ISSN impreso: 1390-3837 / ISSN electrónico: 1390-8634, UPS-Ecuador, No. 41, marzo-agosto 2025, pp. 167-192.

https://doi.org/10.17163/uni.n42.2025.07

Análisis sistemático sobre la eciencia

comunicativa entre chatbots basados en reglas

y modelos de lenguaje natural

Systematic analysis of communicative eciency

between rule-based chatbots and natural language models

Mao Garzón-Quiroz

mgarzon@humane.edu.ec

https://orcid.org/0000-0001-8339-1091

Humane tecnológico universitario de negocios / Universidad Ecotec, Ecuador

https://ror.org/04pe1sa24

Guillermo Del Campo-Saltos

gdsaltos@unemi.edu.ec

https://orcid.org/0000-0003-0120-9802

Universidad Estatal de Milagro, Ecuador

https://ror.org/00gd7ns03

Beatriz Loor-Ávila

beatrizloor@uees.edu.ec

https://orcid.org/0000-0002-1156-8940

Universidad de Especialidades Espíritu Santo, Ecuador

https://ror.org/00b210x50

Recibido: 25/07/2024 Revisado: 24/09/2024 Aceptado: 05/11/2024 Publicado: 01/03/2025

Cómo citar: Garzón-Quiroz, M., Del Campo-Saltos, G. y Loor-Ávila, B. (2025). Análisis sistemáti-

co sobre la eciencia comunicativa entre chatbots basados en reglas

y modelos de lenguaje natural. Universitas XX1, 42, pp. 167-192.

https://doi.org/10.17163/uni.n42.2025.07

168

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

Resumen

El estudio se fundamentó en una revisión sistemática de la literatura sobre las eciencias comunicativas

de los chatbots basados en reglas y aquellos basados en modelos de lenguaje natural con inteligencia

articial. Se analizaron 175 documentos como base para esta revisión. También se incluyó una breve

historia del primer chatbot registrado, denominado ELIZA en 1966, que dio paso al desarrollo de los

chatbots basados en reglas. Además, se profundizó en los argumentos que sostienen las notables dife-

rencias entre los chatbots basados en reglas y los basados en modelos de lenguaje. En ese sentido, se

revelaron diferencias signicativas entre ambos tipos. Los sistemas basados en reglas son herramientas

simples y económicas, óptimas para tareas repetitivas y estructuradas, pero limitadas para manejar in-

teracciones complejas. Mientras que los asistentes impulsados por modelos de lenguaje natural ofrecen

interacciones más adaptativas y personalizadas, aunque requieren una inversión signicativa en datos y

desarrollo. De acuerdo al estudio, la elección entre ambos enfoques depende del contexto de aplicación,

los recursos disponibles y las necesidades especícas de la organización. Además, los resultados eviden-

cian la evolución de los asistentes conversacionales y su impacto en diversos sectores, en ese sentido, los

resultados permiten explorar cómo las tendencias tecnológicas emergentes, como los modelos avanzados

de procesamiento de lenguaje natural, pueden ampliar la eciencia y la aplicabilidad de estos sistemas,

enfrentando a la vez desafíos éticos y técnicos asociados con su implementación en diversas industrias.

Palabras clave

Chatbots, procesamiento del lenguaje natural, comunicación, inteligencia articial, PLN.

Abstract

The study was grounded in a systematic literature review on the communicative efciencies of rule-based

conversational agents and those powered by natural language models with articial intelligence. A total

of 175 documents were analyzed as the basis for this review. Additionally, a historical analysis of the

rst recorded conversational agent, ELIZA, developed in 1966, was included, highlighting its pivotal

role in the emergence of rule-based systems. The study also delved into the arguments underpinning the

signicant differences between rule-based conversational agents and those leveraging natural language

models. These differences revealed that rule-based systems are simple and cost-effective tools, ideal for

repetitive and structured tasks, yet constrained in managing complex interactions. Conversely, agents

ring substantial investment in data and development.

According to the ndings, the choice between these approaches depends on the application context,

available resources, and the specic needs of the organization. Furthermore, the research underscored

the evolution of conversational agents and their transformative impact across various sectors. In this

regard, the results open pathways to explore how emerging technological trends, such as advanced natu-

ral language processing models, can enhance the efciency and applicability of these systems while ad-

dressing the ethical and technical challenges associated with their implementation in diverse industries.

Keywords

Chatbots, natural language processing, communication, articial intelligence, NLP.

169

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

Introducción

Los chatbots o también conocidos como asistentes virtuales, han evolu-

cionado signicativamente desde sus inicios, pasando de simples programas

basados en reglas a sosticados sistemas impulsados por modelos de lenguaje

natural. Esta evolución ha sido impulsada por avances en inteligencia arti-

cial (IA) y procesamiento del lenguaje natural (PLN), lo que ha permitido a

los asistentes conversacionales interactuar de manera más efectiva y natural

con los usuarios (Joulin, 2017).

El tamaño del mercado de los asistentes virtuales está creciendo rápida-

mente, pasando de $250 millones en 2017 a más de $1.34 mil millones en

2024 (MarketsandMarkets, 2020). Más del 21 % de los adultos en Estados

Unidos y más del 80 % de la Generación Z utilizan bots de voz/texto para la

búsqueda de información y compras (Pew Research Center, 2022). Muchas

marcas, como American Eagle Outtters y Domino’s Pizza, han implemen-

tado chatbots para tomar pedidos o recomendar productos, y plataformas

principales como Amazon, eBay, Facebook y WeChat han adoptado chatbots

para el comercio conversacional (Luo et al., 2019).

Con la incursión de ChatGPT lanzado por OpenAI en noviembre de 2022,

el tamaño del mercado de usuarios de agentes conversacionales se disparó.

Según datos de Silverio (2024), en noviembre de 2023, el número de usuarios

de ChatGPT era de 180.5 millones a nivel global, y el número de visitantes

a su página alcanzó 1626 millones en febrero de 2024.

