Resumen rápido

• Un modelo de lenguaje es un algoritmo que predice la siguiente palabra a partir del contexto.
• Se entrena con enormes colecciones de texto, aprendiendo patrones estadísticos y estructurales.
• Durante la generación, utiliza esas probabilidades para crear frases coherentes y adaptadas al pedido.
• El proceso incluye pre‑entrenamiento, ajuste fino y técnicas de control de salida.
• Sus limitaciones provienen de los datos de origen y de la falta de comprensión real.

¿Qué es un modelo de lenguaje?

En términos simples, un modelo de lenguaje (LLM, por sus siglas en inglés) es un programa informático que, al recibir una cadena de palabras, calcula cuál es la palabra que más probablemente sigue. Para lograrlo, el modelo representa cada palabra (o fragmento de palabra) como un vector numérico en un espacio de alta dimensión. Estos vectores capturan similitudes semánticas: “perro” y “gato” estarán más cerca entre sí que “perro” y “automóvil”.

La capacidad de predecir la siguiente palabra permite al modelo generar texto completo: basta con darle una “semilla” (por ejemplo, “Una tarde de verano”) y el modelo irá añadiendo palabras una a una hasta completar la frase, el párrafo o el documento.

Datos y entrenamiento: la base del aprendizaje

El motor que impulsa a cualquier LLM es el entrenamiento con datos. Se recopilan grandes volúmenes de texto –libros, artículos, foros, código, etc.– y se alimentan al modelo durante varias iteraciones. Cada iteración ajusta los pesos internos del modelo para reducir la diferencia entre la palabra que predice y la palabra real que sigue en el texto de entrenamiento.

Este proceso, llamado pre‑entrenamiento, es esencialmente una tarea de completado de frases. Por ejemplo, si el modelo ve la secuencia “El gato está sobre el”, aprenderá a asociar “techo”, “sofá” o “cerca” como posibles continuaciones, según la frecuencia con la que aparecen en los datos.

Una vez completado el pre‑entrenamiento, es frecuente realizar un ajuste fino con conjuntos de datos más específicos. Si queremos que el modelo sea buen asistente de programación, lo afinamos con repositorios de código y preguntas técnicas. Si el objetivo es redactar correos formales, usamos ejemplos de correspondencia empresarial.

El proceso de generación de texto

Cuando solicitas al modelo que escriba algo, se inicia una cadena de pasos:

1. Tokenización: el texto de entrada se divide en unidades (tokens) que pueden ser palabras completas o sub‑palabras.
2. Codificación: cada token se transforma en su vector correspondiente.
3. Pasada por la red: los vectores atraviesan capas de atención que permiten al modelo “mirar” a todas las palabras anteriores para decidir la siguiente.
4. Decodificación: el modelo produce una distribución de probabilidad sobre el vocabulario; se elige el token más probable o se aplica una estrategia de muestreo.
5. Repetición: el token elegido se añade al texto y el proceso se repite hasta alcanzar la longitud deseada o un token de finalización.

Un ejemplo práctico: si le das a un modelo la instrucción “Escribe una receta de tortilla de patatas para dos personas”, el modelo primero identifica palabras clave (receta, tortilla, patatas) y, basándose en lo aprendido, genera una lista de ingredientes, pasos de preparación y consejos finales, todo en un estilo que imita los textos culinarios con los que se entrenó.

Limitaciones y consideraciones éticas

Aunque los LLM pueden producir textos impresionantes, no poseen comprensión real del mundo. Su “conocimiento” está limitado a los patrones que ha visto. Por eso pueden generar información errónea, reproducir sesgos presentes en los datos o crear contenido que parece plausible pero es falso.

Es fundamental usar estos modelos con criterio:

• Verificar la veracidad de la información antes de publicarla.
• Ser consciente de los sesgos y revisar los resultados con una mirada crítica.
• Respetar la privacidad y los derechos de autor al seleccionar los datos de entrenamiento.

Muchos desarrolladores aplican técnicas de filtrado y supervisión humana para mitigar estos riesgos, pero la responsabilidad final recae en el usuario.

Preguntas frecuentes

¿Un modelo de lenguaje entiende lo que escribe?

No en el sentido humano. Reconoce patrones estadísticos y genera texto que suele ser coherente, pero carece de conciencia o comprensión semántica profunda.

