---
title: "¿Qué es el procesamiento del lenguaje natural (NLP)?"
description: "El procesamiento del lenguaje natural (NLP) es el área de la IA que permite a las máquinas leer y escribir lenguaje humano. Cómo funciona y sus límites."
url: https://proxynet.io/es/blog/what-is-natural-language-processing
date: 2026-11-19
author: "Acar Diveroli"
category: "IA"
lang: es
---

# ¿Qué es el procesamiento del lenguaje natural (NLP)?

Una tienda online retrasa un lote de envíos y el lunes por la mañana su buzón de soporte acumula 3.000 correos nuevos. Nadie los lee todos. Primero los ordena un software: estos piden un reembolso, estos mencionan una caja dañada, estos están tan enfadados que pasan a un agente con más experiencia. El software nunca «lee» como una persona, pero convierte texto libre en etiquetas con las que un equipo puede trabajar. Eso es el procesamiento del lenguaje natural, o NLP.

Este artículo explica qué es el NLP, cómo pasó de las reglas escritas a mano a los modelos transformer, cómo un sistema convierte texto en significado, cuáles son sus tareas principales, en qué se diferencia de NLU, NLG y los modelos de lenguaje grandes, por qué el lenguaje es difícil para las máquinas y dónde lo usan las empresas.

> **Nota: Respuesta breve**
>
> El procesamiento del lenguaje natural (PLN, o NLP por sus siglas en inglés) es la rama de la inteligencia artificial y la informática que permite a las máquinas trabajar con el lenguaje humano, tanto escrito como hablado. Un sistema de NLP divide el texto en frases y palabras, convierte esas piezas en números y usa un modelo para encontrar el significado: el tema de un mensaje, los nombres que contiene, su tono o lo que quiere quien lo escribe. Ejemplos cotidianos son los filtros de spam, la traducción automática, los asistentes de voz y las herramientas que resumen documentos largos. El campo empezó con reglas escritas a mano en la década de 1950, pasó hacia 1990 a la estadística aprendida de grandes colecciones de texto y hoy lo dominan las redes neuronales, entre ellas los modelos de lenguaje grandes que hay detrás de los asistentes de chat actuales.

## ¿Qué es el procesamiento del lenguaje natural?

El procesamiento del lenguaje natural es el campo que enseña a las máquinas a analizar, comprender y generar lenguaje humano. «Natural» separa los idiomas que las personas hablan y escriben, como el español, el inglés o el turco, de los lenguajes formales creados para programar, como Python o SQL, que tienen reglas estrictas y ninguna ambigüedad.

El NLP está en el punto donde se cruzan la informática, la inteligencia artificial y la lingüística. La lingüística describe cómo se construye el lenguaje: palabras, gramática, significado y contexto. La informática y el aprendizaje automático aportan los métodos con los que un programa aprende esos patrones a partir de ejemplos, en lugar de recibir cada regla una por una.

La mayoría de las personas usan el NLP muchas veces al día sin llamarlo así. El teclado que sugiere la siguiente palabra, el botón de traducir bajo una publicación en otro idioma y el buscador que entiende «vuelos baratos a Roma en mayo» funcionan gracias a él.

## ¿Cómo se desarrolló el NLP?

El NLP ha pasado por cuatro grandes etapas: reglas escritas a mano, estadística aprendida del texto, redes neuronales y, desde 2017, modelos transformer preentrenados con enormes cantidades de texto.

**Reglas (de los años cincuenta a los ochenta).** En enero de 1954, IBM y la Universidad de Georgetown hicieron una demostración pública de un sistema que traducía frases del ruso al inglés. Según la [historia del experimento Georgetown-IBM de W. John Hutchins](https://aclanthology.org/2004.amta-papers.12/), funcionaba con solo 250 palabras y seis reglas gramaticales, y aun así despertó la esperanza de que la traducción automática de calidad estaba a pocos años. En 1966, Joseph Weizenbaum describió ELIZA, un programa del MIT que analizaba frases con reglas de descomposición activadas por palabras clave y construía sus respuestas con las reglas de recomposición correspondientes. Estos sistemas eran tan buenos como sus reglas, y cada nueva forma de decir algo necesitaba otra más.