Este estudio presenta una revisión sistemática de literatura sobre los

fundamentos y la eciencia comunicativa de los asistentes conversacionales

basados en reglas predenidas y aquellos diseñados mediante modelos de

lenguaje natural con IA. La revisión se sustentó en el análisis de 175 docu-

mentos académicos y consideró, además, una perspectiva histórica al incluir

a ELIZA, el primer sistema registrado en 1966, que sentó las bases para los

sistemas estructurados en reglas.

Asimismo, el análisis profundiza en las diferencias clave entre los asis-

tentes conversacionales diseñados bajo reglas y aquellos impulsados por

modelos de lenguaje natural. Los sistemas basados en reglas se identicaron

como soluciones más simples y económicas, aunque limitadas para gestio-

nar interacciones humanas complejas. Por otro lado, los sistemas basados en

modelos de lenguaje natural demostraron ser más adaptativos y naturales en

170

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

sus interacciones, aunque su desarrollo requiere una inversión signicativa

y grandes volúmenes de datos.

La elección entre estos sistemas depende de las necesidades y recursos

de la organización. Los principales hallazgos destacaron la evolución, los

benecios y las desventajas de ambos tipos de asistentes virtuales, propor-

cionando una base para futuras investigaciones y aplicaciones prácticas en

diversas industrias.

Evolución y tecnologías de chatbots basados en reglas

Un asistente virtual basado en reglas, también conocido como asistente

virtual de árbol de decisiones, utiliza un conjunto predenido de reglas para

manejar interacciones con los usuarios. Estas reglas se basan en palabras

clave especícas o patrones en la comunicación del usuario y se organizan

de manera similar a un diagrama de ujo para anticipar posibles preguntas y

proporcionar respuestas adecuadas (Dale, 2020).

Según un artículo de Hubtype (2023), estos asistentes conversacionales

son más fáciles de construir y mantener en comparación con los chatbots ba

sados en inteligencia articial. No requieren aprendizaje continuo, lo que los

hace más rápidos y económicos de implementar. Sin embargo, están limita-

dos a los escenarios para los cuales fueron programados y no pueden mane-

jar preguntas fuera de sus reglas predenidas.

Otra fuente destaca que los agentes conversacionales basados en reglas

son comunes en aplicaciones donde las interacciones son predecibles y re-

petitivas, como en los servicios de atención al cliente o sistemas de FAQ

(Frequently Asked Questions). Estos chatbots no pueden aprender de nuevas

interacciones o comunicaciones, lo que limita su capacidad para manejar con-

versaciones más complejas o dinámicas (Caldarini et al., 2022).

De acuerdo al estudio de Caldarini et al. (2022), se realizan búsquedas

en bases de datos como IEEE, ScienceDirect y Springer utilizando términos

relacionados con asistentes virtuales para identicar artículos relevantes.

Las áreas abordadas incluyen Procesamiento del Lenguaje Natural (PLN)

e Inteligencia Articial (IA). Además, se exploran repositorios como arXiv,

Google Scholar y JSTOR, donde se seleccionan 62 254 publicaciones perti-

nentes sobre estos temas.

171

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

Los asistentes conversacionales basados en reglas, debido a su simplici-

dad, son preferidos en situaciones donde se requiere una solución rápida y

económica. Sin embargo, su incapacidad para adaptarse a nuevas situaciones

limita su efectividad en entornos dinámicos (Pradella, 2016).

En contraste, los asistentes virtuales basados en modelos de lenguaje na-

tural, aunque más complejos y costosos, ofrecen una mayor adaptabilidad y

capacidad para manejar interacciones no previstas, lo que los hace ideales

para aplicaciones más avanzadas y exigentes (Dale, 2020).

Historia y desarrollo de los primeros chatbots

Los primeros asistentes virtuales, como ELIZA, creado por Joseph Wei-

zenbaum en la década de 1960, se basaban en reglas predenidas para simu-

lar una conversación humana. ELIZA utilizaba patrones de palabras clave y

respuestas predenidas para interactuar con los usuarios, lo que le permitía

sostener conversaciones básicas, aunque carecía de la capacidad de com-

prender el contexto o la intención detrás de las palabras del usuario (Wei-

zenbaum, 1966).

Repasando su historia, ELIZA fue un programa desarrollado en el MIT

que permitió la primera interacción en lenguaje natural entre un humano y

una computadora. Operando en el sistema de tiempo compartido MAC, ELI-

ZA analizaba las oraciones de entrada basándose en reglas de descomposi-

ción activadas por palabras clave y generaba respuestas mediante reglas de

reensamblaje (Weizenbaum, 1966).

El objetivo principal de ELIZA era explorar cómo las computadoras pue-

den simular conversaciones humanas utilizando estructuras de reglas prede-

nidas. Estos sistemas eran limitados y predecibles, adecuados solo para ta-

reas simples y estructuras de diálogo predenidas (Shawar y Atwell, 2007).

ELIZA simulaba una conversación utilizando una metodología de coin-

cidencia de patrones y sustitución que daba a los usuarios la ilusión de com-

prensión por parte del programa, aunque carecía de un marco integrado para

contextualizar los eventos (Weizenbaum, 1966; Goldman, 2017). La coin-

cidencia de patrones es una metodología clave en el desarrollo de asistentes

virtuales basados en reglas. Este enfoque se centra en identicar patrones

especícos en la entrada del usuario para generar respuestas predenidas

(Goldman, 2017).

172

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

Una de las contribuciones notables en el estudio de Weizenbaum (1966)

fue que ELIZA lograba mantener una conversación coherente, dependiente

en gran medida de las suposiciones y racionalizaciones que el usuario hacía

sobre la capacidad del programa. Los usuarios tendían a atribuir compren-

sión y conocimiento al programa, completando las lagunas con su propia

imaginación y expectativas. Weizenbaum (1966) también menciona la posi-

bilidad de realizar experimentos para explorar hasta qué punto los usuarios

pueden ser convencidos de que están interactuando con un humano en lugar

de una máquina. Esto toca el famoso “Test de Turing”, donde el objetivo es

que un usuario no pueda distinguir entre una conversación con un humano y

una con una máquina. La credibilidad de las respuestas de ELIZA es crucial

para mantener esta ilusión.