¿Cuánto texto necesita para entrenarse un modelo?

Los modelos modernos se entrenan con cientos de gigabytes o incluso terabytes de texto, lo que equivale a millones de documentos. La cantidad exacta depende del objetivo y de la arquitectura elegida.

¿Puedo entrenar mi propio modelo de lenguaje?

Sí, existen versiones abiertas y herramientas que permiten entrenar modelos más pequeños con conjuntos de datos propios. Sin embargo, el proceso requiere recursos computacionales significativos y una cuidadosa selección de datos.

En definitiva, los modelos de lenguaje son potentes herramientas que aprenden a escribir a partir de enormes colecciones de texto, pero siguen siendo patrones estadísticos sin comprensión real. Usados con responsabilidad, pueden ahorrar tiempo, inspirar creatividad y facilitar la interacción con la tecnología. ¡Experimenta y descubre qué pueden hacer por ti, siempre con una mirada crítica!

• Las alucinaciones son respuestas falsas o inventadas que genera la IA.
• Surgen por limitaciones del modelo, datos de entrenamiento y formulación de la pregunta.
• Detectarlas implica comprobar hechos, buscar incoherencias y usar fuentes externas.
• Evitar alucinaciones se consigue con prompts claros, contexto suficiente y verificación posterior.
• Una buena práctica es combinar IA con revisión humana antes de tomar decisiones.

Imagina que le preguntas a tu asistente de IA “¿Cuál es la capital del país que ganó la Copa del Mundo de fútbol en 1994?” y te responde “París”. El dato es incorrecto, pero suena plausible. Ese tipo de error se llama “alucinación”: la IA produce información que parece verosímil pero no tiene base en la realidad. En este artículo desmenuzamos el fenómeno, mostramos cómo detectarlo y ofrecemos estrategias para minimizar su aparición, sin perder la utilidad que la IA aporta a nuestras tareas diarias.

¿Qué son las alucinaciones en la IA?

Una alucinación ocurre cuando un modelo de lenguaje genera contenido que no está respaldado por los datos de entrenamiento o por la lógica del problema planteado. No se trata de un “bug” clásico, sino de una consecuencia de cómo el modelo predice la siguiente palabra o frase basándose en patrones estadísticos. El resultado puede ser una afirmación falsa, una cita inventada, un número inexistente o una conclusión sin fundamento.

En la práctica, las alucinaciones aparecen en distintos formatos:

• Datos falsos: fechas, nombres o cifras que no existen.
• Fuentes inventadas: referencias a estudios o libros que nunca se publicaron.
• Razonamiento erróneo: conclusiones lógicas que no siguen de los premisos.
• Descripciones incoherentes: secuencias que se contradicen dentro del mismo texto.

Por qué aparecen las alucinaciones

Los modelos de IA aprenden a partir de grandes volúmenes de texto, pero esa exposición tiene limitaciones:

1. Datos incompletos o sesgados: si la información que necesita no está presente en los datos de entrenamiento, el modelo “rellena” con lo que considera más probable.
2. Optimización por fluidez: los modelos priorizan generar respuestas que suenen naturales, incluso a costa de la precisión.
3. Ambigüedad del prompt: preguntas poco claras pueden llevar al modelo a interpretar erróneamente la intención del usuario.
4. Capacidad de razonamiento limitada: aunque los modelos pueden simular lógica, no poseen un “entendimiento” profundo y pueden combinar fragmentos de manera inconsistente.

Estas causas no son excusas, pero sí explican por qué una IA, aunque potente, puede “inventar” datos cuando se enfrenta a un vacío de conocimiento.

Cómo detectar una alucinación

Identificar una respuesta sospechosa es esencial antes de confiar en ella. Aquí tienes un proceso práctico:

1. Verifica hechos clave: busca en fuentes fiables (enciclopedias, sitios oficiales) los nombres, fechas o cifras citadas.
2. Comprueba la coherencia interna: revisa si el texto se contradice o si hay saltos lógicos.
3. Evalúa la especificidad: las respuestas muy vagas o genéricas pueden esconder una alucinación.
4. Revisa la citación: si el modelo menciona un estudio o libro, intenta localizar la referencia. La ausencia de la fuente es una señal de alerta.
5. Utiliza herramientas de contraste: plantea la misma pregunta de distintas maneras; si las respuestas varían significativamente, es probable que haya alucinaciones.

