Qué quiere decir la gente cuando habla de IA

Decí “IA” en una reunión y diez personas van a imaginar diez cosas distintas. Alguien piensa en un chatbot. Otra persona piensa en un sistema que detecta fraude. Otra se imagina robots. Todas tienen algo de razón, y ese es el problema.

La palabra se volvió un paraguas. Adentro entran herramientas con fortalezas, costos y formas de fallar muy distintas. Cuando el término es borroso, las decisiones que se toman con él también lo son.

Este post propone un modelo mental práctico. No técnico por deporte, sino útil para decidir. La idea es que, la próxima vez que alguien diga “usemos esto para resolverlo”, puedas hacer una pregunta mejor.

Por qué “IA” es una palabra tan amplia

Hasta las definiciones oficiales son amplias a propósito. La OCDE, cuya redacción tomaron como referencia la Unión Europea, Estados Unidos y otros países, define un sistema de IA como “un sistema basado en máquinas que, para objetivos explícitos o implícitos, infiere, a partir de la entrada que recibe, cómo generar salidas tales como predicciones, contenido, recomendaciones o decisiones” (OECD AI Principles).

Fijate cuántas cosas cumplen con esa definición. Un filtro de spam. Una herramienta que escribe textos de marketing. Un sistema que recomienda precios. Un bot que agenda reuniones.

Esa amplitud sirve para política pública. Sirve menos cuando tenés que decidir dónde invertir. Para eso conviene separar el paraguas en tres categorías.

Tres categorías que conviene no mezclar

1. Modelos predictivos

Es la rama más vieja y menos vistosa, y hace funcionar buena parte de la economía. Le das al sistema muchos ejemplos pasados, aprende patrones y después estima qué puede pasar en un caso nuevo.

¿Este cliente se va a ir? ¿Esta transacción parece fraude? ¿Cuántas unidades vamos a vender el mes que viene?

Los modelos predictivos funcionan bien con preguntas acotadas, datos históricos razonablemente limpios y una variable clara para predecir. Funcionan mal cuando hay pocos datos, cuando están desordenados o cuando el pasado dejó de parecerse al presente. También pueden absorber sesgos de los datos sin avisarte.

2. Modelos generativos

Es la rama que llegó a los titulares. Produce contenido nuevo: texto, imágenes, audio, código. Los modelos grandes de lenguaje detrás de los asistentes de chat son el ejemplo más conocido.

La adopción creció muy rápido. En el AI Index de Stanford, la proporción de organizaciones que reportaron usar herramientas generativas en al menos una función de negocio pasó del 33 por ciento al 71 por ciento en un año (Stanford HAI AI Index 2025).

Los modelos generativos sirven para primeros borradores, resúmenes, traducciones, reformulaciones, ideas iniciales y para convertir notas sueltas en algo legible. Son rápidos y flexibles. Su problema es otro: no son confiablemente correctos.

Un modelo de lenguaje no “sabe” en el sentido humano. Predice texto probable. Por eso puede afirmar algo falso con mucha seguridad. También falla en aritmética exacta, en reconocer lo que no sabe y en cualquier tarea donde “suena plausible” no alcanza.

3. Automatización y agentes

La tercera categoría no solo responde. Toma acciones.

La automatización simple sigue reglas fijas: cuando llega una factura, archivala en esta carpeta y avisale a esta persona. Los agentes son una versión más nueva: a un modelo generativo se le dan herramientas y cierto margen para decidir pasos, como buscar en una base, completar un formulario o mandar un mail.

La automatización con reglas fijas funciona bien cuando el proceso es estable. Es predecible y fácil de auditar. Los agentes sirven para tareas más desordenadas y de varios pasos, pero heredan los problemas del modelo que los maneja. Además suman un riesgo: una acción equivocada suele ser más cara que una respuesta equivocada.

La mayoría de los productos reales mezcla categorías. Una herramienta de soporte puede predecir qué tickets son urgentes, redactar una respuesta y cerrar casos simples por su cuenta. Para decidir bien, conviene saber qué parte estás evaluando.

Algunos términos simples

Modelo. El sistema entrenado. Recibe una entrada y produce una salida. Pensalo como una receta aprendida a partir de ejemplos, no escrita a mano.

Datos de entrenamiento. Los ejemplos de los que aprendió el modelo. Su calidad pone un techo. Si los datos son limitados, viejos o sesgados, el modelo también va a arrastrar eso.

Token. La unidad con la que un modelo de lenguaje lee y escribe. Suele ser una palabra o parte de una palabra. Importa por dos razones: muchos servicios cobran por token, y cada modelo tiene un límite de cuántos tokens puede considerar a la vez. Como señal de lo rápido que bajaron los costos, Stanford reporta que correr un modelo a un nivel de calidad de 2022 pasó de unos 20 dólares por millón de tokens a 7 centavos en aproximadamente dos años (Stanford HAI AI Index 2025).

Alucinación. Cuando un modelo generativo produce contenido que suena correcto pero es falso. Una revisión académica lo resume como contenido plausible pero no factual (ACM Transactions on Information Systems). El NIST prefiere llamarlo “confabulación” y lo trata como un rasgo estructural de estos sistemas, no como un error raro (NIST AI 600-1, Generative AI Profile).

La idea importante para quien decide es simple: seguro y correcto no son lo mismo.

La distancia entre una demo y un martes cualquiera

Una demo está hecha para salir bien. Usa un caso limpio, una audiencia paciente y alguien que sabe exactamente qué escribir. El trabajo real es otra cosa: datos incompletos, excepciones, gente apurada y clientes esperando del otro lado.

Una herramienta puede impresionar durante diez minutos y aun así equivocarse lo suficiente como para costar más de lo que ahorra. El costo aparece cuando alguien tiene que revisar, corregir, explicar o deshacer.

Las preguntas útiles no son espectaculares. ¿Con qué frecuencia se equivoca? ¿Cómo lo vamos a detectar? ¿Qué pasa con los casos que la demo no mostró? ¿Quién responde si sale mal?

Tratá la demo como una hipótesis de partida, no como un veredicto.

Dónde te deja esto

No necesitás volverte técnico. Necesitás un modelo lo bastante claro para hacer mejores preguntas.

Cuando alguien diga “usemos IA”, podés preguntar: ¿para predecir, generar o actuar? ¿En qué es fuerte esa categoría? ¿Dónde falla? ¿Qué distancia hay entre esta demo y un uso confiable en una semana normal de trabajo?

Esa es la base. Una vez que la palabra significa algo más específico, la siguiente pregunta se vuelve práctica: ¿dónde rinde dentro de una empresa? Lo retomamos en dónde encaja en una empresa. Y si tu equipo ya usa estas herramientas sin un plan común, también vale la pena leer qué está haciendo ya tu equipo.

Primero entendé lo que tenés. Después decidí qué hacer. Ese orden ahorra más plata de la que parece.