En el estudio de Weizenbaum (1966), se destaca que ELIZA es capaz de

crear la ilusión de que entiende las entradas del usuario, aunque en realidad

no comprende el contexto ni la intención detrás de las palabras. Esto se lo-

gra a través de respuestas generadas por reglas predenidas que parecen per-

tinentes a la conversación, engañando así al usuario para que crea que está

siendo comprendido.

Weizenbaum eligió la simulación de entrevistas psicoterapéuticas porque

en este tipo de interacción, el terapeuta puede adoptar una postura de saber

muy poco del mundo real, permitiendo a ELIZA funcionar efectivamente sin

un conocimiento profundo del contexto. Por ejemplo, si un usuario dice “Me

siento triste”, ELIZA puede responder con “¿Por qué te sientes triste?”, una

respuesta genérica pero adecuada que mantiene la ilusión de una conversa-

ción signicativa (Weizenbaum, 1966).

Denición y funcionamiento

Los chatbots de coincidencia de patrones utilizan reglas predenidas

para mapear preguntas y respuestas. Por ejemplo, ELIZA, uno de los prime-

ros chatbots, utilizaba sustituciones y plantillas de patrones de texto para si-

mular una conversación terapéutica, creando la ilusión de comprensión sin

realmente entender el contexto de las interacciones (Caldarini et al., 2022).

Estos asistentes conversacionales son efectivos para manejar interacciones

simples y predecibles, pero carecen de la capacidad de adaptarse a contex-

173

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

tos más complejos y dinámicos debido a su dependencia de reglas estrictas

y predenidas.

La metodología de coincidencia de patrones se centra en identicar pa-

trones especícos en la entrada del usuario para generar respuestas prede-

nidas. Este enfoque puede ser suciente en aplicaciones donde las interaccio-

nes son repetitivas y estructuradas, como en servicios de atención al cliente

o sistemas de FAQ (Frequently Asked Questions). Sin embargo, la falta de

capacidad para aprender y adaptarse a nuevas interacciones limita signicati-

vamente la efectividad de estos asistentes basado en IA en entornos donde se

requiere una mayor comprensión contextual y adaptabilidad (Goldman, 2017).

Los asistentes virtuales basados en coincidencia de patrones representan

una solución básica y económica para ciertas aplicaciones, pero su utilidad

está limitada por su incapacidad para manejar la complejidad y la variabili-

dad de las interacciones humanas más avanzadas (Pradella, 2013).

Ejemplo de implementación

ALICE (articial lingüístic internet computer entity) es otro ejemplo no-

table que utiliza el articial intelligence markup language (AIML) para de-

nir patrones y plantillas. Este chatbot clasica las entradas del usuario en

categorías y responde según las plantillas predenidas que coinciden con los

patrones de entrada (Xue, 2024).

AIML permite a los desarrolladores crear conjuntos de reglas que deter-

minan cómo el chatbot debe responder a las diferentes entradas de los usua-

rios. Estas reglas están estructuradas en plantillas que denen patrones de

texto especícos y las respuestas correspondientes.

Mientras que, Liu y Lan (2016) arman que, cuando el usuario introdu-

ce una consulta, ALICE busca en su base de datos de plantillas una coinci-

dencia y genera una respuesta basada en la plantilla correspondiente. Este

proceso permite que ALICE maneje una amplia variedad de interacciones

de manera rápida y eciente, aunque sigue estando limitado por la necesidad

de plantillas predenidas y la falta de comprensión profunda del contexto o

la intención del usuario.

El uso de AIML en ALICE demuestra cómo los asistentes virtuales basa-

dos en coincidencia de patrones pueden ser personalizados y ampliados me-

diante la adición de nuevas plantillas y reglas, lo que les permite manejar un

174

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

mayor rango de interacciones. Sin embargo, al igual que otros agentes con-

versacionales basados en reglas, ALICE no puede aprender de nuevas inte-

racciones ni adaptarse a cambios en el contexto sin intervención manual por

parte de los desarrolladores (Ramírez y Valle, 2022).

En comparación con los asistentes conversacionales basados en modelos

de lenguaje natural, que pueden procesar y comprender el lenguaje humano

de manera más exible y adaptativa, los asistentes virtuales como ALICE

ofrecen una solución más simple y económica para aplicaciones donde las

interacciones son predecibles y repetitivas (Hoyer et al., 2020).

Metodología

Este estudio adoptó una metodología de revisión sistemática de litera-

tura cientíca para analizar las características y diferencias en la eciencia

comunicativa de asistentes conversacionales basados en reglas y modelos de

lenguaje natural. La búsqueda se efectuó en bases de datos reconocidas, in-

cluyendo Google Scholar, Emerald, Elsevier, Taylor & Francis, IEEE/IEEE

Xplore y FLACSO Andes, considerando publicaciones de los últimos cinco

años y artículos de acceso público (Perdomo, 2020).

Se implementó la técnica de bola de nieve para identicar estudios adi-

cionales relevantes en Google Scholar (Pucci et al., 2020). Asimismo, se in-

cluyeron fundamentos teóricos y explicativos provenientes de metodologías

previas, incluso aquellas publicadas antes del periodo de análisis, siempre

que fueran pertinentes para el estudio de asistentes conversacionales basados

en reglas y en lenguaje natural.

La estrategia de búsqueda se estructuró en tres bloques principales de pa-

labras clave, tanto en inglés como en español, relacionadas con las caracte-

rísticas, diferencias y tendencias emergentes en el estudio de asistentes con-

versacionales basados en reglas y en lenguaje natural. Las referencias que

coincidían con estas palabras clave en el título o cuerpo de las publicacio-

nes fueron seleccionadas y analizadas cronológicamente, conformando una

muestra nal de 175 documentos relevantes.