Un ejemplo práctico: le pides a un chatbot una cita textual de un libro y te devuelve una frase muy convincente, con autor y número de página. Al buscarla en el libro real, no existe. El modelo no copió nada: generó una frase que «sonaba» a esa obra. Por eso conviene comprobar siempre en la fuente original cualquier cita, dato o referencia.

Estrategias para reducir las alucinaciones

Si bien no se pueden eliminar por completo, se pueden minimizar con buenas prácticas:

• Redacta prompts claros y detallados: incluye contexto, delimita el alcance y especifica el formato de la respuesta.
• Divide preguntas complejas: solicita información paso a paso en lugar de una única respuesta larga.
• Proporciona fuentes de referencia: indica al modelo que base su respuesta en documentos específicos o sitios web confiables.
• Utiliza “chain‑of‑thought” (cadena de razonamiento): pide al modelo que explique su proceso antes de dar la conclusión final.
• Revisa y corrige: después de recibir la respuesta, verifica los datos y, si es necesario, solicita una revisión o una corrección.

Ejemplo práctico: si necesitas un resumen de la legislación laboral española, en lugar de preguntar “Resume la legislación laboral”, formula “Haz un resumen de los derechos de vacaciones según el Estatuto de los Trabajadores, citando los artículos correspondientes”. La IA, al saber que debe mencionar artículos, tiende a producir un texto más preciso y menos propenso a inventar información.

Preguntas frecuentes

¿Todas las respuestas de la IA pueden contener alucinaciones?

No necesariamente. Las respuestas a preguntas bien definidas y basadas en hechos ampliamente documentados suelen ser fiables, pero siempre es recomendable verificar la información crítica.

¿Es culpa del modelo o del usuario?

Ambos influyen. El modelo tiene limitaciones inherentes, pero un prompt ambiguo o demasiado amplio aumenta la probabilidad de alucinaciones. Mejorar la claridad del prompt reduce el riesgo.

¿Existen herramientas que detecten alucinaciones automáticamente?

Algunas soluciones combinan IA con verificadores externos o bases de datos estructuradas para señalar posibles inconsistencias, pero la revisión humana sigue siendo la forma más segura de confirmar la exactitud.

En definitiva, las alucinaciones son un recordatorio de que la inteligencia artificial, aunque poderosa, no es infalible. Con una actitud crítica, prompts bien diseñados y un proceso de verificación, podemos aprovechar sus ventajas sin caer en errores que comprometan la calidad de la información.

Resumen rápido

• Usa la IA para resumir y estructurar información.
• Genera preguntas de autoevaluación personalizadas.
• Apóyate en explicaciones paso a paso para temas complejos.
• Utiliza la IA para crear esquemas visuales y mapas mentales.
• Mantén la ética: la IA complementa, no sustituye tu propio esfuerzo.

1. Resumir y organizar contenido

Uno de los mayores retos al estudiar es la sobrecarga de información. La IA puede ayudarte a extraer los puntos clave de un texto largo, liberando tiempo para profundizar en los conceptos esenciales.

Ejemplo práctico: Copias y pegas el apartado de un libro de historia en una herramienta de IA y le pides un resumen de 150 palabras. La IA te devuelve una versión condensada que puedes usar como base para tus apuntes. Luego, revisas el resumen, añades ejemplos propios y lo transformas en una ficha de estudio.

Esta práctica te obliga a leer el texto original para verificar la precisión del resumen, garantizando que el aprendizaje sigue siendo activo.

2. Generar preguntas de autoevaluación

El repaso activo es mucho más eficaz que la simple rereading. La IA puede crear preguntas de opción múltiple, verdadero/falso o desarrollo a partir del material que estás estudiando.

Ejemplo práctico: Después de estudiar un capítulo de biología, solicitas a la IA que formule diez preguntas de verdadero o falso sobre los procesos de fotosíntesis. Respondes, corriges con la IA y analizas los errores. Este ciclo refuerza la memoria y te indica en qué áreas necesitas más práctica.

Al crear tus propias preguntas, también desarrollas la capacidad de identificar los conceptos más importantes.

3. Explicaciones paso a paso para problemas complejos

En materias como matemáticas o física, entender la lógica detrás de cada paso es crucial. La IA puede desglosar un problema en etapas detalladas, ofreciendo explicaciones intermedias.

