ELIZA inteligencia artificial: por qué hablaba la gente

La gente hablaba con ELIZA porque sus respuestas podían parecer pertinentes y cercanas, aunque el programa no comprendía el significado de lo que le escribían. Aplicaba reglas para sostener una conversación aparente, y esa forma de responder podía llevar a algunas personas a atribuirle comprensión.

En resumen:

• ELIZA aplicaba reglas y patrones escritos por su creador; no aprendía de lo que le decía cada usuario.
• Las preguntas abiertas y la repetición de palabras podían invitar a quien conversaba a completar el sentido de respuestas previstas.
• Un chatbot basado en reglas puede responder a situaciones previstas, pero no resuelve por sí solo lo que queda fuera de esas reglas.
• Una respuesta convincente no demuestra que el sistema interprete la intención o el contexto; para evaluarlo, importa qué hace con la información, no solo cómo suena.

La diferencia entre conversar y ejecutar un proceso ayuda a valorar qué tareas puede asumir un agente de IA en una pyme. Explora las verticales de UTIO.

¿En qué se diferenciaba ELIZA de una máquina que aprende?

ELIZA aplicaba reglas escritas por su creador para reconocer ciertas estructuras y transformar frases; no aprendía de lo que le decía cada usuario. En cambio, un sistema de aprendizaje extrae regularidades de ejemplos durante su entrenamiento y ajusta su comportamiento a partir de ellos, aunque eso no significa que aprenda de cada conversación.

La diferencia está en cómo se obtiene la respuesta. En ELIZA, el comportamiento dependía de instrucciones previstas: si el texto encajaba con un patrón, el programa aplicaba la regla correspondiente. Si no encajaba, sus opciones eran limitadas.

Un sistema entrenado con ejemplos puede generalizar patrones que no se han escrito como una regla individual. Aun así, aprender patrones no equivale a comprender como una persona. Para valorar un agente en una pyme, importa comprobar si ejecuta el proceso previsto y cuándo debe pasar el caso a una persona. Quien quiera integrar capacidades de IA en un producto puede consultar la API de IA de UTIO.

¿Cómo generaba respuestas ELIZA sin comprender lo que decía?

ELIZA generaba respuestas al localizar palabras o estructuras reconocibles en el texto y aplicarles reglas de transformación: podía reutilizar partes de la frase o devolver una pregunta prevista, pero no comprobaba qué quería decir la persona ni si la respuesta encajaba con el contexto completo.

El mecanismo dependía de lo que sus reglas contemplaban. Si una frase coincidía con un patrón reconocido, el programa podía convertirla en otra estructura y responder. Eso le permitía mantener el intercambio mientras encontraba patrones que supiera tratar; no le permitía deducir una intención nueva ni resolver una contradicción por sí mismo.

La diferencia práctica está en lo que ocurre cuando la conversación se sale del guion. Una respuesta puede sonar adecuada porque repite o reformula palabras, sin que el programa haya comprobado su sentido. Al valorar un agente de WhatsApp, pregunta qué tarea realiza con cada mensaje y qué hace cuando no dispone de una regla o información suficiente. La fluidez, por sí sola, no demuestra comprensión.

¿Por qué algunas personas sintieron que ELIZA las entendía?

ELIZA podía parecer comprensiva porque respondía a ciertas frases con preguntas abiertas o retomaba palabras del usuario, recursos que daban continuidad al diálogo; esa impresión describe una posible reacción ante el estilo de respuesta, no demuestra que todas las personas la experimentaran ni que el programa entendiera lo que le contaban.

Una persona puede leer una pregunta abierta como interés y aportar por su cuenta el contexto que la respuesta no ha interpretado; repetir una palabra también puede hacer que el intercambio parezca conectado.

Eso explica una impresión posible, pero no permite afirmar que todos los usuarios se sintieran comprendidos ni convertir una anécdota en una reacción general. Sin una fuente histórica concreta, es más preciso describir el mecanismo que atribuir a un grupo una experiencia compartida.

Al evaluar un agente actual, separa el tono de la tarea: comprueba qué dato recoge y qué acción ejecuta. Los casos de clientes de UTIO cuentan, empresa por empresa, qué necesitaba, qué se montó y qué tarea hace hoy su agente.

¿Qué diferencia hay entre mantener una conversación y comprenderla?

Mantener una conversación consiste en producir respuestas que encajan con lo que alguien acaba de decir; comprenderla exige interpretar qué quiere, qué información aporta y qué consecuencias tendría responder o actuar. Por eso, una frase fluida no demuestra por sí sola que el programa haya entendido la intención ni el contexto.

Para valorar un agente, fíjate en qué hace cuando una petición es ambigua o le falta información. ¿Pide una aclaración? ¿Indica qué dato necesita? ¿Se detiene si no puede responder con seguridad? Estas señales permiten evaluar su comportamiento, en lugar de juzgar solo el tono de sus respuestas.

En atención al cliente, no basta con contestar una consulta: importa que la respuesta tenga en cuenta el proceso y los datos pertinentes. La vertical de soporte permite explorar un caso de uso concreto. Al evaluar cualquier agente, comprueba qué información consulta, qué acciones puede completar y cuándo debe dejar paso a una persona.

Preguntas frecuentes

¿Quién creó ELIZA?

ELIZA la creó Joseph Weizenbaum, profesor del MIT, que se había incorporado a la institución en 1963. La desarrolló entre 1964 y 1966, y el archivo digital del MIT conserva un listado completo de su código fuente, escrito en el lenguaje MAD-SLIP, con Weizenbaum como autor.

¿Qué era el guion DOCTOR de ELIZA?

DOCTOR era un guion de ELIZA. En su artículo de 1966, Weizenbaum explica que un guion es el conjunto de palabras clave y reglas de transformación para un tipo de conversación, y que los guiones de entonces respondían más o menos como un psicoterapeuta rogeriano. El listado de código que guarda el MIT lleva el guion DOCTOR al final.

¿ELIZA fue el primer chatbot?

Suele considerarse el primer chatbot, aunque no es una prioridad indiscutible: la necrológica de Weizenbaum que publicó el MIT lo describe como «quizá el primer ejemplo» de lo que hoy se llama un chatbot. Lo que sí está documentado es que lo creó en el MIT en los años sesenta, con reglas escritas y sin aprendizaje.

¿El efecto ELIZA significa que una máquina entiende a las personas?

No. El «efecto ELIZA» toma su nombre del programa de Weizenbaum y describe la tendencia de las personas a atribuir comprensión e inteligencia a un sistema informático por cómo conversa. Es una reacción de quien lo usa, no una capacidad de la máquina: que la respuesta suene fluida no demuestra que el programa haya entendido nada.

Explora qué tareas concretas puede ejecutar un agente de IA en una pyme.

Fuentes

• ELIZA wins Peabody Award — MIT CSAIL — 2022-03-24
• Computer conversations, 1965 — MIT Libraries
• ELIZA—A Computer Program For the Study of Natural Language Communication Between Man and Machine — Communications of the ACM — 1966-01-01
• Joseph Weizenbaum, professor emeritus of computer science, 85 — MIT News — 2008-03-10
• World’s first chatbot restored on the world’s first time-sharing system — UMBC — 2024-12-28
• The Limits of Computation: Joseph Weizenbaum and the ELIZA Chatbot — Weizenbaum Journal of the Digital Society — 2023-11-06
• ELIZA: A program for simulating understanding and intelligence — Weizenbaum-Institut
• Casos de clientes: agentes de IA en producción | UTIO — UTIO