Por qué la IA no cuenta las erres de strawberry
Por Chatday Editorial Team ·
Pídele a un chatbot que te organice la boda y lo clava. Pregúntale cuántas veces aparece la letra R en «strawberry» y hay muchas probabilidades de que diga dos. La respuesta real es tres. Esta es una de las cosas más raras de la IA moderna: la misma herramienta que te explica física cuántica tropieza con una tarea que un niño de seis años resuelve con un lápiz.
No es un fallo, y la IA no es tonta. Es un efecto secundario de cómo leen estos sistemas de entrada, y cuando lo entiendes, muchos de los pequeños fallos raros de la IA cobran sentido de golpe.
El famoso fallo de «strawberry», explicado
«¿Cuántas erres hay en strawberry?» se convirtió en la forma favorita de internet para dejar en ridículo a la IA. Y durante un tiempo, casi todos los chatbots lo hacían mal, respondiendo «dos» con la alegre seguridad de quien no se ha equivocado en su vida.
Deletréalo tú mismo: s-t-r-a-w-b-e-r-r-y. Hay una erre cerca del principio y una erre doble cerca del final. Tres en total. Fácil para una persona, porque miramos las letras de verdad. La IA no puede hacer eso, y para ver por qué, hay que fijarse en cómo lee.
La IA lee por trozos, no por letras
Esta es la parte que casi nadie conoce. Antes de que un modelo de IA lea tu mensaje, el texto se parte en piezas llamadas tokens. Un token suele ser una palabra común o un fragmento de una. La palabra «strawberry» a menudo se parte en algo como «st», «raw» y «berry».
Ahora cuenta las erres como las cuenta el modelo. El trozo «st» no tiene ninguna. «raw» tiene una. «berry» tiene dos erres, pero el modelo lo ve como un único bloque, no como b-e-r-r-y. Así que las letras quedan enterradas dentro de los trozos, y el modelo tiene que recordar más o menos cómo se escribe cada trozo en vez de leerlo sobre la marcha.
Un investigador lo explicó de maravilla: es como intentar contar los hilos de una cuerda sin destrenzarla primero. El modelo ve la cuerda trenzada (el token), no los hilos sueltos (las letras).
Por qué el mismo detalle rompe las cuentas sencillas
Por eso mismo la IA puede escribir un ensayo de filosofía sin despeinarse y en cambio tropezar con una multiplicación de cuatro cifras. Los números también se parten en trozos, y ni siquiera de forma coherente. El número 12345 puede convertirse en «123» y «45», así que el modelo nunca alinea bien los dígitos como harías tú en un papel.
Además, la IA no está calculando. Está prediciendo lo más probable que decir a partir de todo lo que ha leído. Eso funciona de maravilla con el lenguaje, donde «casi bien» vale, y fatal con la aritmética, donde la respuesta o es exacta o está mal. El modelo está hecho para la probabilidad, y las mates quieren precisión. Esas dos cosas no siempre se llevan bien. Es primo hermano de la razón por la que la IA inventa cosas con total seguridad: una respuesta fluida y verosímil no es lo mismo que una correcta.
Entonces, ¿por qué algunos modelos ya lo aciertan?
Aquí viene el giro. Hoy, si le preguntas por strawberry a la mayoría de chatbots, dirán tres. La pregunta se hizo tan famosa que la respuesta correcta ya está grabada en lo que aprendieron. Los modelos no ganaron de repente visión para las letras. Se aprendieron el chiste de memoria.
Cambia la palabra y se cae la careta. En una prueba cuidadosa de 2025, unos investigadores preguntaron cuántas bes hay en «blueberry». Un chatbot popular lo falló más o menos cuatro de cada diez veces, afirmando con seguridad que había tres cuando hay dos, con sus marcas de verificación al lado y todo. Otro modelo lo acertó siempre, yendo con paciencia letra por letra. La misma tarea, resultados muy distintos, lo que te dice que esto es menos una ley férrea de la IA y más una cuestión de si un modelo concreto se molesta en frenar y comprobar.
Esa es la versión honesta de la historia. El problema de los trozos es real, pero no es todo. Incluso una IA que muestra su razonamiento puede contar mal, porque va reconociendo patrones a lo largo de los pasos en lugar de percibir de verdad cada letra. Los modelos «pensantes» más nuevos se dan mucha mejor maña con esto que los rápidos, un buen ejemplo de IA rápida frente a IA lista en acción. Pero mejor no es lo mismo que garantizado.
En qué es buenísima la IA y qué conviene revisar
No hace falta que te aprendas la fontanería. Solo necesitas intuición de dónde la IA va sobrada y dónde conviene hacerle enseñar el trabajo.
| Tarea | Qué tal lo hace la IA | Qué hacer |
|---|---|---|
| Escribir, resumir, generar ideas | Excelente | Confía y luego repasa por encima |
| Explicar un concepto en palabras sencillas | Excelente | Confía |
| Contar letras o caracteres | Flojo | Pídele que lo deletree |
| Aritmética larga o exacta | Flojo | Pídele paso a paso, o usa una calculadora |
| Detalles precisos en un documento largo | Regular | Pídele que cite la línea original |
El patrón es sencillo. Cuando el trabajo es lenguaje, déjala fluir. Cuando el trabajo pide exactitud, frénala o cambia a un modelo que tenga cuidado.
Cómo conseguir de verdad la respuesta correcta
Tres movimientos arreglan casi todos los fallos de conteo o de cuentas:
- Haz que enseñe el trabajo. «Ve letra por letra» o «resuélvelo paso a paso» empuja al modelo a ponerlo todo por escrito donde puede verlo, en vez de soltar una respuesta a bote pronto.
- Pregunta dos veces, o pregunta a dos modelos. Si la exactitud importa, no te fíes de la primera respuesta rápida. Una segunda opinión de un modelo distinto pilla un montón de estos fallos.
- Usa el modelo adecuado para cada cosa. Los modelos rápidos y parlanchines están hechos para la velocidad. Para cualquier cosa delicada y exacta, un modelo pensante más lento merece los pocos segundos de más.
Eso último es más fácil cuando no estás atado a una sola IA. Puedes poner unos cuantos de los mejores modelos ante la misma pregunta y ver quién acierta de verdad.
En resumen
El fallo de la IA al contar letras no es señal de que sea tonta en secreto. Es una ventana a cómo funcionan de verdad estas herramientas: leen por trozos, predicen en vez de calcular, geniales con el lenguaje y torpes con lo literal. Cuando sabes eso, dejas de sorprenderte y empiezas a llevar tú el timón. Pídele que vaya despacio, haz que enseñe el trabajo y, cuando la respuesta tenga que estar bien de verdad, que opine un segundo modelo.
La mejor forma de coger ese instinto es trastear tú mismo. Pídele a un modelo que cuente las erres, y luego pídele que primero deletree la palabra y mira cómo cambia la respuesta.