Ejemplo práctico: Tienes una ecuación diferencial que no sabes resolver. Introduces el enunciado en la IA y pides una solución paso a paso. La IA muestra cada transformación, explica por qué se aplica cada regla y señala posibles trampas. Tú reproduces el proceso en tu cuaderno, comprobando cada paso antes de pasar al siguiente.

Esta interacción te permite comparar tu razonamiento con el de la IA y corregir errores sin que la herramienta haga el trabajo completo por ti.

4. Creación de esquemas visuales y mapas mentales

Los recursos visuales facilitan la organización de ideas y la memorización. La IA puede transformar texto en diagramas, tablas o mapas conceptuales que puedes imprimir o guardar en tu dispositivo.

Ejemplo práctico: Después de leer un artículo sobre economía, solicitas a la IA que genere un mapa mental que relacione oferta, demanda, elasticidad y precios. Obtienes una representación gráfica que puedes adaptar, añadir colores y conectar con notas personales.

Al personalizar el esquema, integras la información de forma activa, lo que favorece la retención a largo plazo.

5. Mantener la ética y evitar la dependencia

El mayor riesgo al usar IA es confiar demasiado en ella y reducir el esfuerzo personal. Para evitar caer en trampas académicas, sigue estos principios:

• Complementa, no sustituyas: Usa la IA para aclarar dudas o estructurar ideas, pero escribe tus respuestas y resuelve los ejercicios por ti mismo.
• Verifica siempre: Contrasta la información generada con fuentes fiables; la IA puede cometer errores o simplificar en exceso.
• Respeta las normas: Si tu centro educativo prohíbe el uso de herramientas externas en determinadas tareas, cumple con esas reglas.
• Desarrolla habilidades de pensamiento crítico: Pregúntate por qué la IA sugiere una respuesta concreta y busca el fundamento teórico.

Preguntas frecuentes

¿Puedo usar la IA para redactar mis trabajos académicos?

La IA puede servir como inspiración o para generar ideas, pero la redacción final debe ser tuya. Copiar textos generados sin revisarlos constituye plagio y vulnera la ética académica.

¿La IA siempre da respuestas correctas?

No. La IA se basa en patrones aprendidos y puede equivocarse o presentar información desactualizada. Por eso es fundamental verificar con fuentes oficiales o bibliografía recomendada.

¿Cómo evitar que la IA haga todo el trabajo de estudio?

Establece límites claros: usa la IA solo para resumir, crear preguntas o explicar pasos, y dedica tiempo a resolver ejercicios sin ayuda. Así mantienes el control del proceso de aprendizaje.

En conclusión, la IA es una herramienta poderosa que, usada con responsabilidad, puede transformar tu forma de estudiar. Desde resumir textos hasta generar preguntas de repaso, pasando por la creación de esquemas visuales, la inteligencia artificial te ayuda a organizar la información y a profundizar en la comprensión. Recuerda siempre mantener la ética y el esfuerzo personal como pilares de tu aprendizaje; la IA debe ser un apoyo, no un sustituto. Con estos consejos, podrás aprovechar al máximo la tecnología sin comprometer la integridad académica.

• Evita dar datos personales identificables: nombre completo, dirección, número de teléfono.
• No compartas credenciales de acceso ni información financiera.
• Limita la descripción de tu entorno y de tu actividad profesional.
• Revisa la política de datos del servicio antes de usarlo.
• Aplica configuraciones de anonimato y elimina historiales cuando sea posible.

Los chatbots de inteligencia artificial están cada vez más presentes en nuestras pantallas: desde asistentes en móviles hasta herramientas de atención al cliente. Su facilidad de uso puede dar la falsa impresión de que cualquier conversación es segura, pero detrás de la magia del lenguaje se esconden procesos que recogen y almacenan los datos que les proporcionamos. En este artículo te explicamos, de forma práctica y sin jerga, qué tipos de información es mejor no compartir y cómo puedes proteger tu privacidad sin renunciar a la comodidad de estos asistentes.