**Estadística (de finales de los ochenta a los años 2000).** En lugar de escribir reglas, los investigadores dejaron que los programas contaran patrones en grandes colecciones de texto. Un equipo del T.J. Watson Research Center de IBM publicó en 1993 [cinco modelos estadísticos de traducción](https://aclanthology.org/J93-2003/), aprendidos de pares de frases en francés e inglés tomados de las actas del Parlamento de Canadá. Los autores señalaron que sus algoritmos tenían un contenido lingüístico mínimo: el conocimiento venía de los datos, no de los libros de gramática.

**Redes neuronales (década de 2010).** En 2013, Tomas Mikolov y sus colegas de Google describieron word2vec, una forma rápida de convertir cada palabra en una lista de números aprendida de colecciones de texto muy grandes, de modo que las palabras que se usan de forma parecida quedan cerca unas de otras. En los años siguientes, las redes neuronales basadas en vectores de palabras se convirtieron en el enfoque estándar para traducción, etiquetado y clasificación.

**Transformers (desde 2017).** La arquitectura transformer, presentada en el artículo [Attention Is All You Need](https://arxiv.org/abs/1706.03762) y probada primero en traducción, abandona la lectura paso a paso de las redes neuronales anteriores y permite que cada palabra mire a todas las demás a la vez.

En 2018, investigadores de Google publicaron [BERT](https://arxiv.org/abs/1810.04805), un transformer preentrenado con texto sin etiquetar y luego ajustado con una sola capa de salida adicional, que fijó nuevos mejores resultados en once tareas de NLP. Los modelos de lenguaje grandes actuales surgieron de esa misma arquitectura.

## ¿Cómo funciona el NLP?

Un sistema de NLP convierte el texto en bruto, paso a paso, en números con los que un modelo puede trabajar y después usa un modelo para producir una etiqueta, una estructura o texto nuevo. La cadena de procesamiento (pipeline) clásica es así:

1. **Limpiar y segmentar.** Se quitan las marcas de formato y el texto se divide en frases y palabras. Parece trivial y no lo es: un punto puede cerrar una frase, terminar una abreviatura o estar dentro de un número.
1. **Tokenizar.** El texto se corta en tokens, las unidades que lee el modelo. Los sistemas antiguos usaban palabras completas; los modelos modernos usan trozos de palabras para poder representar también una palabra rara o nueva. [¿Qué son los tokens en IA?](/es/blog/what-are-tokens-in-ai) muestra cómo funciona esa división.
1. **Normalizar.** Las distintas formas de una palabra se reducen a una: «corrió», «corre» y «corriendo» pasan al lema «correr», la forma que buscarías en un diccionario.
1. **Etiquetar.** El etiquetado gramatical (part-of-speech tagging) marca cada palabra como sustantivo, verbo, adjetivo, etc., y así distingue «Ana vino tarde» (verbo) de «una copa de vino» (sustantivo).
1. **Analizar la sintaxis.** El análisis de dependencias (dependency parsing) averigua cómo se relacionan las palabras: quién hizo qué a quién. En «el repartidor dejó el paquete a un vecino», el análisis une «dejó» con su sujeto «repartidor» y su objeto «paquete».
1. **Representar como vectores.** Cada palabra, frase o documento se convierte en un embedding, una larga lista de números que lo sitúa en un espacio donde los significados parecidos quedan cerca.
1. **Ejecutar el modelo de la tarea.** Un clasificador, un etiquetador de secuencias o un generador de texto usa esos vectores para producir el resultado: una categoría, un conjunto de nombres etiquetados, una traducción o un resumen.

Los modelos transformer modernos reúnen la mayoría de estos pasos en una sola red que aprende por dentro el etiquetado, la estructura y el significado. Aun así, conviene conocer la cadena, porque cuando un sistema de NLP falla, la causa suele estar en uno de los primeros pasos.

En nuestra máquina de pruebas ejecutamos el segmentador de frases integrado en Node.js (`Intl.Segmenter`, que usa la biblioteca ICU) sobre la frase en inglés `Dr. Smith ordered 2.5 kg at 9 a.m. It arrived late.` Trató bien «2.5» y «a.m.», pero devolvió tres frases en lugar de dos, porque separó «Dr.» como una frase propia. Errores pequeños como este avanzan por la cadena y acaban convertidos en etiquetas equivocadas.