Además, se realizó un análisis de contenido de la literatura seleccionada

para profundizar en el signicado de los términos, las diferencias y simili-

tudes, las características distintivas y las áreas emergentes de investigación

sobre asistentes conversacionales estructurados en reglas y aquellos basados

175

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

en modelos de lenguaje natural (Peralta y Guamán, 2020). Este análisis per-

mitió identicar deniciones conceptuales, tipologías y aplicaciones de es-

tos sistemas, particularmente en áreas como comercio y atención al cliente.

Tabla 1

Funcionamiento de la coincidencia de patrones en chatbots

Proceso Descripción Ejemplo especíco

Entrada del usuario El usuario ingresa un mensaje al chatbot.“Hola, ¿cómo estás?”

Análisis de entrada Identicación de palabras clave en el mensaje. Identicación de “Hola” y “cómo estás”

Patrones predenidos

Base de datos de patrones que el chatbot utiliza.

“Hola, ¿cómo [verbo]?”

Coincidencia de

patrones

Comparación del mensaje del usuario con

los patrones. Comparación con “Hola, ¿cómo [verbo]?”

Selección de respuesta Selección de la plantilla de respuesta

correspondiente. “Estoy bien, ¿cómo estás tú?”

Generación de respuesta Sustitución de marcadores en la plantilla de

respuesta. Sustitución de “[verbo]” con “estás”

Salida al usuario El chatbot envía la respuesta nal al usuario. “Estoy bien, ¿cómo estás tú?”

Nota. Este esquema simplicado muestra cómo un chatbot basado en reglas utiliza la coincidencia de

patrones para procesar entradas y generar respuestas adecuadas.

Ventajas y limitaciones de los chatbots basados en reglas

Los chatbots operan según un conjunto de reglas predenidas, lo que

les permite proporcionar respuestas consistentes y predecibles. Son ideales

para tareas como la atención al cliente, la recopilación de datos y la asisten-

cia 24/7, ofreciendo benecios signicativos en términos de costo y simpli-

cidad de implementación. Además, estos asistentes virtuales son altamente

exibles en integraciones con otros sistemas de gestión de datos o atención

al cliente, lo que los hace particularmente útiles en entornos corporativos y

comerciales (AirDroid, 2024).

Al seguir reglas estrictas y bien denidas, los asistentes virtuales basados

en reglas pueden manejar ecientemente un alto volumen de interacciones,

reduciendo la carga de trabajo de los agentes humanos y mejorando la e-

ciencia operativa. Sin embargo, su capacidad está limitada a los escenarios

para los cuales fueron programados. No pueden manejar preguntas fuera de

176

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

sus reglas predenidas y carecen de la capacidad para adaptarse a interaccio-

nes más complejas o contextuales (Caldarini et al., 2022).

El diseño y la implementación de estos sistemas de diálogos automatiza-

dos son relativamente sencillos en comparación con los asistentes virtuales

basados en modelos de lenguaje natural. No requieren aprendizaje continuo ni

grandes volúmenes de datos para funcionar correctamente, lo que los hace una

opción viable para organizaciones con recursos limitados. Además, su man-

tenimiento es menos costoso y puede ser manejado internamente por equipos

de TI sin necesidad de expertos en inteligencia articial (Goldman, 2017).

Por otro lado, los asistentes virtuales basados en reglas presentan una

exibilidad limitada debido a su incapacidad para manejar consultas fuera

de las reglas predenidas. No poseen la capacidad de aprender y adaptarse

a nuevas situaciones, lo que los restringe a responder únicamente dentro de

los parámetros establecidos inicialmente. Esto signica que cualquier con

sulta que no esté especícamente programada dentro de sus reglas no podrá

ser gestionada ecazmente.

Además, los asistentes virtuales son adecuados solo para tareas simples

y directas, ya que las interacciones complejas o de múltiples pasos suelen

ser difíciles de manejar. Esta simplicidad en su operación los hace útiles

para funciones básicas, pero inecaces en escenarios que requieren una ma-

yor sosticación en el procesamiento de las interacciones (Xue et al., 2024).

Otra desventaja signicativa es su incapacidad para aprender de la expe-

riencia. No pueden mejorar sus respuestas con el tiempo y requieren actua-

lizaciones manuales para manejar nuevas consultas, lo que aumenta la car-

ga de mantenimiento. En cuanto a la experiencia del usuario, estos chatbots

son menos efectivos en proporcionar una interacción conversacional uida y

pueden resultar frustrantes si las consultas no coinciden exactamente con las

reglas predenidas. Esto puede llevar a una experiencia de usuario insatisfac-

toria, especialmente cuando los usuarios esperan respuestas más dinámicas y

adaptativas (Hubtype, 2023; AirDroid, 2024; Xue et al., 2024).

Chatbots en áreas de atención al cliente

Los chatbots basados en reglas son programas que siguen una serie de

instrucciones predenidas para interactuar con los usuarios, particularmente

útiles en el servicio al cliente debido a su capacidad para manejar consultas

177

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

repetitivas y estructuradas de manera eciente. Estos chatbots proporcionan

respuestas rápidas y consistentes, lo que a menudo resulta en una alta satis-

facción del cliente cuando las consultas son simples y directas (Nicolescu y

Tudorache, 2022).

Nicolescu y Tudorache (2022) realizaron una revisión sistemática sobre

la experiencia del usuario con chatbots en el servicio al cliente. Identica-

ron que los factores más inuyentes en la satisfacción del cliente incluyen la

relevancia de las respuestas y la resolución de problemas. Los chatbots ba-

sados en reglas destacan en estos aspectos al proporcionar respuestas rápi-

das y consistentes, lo que frecuentemente resulta en una alta satisfacción del

cliente cuando las consultas son simples y directas.

Por su parte, Caldarini et al. (2022) revisaron los avances recientes en

chatbots, destacando que, aunque los chatbots basados en reglas son limita-

dos en su capacidad para manejar conversaciones complejas, siguen siendo

valiosos para tareas especícas y bien denidas en el servicio al cliente. Es-

tos sistemas son menos costosos y más fáciles de implementar en compara-

ción con los chatbots basados en modelos de lenguaje, lo que los hace una

opción viable para muchas empresas.