1. Qué datos son realmente sensibles

En términos de privacidad, los datos se pueden clasificar en tres grupos:

1. Datos de identificación directa: nombre completo, DNI o número de pasaporte, dirección postal, número de teléfono y correo electrónico personal.
2. Datos de acceso y financieros: contraseñas, códigos de verificación, números de tarjeta de crédito o cuentas bancarias.
3. Datos contextuales reveladores: información sobre tu trabajo (proyectos confidenciales, clientes), tu salud, tu ubicación exacta o hábitos cotidianos que puedan usarse para crear un perfil detallado.

Compartir cualquiera de estos elementos con un chatbot puede permitir que la empresa que lo ofrece los almacene, los utilice para entrenar sus modelos o, en el peor de los casos, los exponga a terceros si se produce una brecha de seguridad.

2. Cómo los chatbots pueden usar la información que les das

Cuando envías un mensaje a un asistente de IA, el texto viaja a servidores donde se procesa. Allí, el contenido puede servir para:

• Mejorar la calidad del modelo mediante el aprendizaje supervisado.
• Personalizar respuestas futuras basándose en tu historial.
• Generar métricas de uso que ayuden a los proveedores a optimizar sus servicios.

En la mayoría de los casos, los proveedores afirman que los datos se anonimizan antes de utilizarlos para entrenamiento, pero la anonimización no siempre es perfecta, sobre todo cuando los fragmentos de texto contienen información única que permite volver a identificar a la persona.

3. Buenas prácticas al interactuar con chatbots

Adoptar hábitos simples puede reducir considerablemente el riesgo:

• Usa seudónimos o iniciales. En lugar de escribir tu nombre completo, responde con “Juan” o “J.P.” y evita mencionar tu apellido.
• No reveles datos de acceso. Si el chatbot te pide una contraseña o un código, rechaza la solicitud y busca la vía oficial del servicio.
• Limita los detalles de ubicación. En vez de “Estoy en la calle Gran Vía, 45, Madrid”, basta con decir “estoy en el centro de la ciudad”.
• Separa preguntas técnicas de información personal. Por ejemplo, para preguntar sobre un producto financiero, utiliza datos genéricos y consulta la información sensible a través de los canales oficiales.
• Revisa y elimina el historial. Muchos servicios permiten borrar el registro de conversaciones; hazlo regularmente.

4. Herramientas y configuraciones para proteger tu privacidad

Aunque la mayoría de los chatbots no ofrecen un control exhaustivo, hay algunas opciones que puedes activar:

• Modo anónimo o incógnito. Algunas plataformas incluyen una opción que evita guardar el historial de chat.
• Desactivación de entrenamiento. Busca en la configuración la posibilidad de excluir tus conversaciones del proceso de entrenamiento del modelo.
• Control de cookies y rastreadores. Utiliza extensiones de navegador que bloqueen cookies de terceros y scripts de seguimiento cuando accedes a la web del chatbot.
• VPN o red segura. Conectar a través de una VPN protege la transmisión de datos frente a interceptaciones en redes públicas.
• Gestión de permisos de la aplicación. En dispositivos móviles, revisa qué permisos tiene la app del asistente (por ejemplo, acceso a contactos o ubicación) y revócalos si no son necesarios.

Preguntas frecuentes

¿Puedo confiar en que mi conversación será eliminada después de usar un chatbot?

No hay garantía universal. Cada proveedor tiene su propia política de retención de datos; lo mejor es consultar la documentación oficial y, si es posible, borrar el historial manualmente.

¿Qué pasa si comparto sin querer una información sensible?

En la mayoría de los casos, la información quedará almacenada hasta que el servicio la elimine según su política. Puedes contactar al soporte para solicitar la supresión de datos específicos.

¿Los chatbots pueden identificarme a partir de una combinación de datos “inocentes”?

Sí. La combinación de varios fragmentos de información –por ejemplo, edad, ciudad y empleo– puede ser suficiente para crear un perfil único, por lo que es recomendable ser cauteloso incluso con datos que parezcan triviales.

En conclusión, los chatbots de IA son herramientas útiles, pero su conveniencia no debe eclipsar la necesidad de proteger nuestra información personal. Adoptar una actitud prudente, usar configuraciones de privacidad y limitar la información que compartimos son pasos sencillos que reducen el riesgo sin renunciar al beneficio de la interacción con la IA.