## ¿Cuáles son las principales tareas del NLP?

Casi todo el trabajo de NLP cabe en unas pocas tareas, y cada una responde a una pregunta distinta sobre un texto. Tomemos un único mensaje de un cliente: «El pedido 4417 a Lyon llegó con tres días de retraso y la caja estaba aplastada, quiero que me devuelvan el dinero».

- **La clasificación de textos** asigna el mensaje completo a una categoría: queja de entrega. El filtrado de spam y la clasificación por temas son la misma tarea.
- **El análisis de sentimiento** decide si el tono es positivo, neutro o negativo: aquí, claramente negativo. [Análisis de sentimiento en Python](/es/blog/sentiment-analysis-python) compara dos maneras de puntuar reseñas de productos.
- **El reconocimiento de entidades nombradas (NER)** encuentra y etiqueta nombres en el texto: «Lyon» como lugar, «4417» como número de pedido, «tres días» como duración.
- **La detección de intención** averigua qué quiere quien escribe: un reembolso. Los chatbots y los asistentes de voz dependen de ella.
- **La extracción de información** rellena un registro estructurado a partir de texto libre, con el número de pedido, el tipo de problema y la acción solicitada, listo para una base de datos.
- **La traducción automática** pasa el mensaje a otro idioma para un equipo de soporte en otro país.
- **El resumen automático** acorta un texto largo, ya sea eligiendo las frases clave (extractivo) o escribiendo una versión nueva y más corta (abstractivo).
- **La respuesta a preguntas** encuentra o redacta la respuesta a una pregunta a partir de un documento o una base de conocimiento.

La voz añade dos tareas más en los extremos: el reconocimiento de voz convierte las palabras habladas en texto antes de que empiece el NLP, y la síntesis de voz (text-to-speech) vuelve a convertir el resultado en una voz.

## ¿Qué diferencia hay entre NLP, NLU, NLG y un LLM?

El NLP es todo el campo; la comprensión del lenguaje natural (NLU) es la parte que averigua el significado, la generación de lenguaje natural (NLG) es la parte que escribe texto, y un modelo de lenguaje grande (LLM) es un tipo de modelo capaz de hacer ambas cosas.

| Término | Qué abarca | Ejemplo de salida |
|---|---|---|
| NLP | Todo el campo de las máquinas y el lenguaje | Cada tarea de este artículo |
| NLU | Leer: significado, intención, entidades | «Intención: reembolso, pedido 4417» |
| NLG | Escribir: texto a partir de datos o de un prompt | «Tu reembolso ya está tramitado». |
| LLM | Un tipo de modelo que hace ambas cosas | Una respuesta completa redactada |

NLU y NLG son dos direcciones del mismo trabajo: un bot de soporte usa NLU para leer el mensaje y NLG para escribir la respuesta.

## ¿Un LLM es lo mismo que el NLP?

No: un LLM es una herramienta dentro del NLP, no un sustituto del campo. Un modelo de lenguaje grande es una red neuronal entrenada con una cantidad muy grande de texto para predecir el siguiente token, y esa única habilidad le permite clasificar, traducir, resumir y responder preguntas cuando describes la tarea en un prompt. [¿Qué es un LLM?](/es/blog/what-is-a-large-language-model) explica cómo se construyen y entrenan estos modelos.

Muchas tareas que antes necesitaban un modelo propio ahora se resuelven pidiéndoselo a un LLM en lenguaje corriente. Los modelos más pequeños y específicos siguen teniendo su sitio: un clasificador compacto entrenado con tus propios correos etiquetados cuesta menos por mensaje, da la misma etiqueta para la misma entrada cada vez y puede funcionar en tus propios servidores, algo que importa con grandes volúmenes o con datos personales.

## ¿Por qué el lenguaje humano es difícil para los ordenadores?

El lenguaje humano es difícil porque las mismas palabras pueden significar cosas distintas, y el significado depende a menudo del contexto, del tono y de conocimientos que el texto nunca menciona.