No obstante, Ledro et al. (2022) destacaron en su estudio sobre la gestión

de la relación con el cliente (CRM) que los chatbots basados en reglas son

efectivos para mejorar la experiencia del cliente en puntos de contacto espe-

cícos. Estos chatbots pueden integrarse en sistemas CRM para proporcionar

respuestas rápidas y precisas a preguntas frecuentes, reduciendo la carga de

trabajo del personal de atención al cliente y mejorando la eciencia operativa.

En ese sentido, Ledro et al. (2022) exploraron el uso de chatbots basa-

dos en reglas en el contexto del comercio electrónico. Su estudio mostró que

herramientas como Chatfuel permiten a las empresas implementar chatbots

de manera rápida y eciente para mejorar la interacción con el cliente. Los

autores encontraron que estos chatbots son particularmente efectivos en la

gestión de consultas frecuentes, mejorando la satisfacción del cliente y opti-

mizando los recursos de la empresa.

Por su parte, un análisis realizado por López et al. (2021) investigó la

implementación de asistentes virtuales en sistemas CRM de empresas tec-

nológicas. Descubrieron que los chatbots basados en reglas, como los im-

plementados por la plataforma ManyChat, son cruciales para proporcionar

soporte continuo a los clientes. La investigación destacó la importancia de

la integración de estos chatbots con otros sistemas corporativos para maxi-

178

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

mizar su efectividad y asegurar respuestas coherentes y rápidas a las consul-

tas de los clientes.

Los asistentes virtuales basados en reglas han sido ampliamente utiliza-

dos en aplicaciones con interacciones simples y estructuradas, como en servi-

cios de atención al cliente o sistemas de FAQ (Shawar y Atwell, 2007). Estos

chatbots se destacan por su capacidad para proporcionar respuestas rápidas y

consistentes en escenarios predecibles, lo que los convierte en una solución

ecaz para tareas repetitivas y bien denidas.

Sin embargo, una de las principales limitaciones de los asistentes virtua-

les basados en reglas es su falta de adaptabilidad y capacidad de aprendizaje.

Estos chatbots operan según un conjunto predenido de reglas y no pueden

manejar consultas fuera de estos parámetros sin actualizaciones manuales

(Xue et al., 2024). Esta limitación restringe su uso a contextos especícos y

limitados, lo que los hace menos adecuados para situaciones que requieren

respuestas dinámicas y adaptativas.

El impacto psicológico de ELIZA fue signicativo, ya que exploró cómo

las computadoras podían engañar a los usuarios haciéndoles creer que esta-

ban interactuando con un humano. Este concepto fue pionero en el campo

de la inteligencia articial y sentó las bases para futuros experimentos, in-

cluido el famoso “Test de Turing” propuesto por Alan Turing en 1950. Este

test plantea la cuestión de si una máquina puede exhibir un comportamiento

inteligente equivalente o indistinguible del de un ser humano, lo que ha sido

un tema central en la investigación de la inteligencia articial y la percepción

de la interacción humano-máquina (Weizenbaum, 1966).

Procesamiento del lenguaje natural

El procesamiento del lenguaje natural (PLN) es una subdisciplina de la

inteligencia articial (IA) que se centra en la comprensión y generación del

lenguaje humano, tanto hablado como escrito. En el contexto del marketing,

el PLN se utiliza para analizar grandes volúmenes de datos textuales, como

reseñas de productos, interacciones con asistentes de voz y transcripciones

de llamadas de ventas. Las técnicas tradicionales incluyen modelado de te-

mas y análisis de sentimientos, mientras que los enfoques más recientes se

basan en modelos de lenguaje preentrenados y aprendizaje de transferencia

para tareas como la generación automática de textos y el aprendizaje de re-

presentaciones multimodales (Hartmann y Netzer, 2023).

179

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

Otra forma de denir PLN, junto con la minería de textos y la compren-

sión del lenguaje natural, ayuda a las empresas y organizaciones a extraer

información valiosa de datos no estructurados. A medida que el entorno em

presarial evoluciona, las compañías deben integrar datos de diversas fuentes

para mantenerse competitivas. El PLN ofrece métodos rápidos y ecientes

para procesar estos datos, facilitando tareas como la automatización del ser-

vicio al cliente y la gestión de recursos humanos (Kwartler, 2021).

El desarrollo del procesamiento del lenguaje natural (PLN) ha sido crucial

para la evolución de los chatbots. El PLN permite a los chatbots comprender

el contexto y el signicado detrás de las palabras, mejorando signicativa-

mente la interacción humano-computadora. Herramientas como el análisis

sintáctico y semántico, junto con técnicas de aprendizaje automático, han

permitido que los chatbots interpreten y respondan de manera más precisa a

las consultas de los usuarios (Caldarini et al., 2022).

Desde su introducción, los transformers han sido la base de muchos mo-

delos avanzados, como BERT (Bidirectional Encoder Representations from

Transformers) y la serie GPT (Generative Pre-trained Transformer). BERT,

desarrollado por Devlin (2019), fue un avance signicativo ya que permitió

la comprensión bidireccional del texto, mejorando la precisión en varias ta-

reas de NL (Laranjo et al., 2018).

Nuevo escenario para el uso de ChatGPT

El Procesamiento del Lenguaje Natural (PLN) ha avanzado signicati-

vamente gracias a los modelos de lenguaje natural, que han revolucionado

la forma en que las máquinas comprenden y generan texto. Uno de los hitos

más importantes en este campo fue la introducción de los modelos transfor-

mers en 2017, a través del artículo “Attention is All You Need” de Vaswani

et al. (2017). Estos modelos han superado las limitaciones de las redes neu-

ronales recurrentes (RNNs) al utilizar mecanismos de atención para manejar

relaciones a largo plazo en secuencias de texto.

