IA más allá de chatGPT: recomendación, clasificación y predicción
30 de agosto, 2026
Hablar de IA está de moda. Pero la IA generativa (ChatGPT, Claude, Gemini) es solo una familia dentro de la inteligencia artificial, y la más reciente. La mayor parte de las veces en las que se habla de IA en una reunión (sobre todo en entornos con personas sin trasfondo técnico) no se refiere a toda la IA, sino a la IA generativa. La que más ha despegado en los últimos años, pero no la única.
Pero la IA (la que no es generativa) ya estaba ahí mucho antes: recomendándote cuál era el siguiente capítulo que ver en Netflix, clasificando si un correo era o no spam, o prediciendo si mañana esa gran cadena de ropa va a vender más jerseys o menos. La recomendación, la clasificación y la predicción son solo algunos ejemplos de aplicaciones de IA que llevan más de una década en producción, ayudando a productos digitales y a negocios a ir un paso más allá.
Pero la IA (la que no es generativa) ya estaba ahí mucho antes: recomendándote cuál era el siguiente capítulo que ver en Netflix, clasificando si un correo era o no spam, o prediciendo si mañana esa gran cadena de ropa va a vender más jerseys o menos. La recomendación, la clasificación y la predicción son solo algunos ejemplos de aplicaciones de IA que llevan más de una década en producción, ayudando a productos digitales y a negocios a ir un paso más allá.
El sesgo de 2022
En 2022 hubo varios hitos que favorecieron que la IA generativa se introdujese en la conversación general y a que empezara a consolidarse en el lenguaje colectivo que IA = IA generativa.
2022 fue el año bisagra de la IA generativa, y cuando la IA empezó a interesar mucho más al ciudadano de a pie (más allá de ver una buena película de Spielberg).
- En abril OpenAI abrió más el acceso a DALL·E 2, su modelo de generación de imágenes.
- Midjourney entró en beta abierta en julio de 2022.
- Stable Diffusion se lanzó en agosto del mismo año.
- En noviembre, el lanzamiento de chatGPT fue la guinda del pastel y el que causó un boom mediático y masivo.
2022 fue el año bisagra de la IA generativa, y cuando la IA empezó a interesar mucho más al ciudadano de a pie (más allá de ver una buena película de Spielberg).
| Familia | Pregunta que responde | Ejemplos que conoces | Característica clave |
|---|---|---|---|
| Clasificación | ¿A qué categoría pertenece esto? | Spam/no spam, fraude, moderación de contenido, priorizar tickets de soporte | Salida cerrada y evaluable: acierta o no acierta. |
| Predicción | ¿Qué va a pasar / cuánto? | Previsión de demanda, riesgo de impago, probabilidad de que un cliente se dé de baja (churn), tiempo estimado de entrega | Da una probabilidad (número), se mide contra la realidad y se puede corregir |
| Recomendación | ¿Qué le muestro a esta persona? (Basándome en lo que gente de su perfil consume) | Netflix, Spotify, Amazon, tu feed de redes sociales | Aprende del comportamiento agregado de muchos usuarios (segmentando por características), mejora con grandes volúmenes de datos |
| Generación | Créame algo nuevo (un post, una imagen, una estrategia, un esquema) | ChatGPT, Claude, Midjourney, DALLE, Gemini, Deepseek .... | Salida abierta, genera algo nuevo. No determinista. |
Existen más familias, como visión por computador, reconocimiento de voz ... pero estas cuatro podríamos considerarlas las básicas para una conversación de producto.
Algunas diferencias importantes
Tus datos vs los de todos.
Los tres ejemplos de IA no generativa se entrenan normalmente con TUS datos (por ejemplo, si quieres predecir tus ventas, lo alimentarás con tus datos históricos, aunque pueda haber datos estacionales o del exterior que impacten en las ventas). Requiere además que tengas un equipo (interno o a través de un proveedor) que sea capaz de hacer ese entrenamiento.
Sin embargo, un LLM viene entrenado con "todo internet" y no sabe nada de tu negocio salvo que se lo pases en el contexto.