- **Ambigüedad.** «Compré una vela» puede referirse a una vela de cera o a la de un barco; «Vi al hombre con el telescopio» deja abierto quién tiene el telescopio. Las personas lo resuelven por el contexto sin darse cuenta; un modelo tiene que aprenderlo.
- **Sarcasmo y tono.** «Genial, otra entrega con retraso» usa una palabra positiva para quejarse. Los modelos de sentimiento sencillos, que cuentan palabras positivas y negativas, se equivocan aquí.
- **Lenguaje de cada sector.** «Positivo» es una buena noticia en una reseña y una mala en el resultado de una prueba médica. Un modelo entrenado con noticias tropieza con contratos, notas médicas o jerga de redes sociales.
- **Idiomas con menos recursos.** Los modelos aprenden del texto que tienen a su alcance, por eso suelen ser más débiles en idiomas con menos texto digital que el inglés. Los idiomas que forman palabras largas con sufijos añaden otra capa: la palabra turca «evlerinizden» (de sus casas) reúne una raíz y tres sufijos en una sola palabra, donde el español necesita tres.
- **Sesgos.** Los modelos aprenden de textos escritos por personas, con sus estereotipos incluidos, y pueden repetirlos en sus etiquetas o respuestas.
- **Ortografía y mezcla de idiomas.** Las erratas, los emojis y los mensajes que cambian de idioma a mitad de frase son entradas de todos los días y siguen confundiendo a los modelos.

## ¿Dónde se usa el NLP?

El NLP se usa allí donde una organización tiene más texto del que pueden leer sus personas. Los equipos de atención al cliente reparten tickets y marcan los mensajes urgentes. Los equipos de comercio electrónico analizan reseñas en busca de quejas repetidas y hacen que el buscador de la web entienda preguntas en lugar de palabras clave exactas.

Los equipos legales buscan cláusulas concretas en contratos, los hospitales convierten las notas libres de los médicos en registros estructurados, los equipos financieros siguen las noticias que mencionan a una empresa y los reclutadores desglosan ofertas de empleo en campos comparables. Fuera de la empresa, el NLP está detrás de los subtítulos en directo, las aplicaciones de traducción y los asistentes de voz.

## ¿Qué papel tienen los proxies en los proyectos de NLP?

Los proxies importan cuando un proyecto de NLP necesita texto web público tal como aparece en un país concreto. Las reseñas, la cobertura informativa, las ofertas de empleo y las descripciones de productos cambian entre mercados e idiomas, y un sitio a menudo muestra una versión local distinta según desde dónde se conecte el visitante.

Con los [Proxies residenciales](https://proxynet.io/es/residential-proxy), cada petición sale por una conexión doméstica del país y la ciudad que elijas, de modo que un equipo que analiza el sentimiento de reseñas alemanas o la redacción de ofertas de empleo en Brasil recopila las mismas páginas públicas que ve un visitante local.

Nuestra página de [investigación de mercado](/es/market-research) explica cómo los equipos usan proxies para ver precios, promociones y surtidos tal como los ven los compradores de un mercado objetivo.

Para trabajos de recopilación más grandes, nuestra página de [soluciones de extracción de datos](/es/data-scraping) describe los pools de proxies pensados para ellos, y nuestro equipo de ventas puede hablar contigo sobre la extracción gestionada de páginas. Elijas la vía que elijas, recopila solo páginas públicas, respeta robots.txt y las condiciones de cada sitio, mantén bajo el ritmo de peticiones, usa una API oficial cuando exista y deja fuera los datos personales que el análisis no necesita.

## Errores frecuentes

- **Empezar por un modelo en lugar de por una pregunta.** Decide qué etiqueta o qué respuesta necesitas del texto antes de elegir un método.
- **Saltarse la evaluación con tus propios datos.** Un modelo con buenas puntuaciones en benchmarks públicos puede etiquetar mal la forma de escribir de tus clientes; etiqueta unos cientos de ejemplos propios y pruébalo con ellos.
- **Dar por hecho que los resultados en inglés se trasladan.** Comprueba la calidad por separado en cada idioma que proceses.
- **Ignorar los primeros pasos de la cadena.** Una codificación rota, restos de HTML y una mala división en frases causan muchos supuestos errores «del modelo».
- **Usar un LLM para todo.** Para una clasificación fija y de gran volumen, un modelo pequeño entrenado suele ser más barato y más constante.
- **Meter datos personales en herramientas de terceros sin revisar sus condiciones.** Los nombres, correos y datos de pedidos que aparecen en un texto son datos personales según normas como el RGPD; elimina lo que la tarea no necesite.