Los transformers han sido la base de modelos avanzados como BERT (Bi-

directional Encoder Representations from Transformers), desarrollado por De-

vlin et al. (2019). BERT permitió la comprensión bidireccional del texto, mejo-

rando la precisión en varias tareas de PLN. Otro ejemplo destacado es la serie

GPT (Generative Pre-trained Transformer) de OpenAI, que incluye modelos

180

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

como GPT-1, GPT-2, GPT-3 y el recientemente lanzado GPT-4. Estos modelos

han mostrado un incremento continuo en el número de parámetros y capacida-

des. Por ejemplo, GPT-3, con 175 mil millones de parámetros, ha demostra-

do habilidades avanzadas en generación de texto y comprensión de lenguaje.

GPT-4, aún más grande y multimodal, incorpora 1.8 billones de paráme-

tros, lo que le permite manejar una variedad más amplia de tareas con mayor

precisión y eciencia. Estos modelos han sido fundamentales para aplica-

ciones en múltiples dominios, transformando la forma en que interactuamos

con la tecnología y manejamos la información.

En ese sentido, los modelos de lenguaje natural han sido esenciales para

aplicaciones en diversos campos, como educación, medicina y servicio al

cliente, transformando la interacción con la tecnología. Los benecios de es-

tos modelos incluyen mejoras signicativas en la comprensión del lenguaje,

generación de texto más precisa y eciente, y capacidades avanzadas en una

variedad de tareas relacionadas con el procesamiento del lenguaje natural.

Para los autores del presente estudio, el presente y futuro de la comunicación

entre humanos y máquinas es el lenguaje natural.

Chatbots basados en lenguaje natural

Los asistentes virtuales de lenguaje natural son programas informáticos

que permiten la interacción con usuarios mediante interfaces conversacio-

nales. Utilizan plataformas de comprensión del lenguaje natural, como Dia-

logow y IBM Watson Assistant, para desarrollar agentes conversacionales

que pueden integrarse en aplicaciones móviles, sitios web y sistemas de res

puesta interactiva por voz (Bhattacharyya, 2024).

Por otro lado, Huang y Gursoy (2024) mencionan que los asistentes virtuales

que utilizan modelos de lenguaje natural son sistemas diseñados para mejorar

la satisfacción del cliente durante las interacciones en línea. Utilizan diferentes

estilos de lenguaje (abstracto o concreto) dependiendo de la etapa del proceso

de toma de decisiones del cliente, proporcionando soporte emocional e infor-

mativo de manera efectiva. Estos asistentes virtuales son capaces de adaptar

su comunicación para ofrecer una experiencia más personalizada y relevante.

Para Ciechanowski et al. (2019), un chatbot es una plataforma de conver-

sación que se comunica con el usuario a través del lenguaje natural, utilizan-

do aplicaciones, software o interfaces de computadora. Estos chatbots están

basados en aplicaciones técnicas de inteligencia articial que permiten una

181

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

interacción uida y natural entre humanos y máquinas. La inteligencia arti-

cial aplicada en estos chatbots facilita la gestión de procesos empresariales,

mejorando la eciencia y personalización del servicio al cliente.

Para Bhattacharyya (2024) los chatbots impulsados por modelos de len-

guaje de gran tamaño (LLM) son herramientas de inteligencia articial di-

señadas para interactuar con los usuarios mediante el uso de procesamien-

to de lenguaje natural (NLP). Estos chatbots pueden comprender y generar

texto de manera coherente, respondiendo a consultas de los clientes en tiem-

po real. Utilizan técnicas avanzadas de NLP y están entrenados en grandes

cantidades de datos para mejorar su precisión y relevancia en las respuestas.

Estos asistentes conversacionales han demostrado ser altamente ecien-

tes en la gestión de procesos empresariales, permitiendo la automatización

de servicios al cliente, la reducción de costos y la mejora de la satisfacción

del cliente mediante la disponibilidad 24/7 y la personalización de las res-

puestas (Ciechanowski, 2019).

Los asistentes basados en IA pueden ser desarrollados utilizando meto-

dologías ágiles que permiten la adaptación y mejora continua del sistema.

La evaluación de usabilidad es fundamental para asegurar que los chatbots

cumplen con los requisitos de precisión, funcionalidad y satisfacción del

usuario (Paschek et al., 2017).

Eciencia comunicacional entre ambos tipos

de asistentes virtuales

La eciencia comunicacional de los asistentes virtuales basados en reglas

y los modelos de lenguaje natural (NLP) ha sido objeto de diversos estudios,

destacando las diferencias clave en su rendimiento y aplicabilidad. Los chat-

bots basados en reglas operan mediante la aplicación de ujos de conversación

predenidos y dependen en gran medida de palabras clave especícas. Esta

arquitectura les permite ejecutar tareas simples y repetitivas con alta ecien-

cia, pero su capacidad de adaptación a consultas más complejas es limitada.

Según Buhalis y Yen (2020), estos chatbots pueden resultar frustrantes

para los usuarios cuando no logran manejar variaciones del lenguaje natural,

lo que frecuentemente lleva a errores y malentendidos. En contraste, los chat-

bots basados en NLP utilizan algoritmos avanzados de aprendizaje automá-

tico para interpretar y generar respuestas en lenguaje natural. Estos chatbots

182

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

son capaces de comprender el contexto y la intención del usuario, ofreciendo

respuestas más precisas y personalizadas.

Amalia y Suprayogi (2019) destacan que, aunque el desarrollo y la im-

plementación de chatbots basados en NLP requieren una mayor inversión

en términos de datos y procesamiento, su capacidad para aprender y mejorar

con el tiempo los convierte en una herramienta más eciente para manejar

interacciones complejas y diversas.

Un estudio comparativo realizado por Hu et al. (2018) en el sector turís-

tico mostró que los chatbots basados en NLP superan a los basados en reglas

en términos de satisfacción del cliente y resolución de consultas. Los chatbots

basados en NLP no solo entienden lo que el usuario dice, sino también el tono

y el contexto de la conversación, lo que les permite ofrecer una experiencia de

usuario más uida y efectiva. Esta capacidad de adaptación y personalización

se traduce en una mayor eciencia y ecacia en la comunicación, especialmen-

te en entornos donde las consultas de los usuarios son variadas y complejas.

