, riesgo y deriva como si las palabras se explicaran por sí solas. No es así. La exactitud depende de lo que se mide. La confianza puede estar mal calibrada. El sesgo puede entrar a través de la historia, la representación, la medición, la agregación, la evaluación, el despliegue y los bucles de retroalimentación. La deriva significa que el mundo cambió bajo el modelo. Son conceptos de gestión tanto como técnicos.
La formación de Peter en gestión de datos se nota aquí. Los datos no son una pila de combustible esperando a un modelo. Tienen procedencia, propiedad, definiciones, problemas de calidad, permisos, restricciones de retención y significado social. Un modelo entrenado con datos históricos puede aprender el poder histórico. Un modelo evaluado con un punto de referencia conveniente puede pasar por alto a las personas a las que realmente servirá. Ground Truth no deja de devolver al lector a ese terreno porque no hay alfabetización responsable en IA sin alfabetización en datos.
La caja negra también es un problema de enseñanza
El material del capítulo 11 sobre interpretabilidad y la caja negra pertenece a un libro de fundamentos porque la opacidad no es solo un desafío de investigación. Es un desafío de enseñanza. Las personas necesitan conocer la diferencia entre una explicación local, una explicación global, un contrafactual, un mapa de atención, una puntuación de importancia de características y una afirmación causal. Si se mezclan, la explicación vuelve a convertirse en teatro.
The ethics chapter is especially useful because it refuses the fantasy that bias is introduced only by malicious programmers. Historical bias, representation bias, measurement bias, aggregation bias, evaluation bias, deployment bias, and feedback loops are each different. A hiring model can learn who historically held power. A healthcare model can use spending as a proxy and under-serve people who historically received less care. A fraud model can turn nationality into risk through a proxy. The Dutch childcare benefits scandal appears in the source as a warning about automated systems deployed without meaningful oversight. That is not an abstract American story. It is a local governance memory.
For adults, this is where the literacy becomes moral without becoming vague. The question is not whether one cares about ethics. The question is which part of the system carries the ethical load. Is it the data collection? The label? The objective? The threshold? The human review? The appeal path? The procurement contract? The monitoring? The model card? The law? The affected person? Ground Truth does not reduce those questions to a poster. It gives the reader enough categories to keep them separate.
Why this belongs before strategy
Organisations often want AI strategy before AI literacy. They want a roadmap, a portfolio, a target architecture, a vendor shortlist, and a statement about risk appetite. Those things can be useful. They are alsodangerous when the people around the table cannot distinguish a model from a product, a demo from a workflow, a prompt from a control, or an answer from evidence.
Ground Truth belongs before strategy because it makes strategy less theatrical. A team that has read it can ask whether the problem is classification, regression, generation, retrieval, optimisation, or decision support. It can ask whether the data has labels, whether the outcome is measurable, whether the failure is reversible, whether the user can challenge the result, and whether the organisation knows what to do when the system is uncertain. That is not academic purity. It is how projects avoid becoming expensive anecdotes.
The book's own series map reinforces this. Ground Truth is volume zero of A citizen's guide to AI. The Builder goes into classical machine learning. The Operator, The Seeker, The Steward, The Archivist, The Essential, and the later volumes each take a role deeper. Volume zero is not lower status. It is the shared floor. Without it, every later specialism has to spend half its time repairing language.
The practical route is not the shallow route
The practical route through Ground Truth includes foundations, learning, generative AI, transformers, using AI, and ethics. Notice what it does not do. It does not skip judgement. It does not say professionals only need prompting tips. It does not pretend that the social consequences arrive after the tool has already been adopted. The practical route is practical precisely becauseit includes the ideas that prevent misuse.
A prompt without model literacy is a request. A prompt with model literacy is a controlled experiment. The user knows that the answer is generated from probabilities, that each token becomes context for the next, that high temperature can make unlikely continuations more reachable, that a confident tone is not evidence, and that retrieval can improve grounding only if the source material is good and the routing is visible. That person writes differently. They verifydifferently. They delegate differently.
Por eso importan los ejercicios del libro. Piden a los lectores que clasifiquen sistemas, separen la IA estrecha de la general, analicen si un chatbot entiende un chiste o ensambla patrones de palabras probables, tracen su propio recorrido de aprendizaje a través de los capítulos y propongan pruebas para la comprensión de las máquinas. No son tareas escolares. Son ensayos para el trabajo. Cada uno de esos ejercicios corresponde a una reunión que alguien tendrá más adelante.
Qué cambia después del último capítulo
Tras Ground Truth, la persona adulta que aprende no debería sonar como una investigadora. Ese no es el objetivo. Debería sonar más difícil de engañar. Debería pedir el denominador detrás de una estadística. Debería notar cuando un proveedor dice inteligencia pero quiere decir autocompletado. Debería saber que la alineación, la seguridad, la regulación, la privacidad, la interpretabilidad y el medio ambiente se solapan, pero no son el mismo problema. Debería entender que un modelo puede ser impresionante, útil, sesgado, frágil, caro y digno de desplegarse en un flujo de trabajo limitado, todo a la vez.
También debería estar más tranquila. La alfabetización elimina parte del pánico porque la máquina tiene mecanismos. Elimina parte del bombo porque los mecanismos tienen límites. Crea una postura más adulta: curiosa, concreta, escéptica y dispuesta a usar herramientas sin entregarles el juicio.
El valor final de Ground Truth no es que le dé a todo el mundo la misma opinión sobre la IA. Les da suficiente lenguaje compartido para discrepar de forma productiva. Una persona puede preocuparse por el sesgo. Otra puede preocuparse por el coste. Otra puede preocuparse por la propiedad de los datos. Otra puede ver una oportunidad de automatización. Si comparten los cimientos, el desacuerdo puede convertirse en diseño en lugar de ruido.
La prueba silenciosa
La prueba silenciosa de un libro de alfabetización en IA es lo que ocurre en la siguiente reunión ordinaria. Sin focos. Sin discurso inaugural. Sin indicación dramática en una pantalla gigante. Solo un equipo decidiendo si automatiza un flujo de trabajo, compra una herramienta, aprueba un piloto, forma al personal o expone un modelo a los clientes.
Antes de Ground Truth, esa reunión suele girar en torno a impresiones. Después de Ground Truth, alguien pregunta de qué aprende el sistema. Alguien pregunta qué ha memorizado simplemente. Alguien pregunta qué cambia cuando los datos se desplazan. Alguien pregunta si el resultado es evidencia o prosa. Alguien pregunta quién puede apelar. Alguien pregunta por qué se permite que el sistema actúe cuando no puede explicar la parte relevante de su trabajo. Ninguna de esas preguntas requiere teatro. Requieren alfabetización.
Por eso Ground Truth es infraestructura práctica. Es la base sin glamour sobre la que se asienta el juicio adulto sobre la IA. Enseña a las personas a mirar más allá de la máquina de humo, nombrar el mecanismo y mantener la responsabilidad en manos humanas. En 2026, eso no es un remedio. Eso es el trabajo.