El efecto Eliza es la tendencia de las personas a atribuir comprensión, empatía o intenciones a un programa informático que solo procesa texto siguiendo patrones. El nombre viene de ELIZA, un chatbot escrito en el MIT en 1966 por el informático Joseph Weizenbaum. No entendía nada de lo que se le decía y aun así muchos usuarios salían convencidos de haber mantenido una conversación significativa con la máquina.
Sesenta años después el fenómeno sigue vivo y se ha vuelto, si cabe, más relevante. Los modelos de lenguaje grandes (LLM) actuales como GPT-5.5, Claude o Gemini producen respuestas mucho más fluidas que aquel programa de los sesenta, y eso facilita que usuarios y empresas confundan la fluidez verbal con razonamiento real.
Qué fue ELIZA y cómo funcionaba
ELIZA se desarrolló entre 1964 y 1966 en el laboratorio de inteligencia artificial del MIT. Estaba escrita en un lenguaje llamado MAD-SLIP y, más tarde, portada a LISP. La técnica era sencilla: el programa identificaba palabras clave en la frase del usuario, las reordenaba con plantillas y devolvía una respuesta que normalmente acababa en pregunta. No tenía memoria a largo plazo, ni modelo del mundo, ni nada parecido a una representación del significado.
El script más conocido se llamaba DOCTOR e imitaba a un psicoterapeuta de corriente rogeriana, ese estilo que devuelve la pregunta al paciente. Si alguien escribía «mi madre me ignora», el programa respondía algo como «cuéntame más sobre tu familia». La elección no fue casual: el formato terapéutico rogeriano es uno de los pocos en los que repreguntar de forma genérica resulta verosímil sin necesidad de comprender nada.
La sorpresa de Weizenbaum y por qué le preocupó tanto
Weizenbaum esperaba que su programa sirviera como demostración, casi como una broma técnica sobre los límites del procesamiento del lenguaje. Lo que no esperaba era ver a personas tratarlo como un confidente. La anécdota más citada es la de su propia secretaria, que llegó a pedirle que saliera de la sala para poder «hablar» con ELIZA en privado. Hubo psiquiatras que llegaron a especular en publicaciones de la época con utilizar variantes del programa para tratar a pacientes reales.
Esa reacción colectiva empujó a Weizenbaum a escribir Computer Power and Human Reason (1976), un ensayo crítico contra la idea de delegar decisiones humanas en sistemas que no entienden el contexto. El libro sigue siendo lectura obligatoria en muchos cursos de ética computacional precisamente porque anticipó debates que ahora vivimos con los grandes asistentes conversacionales.
Por qué seguimos cayendo con los LLM modernos
El efecto Eliza no es un fallo del programa, es un atajo cognitivo de quien lo usa. El cerebro humano está entrenado para detectar agencia, intención y mente en cualquier interlocutor que devuelva frases coherentes. Daba igual con ELIZA en 1966 y da igual con GPT-5.5 en 2026: si la respuesta encaja con la pregunta, el sesgo de atribución se dispara solo.
Hay tres factores que lo amplifican en los LLM actuales:
- Fluidez verbal mucho mayor: la salida ya no son plantillas; son frases con buen registro, ortografía limpia y memoria de turno corto.
- Tono empático por diseño: muchos chatbots están afinados con RLHF (refuerzo a partir de feedback humano) para sonar comprensivos. Eso refuerza la sensación de interlocutor real.
- Respuestas siempre afirmativas: si el modelo nunca lleva la contraria, el usuario percibe acuerdo donde solo hay un patrón estadístico, un fenómeno que ya tiene su propio análisis en la investigación reciente sobre sycophancy.
Riesgos prácticos en 2026
El efecto Eliza dejó de ser una curiosidad académica el día que cualquier persona pudo descargar un asistente conversacional en el móvil. Estos son los frentes donde más impacta:
- Apoyo emocional informal: usuarios que cuentan al chatbot crisis de pareja, ansiedad o duelo. El modelo responde con tono cálido, pero no detecta riesgo clínico ni puede derivar a un profesional.
- Decisiones financieras o legales: pedir consejo a una IA generalista sobre una hipoteca o un despido se ve cada vez más. El modelo suena seguro aunque su base venga de foros sin contraste.
- Confidencias y privacidad: lo que se comparte con un chatbot acaba en logs, en datos de entrenamiento o en perfiles personales, como recoge el análisis sobre la memoria de ChatGPT.
- Vínculos con personajes simulados: avatares, deadbots y compañeros virtuales tensionan los límites éticos. La cuestión legal está abierta, como explica el debate sobre deadbots y la EU AI Act en Revista Cloud.
Cómo identificar y mitigar el efecto Eliza
No es cuestión de no usar chatbots, es cuestión de saber qué se está usando. Algunos hábitos que ayudan:
- Comprobar siempre fuentes externas cuando el modelo afirma datos, fechas o cifras concretas.
- Recordar que la respuesta «entendida» no implica comprensión: el sistema predice tokens, no significados.
- Evitar compartir información sensible, identificadores fiscales, datos médicos o conversaciones íntimas reales.
- Diferenciar entre asistentes generalistas y herramientas especializadas con verificación humana detrás (clínicas, jurídicas, financieras).
- Para uso empresarial, aplicar capas de control: filtros de PII, registros de prompt, políticas claras de retención.
El efecto Eliza no se va a curar con una versión nueva del modelo. Cuanto más natural suene la IA conversacional, más necesario será mantener la distancia crítica que ya pedía Weizenbaum hace medio siglo.
Preguntas frecuentes
¿Quién creó ELIZA y en qué año?
El informático Joseph Weizenbaum, en el MIT, entre 1964 y 1966. Su artículo de presentación apareció en Communications of the ACM en enero de 1966.
¿Por qué se llama efecto Eliza y no efecto chatbot?
Porque ELIZA fue el primer caso documentado a gran escala en el que personas adultas atribuyeron comprensión a un programa que solo aplicaba reglas sintácticas. El término se popularizó después en literatura académica, sobre todo a partir de los trabajos de Sherry Turkle en el MIT.
¿Los LLM como GPT-5.5 o Claude entienden de verdad lo que dicen?
No en el sentido humano. Generan la siguiente palabra más probable a partir de patrones aprendidos en miles de millones de tokens. Su salida puede ser útil y precisa, pero no implica conciencia ni comprensión semántica como la de una persona.
¿Es peligroso usar un chatbot como apoyo emocional?
Para desahogarse de forma puntual no tiene por qué serlo. El problema aparece cuando sustituye a un profesional en cuadros que requieren diagnóstico, medicación o intervención en crisis. Un LLM no puede valorar riesgo suicida ni hacer seguimiento clínico.
¿Cómo se evita caer en el efecto Eliza dentro de una empresa?
Combinando formación a usuarios (qué hace y qué no hace el modelo), límites técnicos (filtros de datos personales, controles de salida) y procesos de revisión humana cuando las respuestas alimentan decisiones operativas, contratos o atención a clientes.