Los estudios en el ámbito empresarial, como el de Jindal et al. (2020),

han demostrado que la implementación de chatbots basados en NLP puede

llevar a una mejora signicativa en la eciencia operativa y la satisfacción del

cliente. Estos asistentes virtuales pueden manejar una mayor carga de con-

sultas simultáneamente y proporcionar respuestas más precisas, reduciendo

la necesidad de intervención humana. A pesar de los desafíos iniciales en su

desarrollo, los benecios a largo plazo de los asistentes conversacionales ba-

sados en NLP en términos de escalabilidad y adaptabilidad superan conside-

rablemente a los chatbots basados en reglas, haciendo que sean una opción

preferida para muchas organizaciones (Ling et al., 2021).

Tabla 2

Sistematización de las contribuciones a los modelos

de chatbots y lenguaje natural

Autores Año Contexto Aspectos relevantes

Weizenbaum 1966 Interacción humano-

computadora

Impacto psicológico de ELIZA y la capacidad de las

computadoras para simular conversaciones humanas.

Colby et al. 1971 Simulación de

psicoterapia

Creación de PARRY, un chatbot que simulaba un

paciente con esquizofrenia, explorando la simulación de

estados emocionales.

Winograd, T. 1972 Comprensión del

lenguaje natural

Desarrollo de SHRDLU, un sistema que comprendía y

generaba lenguaje natural en el contexto de un mundo

de bloques.

183

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

Autores Año Contexto Aspectos relevantes

Schank y Abelson 1977 Teoría de guiones y

estructuras narrativas

Desarrollo de teorías sobre cómo los sistemas de inteligencia

articial pueden comprender y generar historias.

Bobrow y

Winograd 1977 Modelos de diálogos

Investigación en modelos de diálogos y la comprensión de

la estructura de las conversaciones humanas por chatbots.

Hayes-Roth y

Hayes-Roth 1979 Sistemas de planicación

interactiva

Investigación sobre sistemas de planicación interactiva

y su aplicación en chatbots.

Carbonell, J. G. 1980 Aprendizaje y generación

de lenguaje natural

Introducción de técnicas de aprendizaje para mejorar la

generación y comprensión del lenguaje en chatbots.

Wilensky, R. 1983 Planicación y

comprensión del lenguaje

Investigación en planicación basada en guiones para la

comprensión del lenguaje natural en chatbots.

Grosz y Sidner 1986 Estructura de diálogos Estudios sobre la estructura y coherencia en los diálogos,

fundamentales para el desarrollo de chatbots interactivos.

Allen, J. F. 1987 Planicación temporal

en diálogos

Investigación sobre cómo los chatbots pueden comprender

y gestionar la planicación temporal en las conversaciones.

Luger y

Stubbleeld 1998 Inteligencia articial y

Lenguaje natural

Contribuciones al campo de la IA y la aplicación de

técnicas de PLN en chatbots.

Abu Shawar y

Atwell 2007 Tareas simples y

estructuradas

Ecacia de los chatbots basados en reglas en

interacciones repetitivas y predecibles.

Nicolescu y

Tudorache 2022 Atención al cliente Mejora de la eciencia operativa mediante respuestas

rápidas y consistentes a consultas frecuentes.

Caldarini et al. 2022 Eciencia en atención

al cliente

Efectividad de los chatbots basados en reglas en la

atención al cliente.

Xue et al. 2024 Limitaciones y

Mantenimiento

Limitaciones en la adaptabilidad y necesidad de

mantenimiento manual de los chatbots basados en reglas.

Vaswani et al. 2017 Modelos de lenguaje

natural

Introducción de los transformers, superando las

limitaciones de las RNNs con mecanismos de atención.

Devlin et al. 2019 Modelos bidireccionales Desarrollo de BERT, mejorando la precisión en varias

tareas de PLN.

Hu et al. 2018 Aprendizaje y

Adaptabilidad

Algoritmos de aprendizaje automático para la mejora

continua de respuestas de chatbots.

Jindal et al. 2020 Manejo de consultas

complejas

Capacidades avanzadas de manejo de consultas no

previstas inicialmente por chatbots basados en PLN.

Hill et al. 2015 Interacción humano-

computadora

Mejoras en la interacción humano-computadora

mediante técnicas de aprendizaje automático.

Ding et al. 2024 Aplicaciones de modelos

de lenguaje

Transformación de la interacción y manejo de

información en múltiples dominios mediante GPT-4 y

otros modelos avanzados.

184

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

Autores Año Contexto Aspectos relevantes

Hartmann y Netzer 2023 PLN en el marketing Aplicaciones del PLN para el análisis de datos textuales

en marketing.

Badr 2024 Avances en modelos de

lenguaje natural

Incremento en el número de parámetros y capacidades

de los modelos GPT, mejorando la generación y

comprensión de texto.

El-Ateif et al. 2024 Aplicaciones en múltiples

dominios

Aplicaciones de modelos avanzados de PLN en

educación, medicina y servicio al cliente.

Nota. Contribuciones claves de los autores y desarrollo de los chatbots y el procesamiento del lenguaje

natural desde 1960 hasta el 2024.

Aplicaciones actuales y futuras

Por su parte, Gnewuch et al. (2021) señalan la importancia de evaluar la

efectividad de los asistentes virtuales no sólo en términos de precisión técnica,

sino también en términos de experiencia del usuario y resultados de negocio.

La investigación y el desarrollo continuo en el diseño de asistentes virtuales

se centran en mejorar estas métricas para garantizar que los asistentes vir-

tuales no solo funcionen correctamente, sino que también proporcionen un

valor tangible a los usuarios y las organizaciones.