Resumen rápido

• La ventana de contexto es el número limitado de tokens que el modelo puede procesar a la vez.
• Cuando el diálogo supera ese límite, el modelo “olvida” los fragmentos más antiguos.
• Los desarrolladores pueden usar trucos como resúmenes o memoria externa para mitigar el olvido.
• El usuario también puede ayudar reintroduciendo información clave.

¿Qué es la ventana de contexto?

Los modelos de lenguaje trabajan con unidades llamadas tokens, que pueden ser palabras, partes de palabras o símbolos. Cada vez que le envías un mensaje, el modelo crea una secuencia de tokens que incluye tanto tu solicitud como el historial de la conversación. La ventana de contexto es el número máximo de tokens que el modelo puede atender en una única pasada. Si la conversación supera ese número, los tokens más antiguos se descartan para dejar espacio a los nuevos.

Esta limitación no es arbitraria; está ligada a la arquitectura del modelo y a la capacidad de cómputo. En la práctica, la ventana de contexto funciona como una “memoria a corto plazo” que se renueva constantemente.

Cómo funciona la memoria en los chatbots

En un chat típico, cada intercambio se concatena al historial y se envía al modelo como una sola cadena de texto. Por ejemplo, una conversación de tres turnos puede quedar así:

1. Usuario: “¿Cuál es la capital de Francia?”
2. Bot: “París.”
3. Usuario: “¿Cuántos habitantes tiene?”

Si la ventana de contexto permite 1 000 tokens y cada turno ocupa 200, el modelo tiene espacio para cinco turnos antes de empezar a eliminar los más antiguos. Cuando el número de tokens supera el límite, el modelo simplemente no ve los mensajes descartados, por eso parece que “olvida”.

Razones por las que el bot olvida información

• Límite de tokens: Cuando la conversación se alarga, los mensajes iniciales desaparecen de la ventana.
• Instrucciones implícitas: Si el usuario no vuelve a mencionar un detalle clave, el modelo puede no considerarlo relevante para la respuesta actual.
• Reformulación del tema: Cambiar de tema sin una transición clara puede llevar al modelo a enfocarse solo en la última parte del diálogo.
• Formato del mensaje: Uso excesivo de listas o código puede consumir más tokens, reduciendo la capacidad para almacenar contexto.

Estrategias para mantener la coherencia

Ni los usuarios ni los desarrolladores pueden eliminar la ventana de contexto, pero sí pueden gestionarla de forma inteligente:

• Resúmenes intermedios: Cada cierto número de turnos, pide al bot que haga un breve resumen de lo discutido y reutilízalo en los siguientes mensajes.
• Memoria externa: Algunas plataformas permiten guardar datos clave (por ejemplo, nombres, fechas) en una base de datos y reenviarlos cuando sea necesario.
• Repetir información esencial: Si el detalle es crucial, inclúyelo de nuevo en el mensaje actual.
• Dividir la conversación: En diálogos extensos, plantea sub‑temas en conversaciones separadas y vuelve a enlazarlos con un recordatorio breve.
• Formato conciso: Evita párrafos innecesariamente largos; utiliza viñetas o frases cortas para ahorrar tokens.

Un ejemplo práctico: estás planificando un viaje y has mencionado que prefieres hoteles boutique en Barcelona. Después de varios intercambios sobre vuelos, restaurantes y actividades, el bot ya no recuerda tu preferencia. Antes de preguntar por opciones de alojamiento, puedes decir: “Recuerda que quiero hoteles boutique en Barcelona” o incluir esa información en la misma pregunta.

Preguntas frecuentes

¿La ventana de contexto varía según el modelo?

Sí, cada arquitectura tiene su propio límite de tokens, pero el concepto básico de “memoria a corto plazo” es el mismo.

¿Puedo ampliar la ventana de contexto?

Los usuarios no pueden cambiar el límite interno del modelo; sin embargo, pueden usar técnicas como los resúmenes o la memoria externa para simular una ventana más grande.

¿Los chatbots nunca pueden recordar todo indefinidamente?

En la práctica, mantener todo el historial sin límites sería costoso y poco eficiente. Por eso se combina una ventana de contexto corta con mecanismos de almacenamiento a largo plazo cuando se necesita.

En conclusión, la ventana de contexto es la razón técnica detrás del “olvido” de los chatbots. Conocer su funcionamiento y aplicar pequeñas buenas prácticas permite que la interacción sea más fluida y que la IA siga el hilo de la conversación sin perder información clave.