## Guía de decisión

| Necesidad | Qué usar |
|---|---|
| Clasificar grandes volúmenes de texto en etiquetas fijas | Un clasificador de textos entrenado |
| Encontrar nombres, lugares, fechas y números de pedido | Reconocimiento de entidades nombradas |
| Medir el tono de reseñas o publicaciones | Análisis de sentimiento, comprobado con tus datos |
| Redactar respuestas, resúmenes o traducciones | Un LLM, con una persona revisando el resultado |
| Respuestas a partir de tus propios documentos | Búsqueda en esos documentos más un LLM |
| Texto que debe quedarse en tus servidores | Un modelo abierto alojado por ti |
| Texto web local de varios países | Páginas públicas recopiladas con proxies locales |

## Preguntas frecuentes

### ¿Qué es un ejemplo de procesamiento del lenguaje natural?

Un filtro de spam es uno de los ejemplos más habituales: lee cada correo entrante y decide por su redacción si es spam. Otros son la traducción automática, los asistentes de voz que convierten lo que dices en órdenes, el autocompletado del teclado del teléfono y los chatbots que responden preguntas de clientes.

### ¿ChatGPT es un ejemplo de NLP?

Sí: ChatGPT es una aplicación de NLP construida sobre modelos de lenguaje grandes, que son un tipo de modelo de NLP. Usa la comprensión del lenguaje para leer tu prompt y la generación de lenguaje para escribir la respuesta, las dos mitades del NLP descritas más arriba.

### ¿Qué diferencia hay entre el NLP y el aprendizaje automático?

El aprendizaje automático es un método general para aprender patrones a partir de datos, y el NLP es un campo que lo aplica, junto con otros métodos, al lenguaje humano. El aprendizaje automático también se usa en el reconocimiento de imágenes, la detección de fraude y las recomendaciones, que no tienen nada que ver con el lenguaje, mientras que el NLP de los primeros tiempos usaba reglas escritas a mano sin ningún aprendizaje automático.

### ¿Qué significa NLP en psicología?

En psicología y coaching, NLP son las siglas en inglés de la programación neurolingüística (PNL), un método de comunicación y autoayuda que no tiene nada que ver con la informática. En IA, ciencia de datos y software, NLP siempre significa procesamiento del lenguaje natural.

### ¿Qué lenguaje de programación se usa para NLP?

Python es la opción habitual, porque bibliotecas de NLP muy utilizadas como NLTK, spaCy y Hugging Face Transformers están escritas para él. Muchos equipos también llaman a un LLM mediante una API desde el lenguaje que ya usa su aplicación.

### ¿El NLP funciona en idiomas distintos del inglés?

Sí, pero la calidad cambia según el idioma. Los modelos suelen rendir mejor en inglés y en otros idiomas con mucho texto digital, y peor en idiomas con menos datos de entrenamiento o con una estructura de palabras compleja, así que prueba cualquier modelo con texto real en cada idioma que necesites.

## En resumen

El procesamiento del lenguaje natural es el campo que permite a las máquinas leer, comprender y escribir lenguaje humano. Pasó de las reglas escritas a mano en los años cincuenta a la estadística hacia 1990, después a las redes neuronales y, desde 2017, a los transformers y a los modelos de lenguaje grandes construidos sobre ellos. Un sistema divide el texto en frases y tokens, los representa como números y ejecuta un modelo para una tarea como la clasificación, el reconocimiento de entidades o la traducción. El lenguaje sigue siendo difícil por la ambigüedad, el sarcasmo y el reparto desigual de datos entre idiomas, así que prueba cualquier sistema de NLP con tu propio texto y elige la herramienta según la tarea: un modelo pequeño para etiquetas en gran volumen y un LLM para redactar y para preguntas abiertas.