Actualmente, los chatbots se utilizan en una variedad de campos, desde

el servicio al cliente hasta la educación y la salud, sin embargo, los asistentes

virtuales pueden manejar consultas simples, y permitir que los agentes huma-

nos se concentren en problemas más complejos. En la educación, los asisten-

tes virtuales manejados por IA pueden actuar como tutores virtuales, propor-

cionando asistencia personalizada a los estudiantes (Chaves y Gerosa, 2021).

En el futuro, se espera que la integración de tecnologías como la IA con-

versacional y los modelos de lenguaje continúe mejorando la ecacia y la ver-

satilidad de los chatbots, ampliando aún más su aplicación en diversas indus-

trias y mejorando la interacción humano-computadora (Wang y Jiang, 2020).

Resultados

Los chatbots basados en reglas son más fáciles de construir y mantener, y

no requieren aprendizaje continuo, lo que los hace más económicos de imple-

mentar, debido a que operan con reglas predenidas, proporcionan respuestas

consistentes y predecibles, lo que es benecioso para tareas repetitivas y bien

185

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

denidas, como en los servicios de atención al cliente (Hubtype, 2023). Es-

tos asistentes virtuales pueden ser desplegados rápidamente en aplicaciones

donde las interacciones son predecibles y repetitivas, mejorando la eciencia

operativa sin necesidad de complejas conguraciones (Ledro et al., 2022).

Los sistemas conversacionales basados en reglas destacan por su facilidad

de construcción y mantenimiento, al no depender de aprendizaje continuo,

lo que los convierte en soluciones económicas y accesibles. Al operar bajo

reglas predenidas, estos sistemas ofrecen respuestas consistentes y predeci-

bles, siendo especialmente útiles en tareas repetitivas y estructuradas, como

los servicios de atención al cliente (Laranjo et al., 2018).

La incapacidad para comprender el contexto y las variaciones del lengua-

je puede resultar en experiencias frustrantes para los usuarios, especialmente

cuando las consultas no coinciden con las reglas predenidas. Además, re-

quieren actualizaciones manuales para manejar nuevas consultas o cambios

en los patrones de interacción, lo que puede incrementar la carga de mante-

nimiento a largo plazo (Xue, 2024).

Figura 1

Resultados de búsqueda en Scopus sobre chatbot

200

2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020

Documentos

Años

400

600

800

1000

1200

Nota. Tomado de Caldarini et al. (2022): Resultados de búsqueda de Scopus, desde 1970 hasta 2021,

para las palabras clave “chatbot” o “agentes conversacionales” o “sistema de conversación”.

186

Universitas-XX1, Revista de Ciencias Sociales y Humanas de la Universidad Politécnica Salesiana del Ecuador,

No. 42, marzo-agosto 2025

Discusión

El análisis de los asistentes conversacionales, tanto aquellos estructura-

dos en reglas como los basados en modelos de lenguaje natural, revela dife-

rencias signicativas que impactan su aplicabilidad y eciencia en contextos

especícos. Estos hallazgos permiten establecer escenarios en los que cada

tipo de sistema resulta más adecuado, resaltando no solo sus benecios, sino

también los desafíos que presentan en su desarrollo e implementación.

Los asistentes basados en reglas se destacan por su simplicidad y rapidez

en la implementación, siendo herramientas efectivas para escenarios donde

las interacciones son predecibles y estructuradas, como los sistemas de pre-

guntas frecuentes (FAQ) o servicios básicos de atención al cliente. Sin em-

bargo, su incapacidad para gestionar consultas complejas o adaptarse a nue-

vas situaciones limita su aplicación en entornos dinámicos. Por el contrario,

los sistemas basados en modelos de lenguaje natural ofrecen una comunica-

ción más uida y personalizada, permitiendo interacciones adaptativas que

comprenden el contexto y las intenciones del usuario. Este atributo los hace

ideales para tareas complejas, como la asistencia en procesos educativos,

servicios médicos o comercio electrónico avanzado.

La eciencia de los asistentes conversacionales depende en gran medida

del tipo de tarea, el perl del usuario y el contexto de uso. Por ejemplo, en

sectores como la educación, los sistemas basados en lenguaje natural per-

miten la personalización del aprendizaje, adaptándose a las necesidades in-

dividuales de cada estudiante. En el ámbito empresarial, su capacidad para

gestionar interacciones simultáneas y personalizadas mejora la experiencia

del cliente. Sin embargo, su desempeño puede verse afectado por limitacio-

nes técnicas, como la calidad de los datos de entrenamiento, o por cuestiones

éticas relacionadas con la privacidad del usuario.

A pesar de sus ventajas, los asistentes basados en modelos de lenguaje

natural enfrentan desafíos signicativos en su implementación. La necesidad

de grandes volúmenes de datos de calidad, combinada con la complejidad de

los procesos de desarrollo, aumenta los costos y los tiempos de implementa-

ción. Además, la gestión ética de los datos utilizados en el entrenamiento y

la transparencia en el uso de inteligencia articial son aspectos críticos que

requieren atención. Por otro lado, los sistemas estructurados en reglas, aun-

que más económicos y rápidos de implementar, presentan una utilidad limi-

187

M. Garzón-Quiroz, G. Del Campo-Saltos y B. Loor-Ávila. Análisis sistemático sobre la eciencia comunicativa

tada en contextos que demandan exibilidad y comprensión profunda del

lenguaje (Tuan-Jun et al., 2024).

En ese sentido, el avance en modelos de lenguaje natural, como los desarro-

llos recientes en arquitecturas de transformers y aprendizaje profundo, sugiere

un futuro prometedor para los asistentes conversacionales. La integración de

estas tecnologías con otros sistemas de inteligencia articial, como el apren-

dizaje reforzado y la visión por computadora, podría expandir signicativa-

mente sus capacidades, permitiendo aplicaciones en áreas emergentes como la

salud mental, la realidad aumentada y la interacción multimodal. Sin embargo,

estos avances deben ir acompañados de regulaciones claras y estrategias que

aseguren el equilibrio entre innovación tecnológica y responsabilidad ética.

Conclusiones