Dificultad a la hora de evaluar los resultados
En un clasificador, por ejemplo que evalúa si una llamada o un SMS se etiqueta como "fraude" o "no fraude", es relativamente fácil de medir. Por otro lado, evaluar si un resumen es "bueno" necesita un criterio más fino, evals y humanos. La IA generativa es más compleja de evaluar.
Coste por uso
Una predicción de un modelo clásico cuesta una fracción despreciable, sin embargo una llamada a un LLM se factura en base a los tokens (cuanto más contexto le pasemos, más tokens) y se nota en el margen cuando se escala. En decisiones masivas y repetitivas, como clasificar un mail en spam, el modelo clásico gana por goleada económica.
La forma del fallo
Un clasificador se equivoca de forma medible. Imagina que en un banco tenemos un modelo que detecta si una transacción es fraudulenta. Ese modelo devuelve una probabilidad junto a la etiqueta "fraude"/"no fraude", por ejemplo 0,92. Con miles de casos históricos puedes estudiarlos y saber cómo se comporta esa probabilidad: por ejemplo que por encima de 0,90 acierta el 99% de los casos, pero entre 0,6 y 0,92 solo un 70%. Sabes que tu error tiene dos opciones si mantienes un comportamiento automatizado: o bloqueas una compra legítima (fastidiando a un cliente honesto) o dejas pasar una compra fraudulenta (perjudicas al negocio). Una posible solución en este caso es permitir el bloqueo automático por encima de 0,90 pero pedir una verificación por SMS (una pequeña fricción adicional para el usuario, en el porcentaje de casos en el que puedes tener mayores pérdidas) entre 0,6 y 0,92.
Un LLM falla generando algo plausible y seguro de sí mismo, siendo el error más difícil de detectar. No te da un número y de hecho, en función del input del LLM, al no ser determinista su respuesta variará de forma considerable. En la mayor parte de los casos una respuesta de un LLM sólo podrá evaluarse o por un humano (con muchísimos casos que testear) o con otro modelo que haga de evaluador.
Los tres ejemplos de IA no generativa se entrenan normalmente con TUS datos (por ejemplo, si quieres predecir tus ventas, lo alimentarás con tus datos históricos, aunque pueda haber datos estacionales o del exterior que impacten en las ventas). Requiere además que tengas un equipo (interno o a través de un proveedor) que sea capaz de hacer ese entrenamiento.
Sin embargo, un LLM viene entrenado con "todo internet" y no sabe nada de tu negocio salvo que se lo pases en el contexto.
Dificultad a la hora de evaluar los resultados
En un clasificador, por ejemplo que evalúa si una llamada o un SMS se etiqueta como "fraude" o "no fraude", es relativamente fácil de medir. Por otro lado, evaluar si un resumen es "bueno" necesita un criterio más fino, evals y humanos. La IA generativa es más compleja de evaluar.
Coste por uso
Una predicción de un modelo clásico cuesta una fracción despreciable, sin embargo una llamada a un LLM se factura en base a los tokens (cuanto más contexto le pasemos, más tokens) y se nota en el margen cuando se escala. En decisiones masivas y repetitivas, como clasificar un mail en spam, el modelo clásico gana por goleada económica.
La forma del fallo
Un clasificador se equivoca de forma medible. Imagina que en un banco tenemos un modelo que detecta si una transacción es fraudulenta. Ese modelo devuelve una probabilidad junto a la etiqueta "fraude"/"no fraude", por ejemplo 0,92. Con miles de casos históricos puedes estudiarlos y saber cómo se comporta esa probabilidad: por ejemplo que por encima de 0,90 acierta el 99% de los casos, pero entre 0,6 y 0,92 solo un 70%. Sabes que tu error tiene dos opciones si mantienes un comportamiento automatizado: o bloqueas una compra legítima (fastidiando a un cliente honesto) o dejas pasar una compra fraudulenta (perjudicas al negocio). Una posible solución en este caso es permitir el bloqueo automático por encima de 0,90 pero pedir una verificación por SMS (una pequeña fricción adicional para el usuario, en el porcentaje de casos en el que puedes tener mayores pérdidas) entre 0,6 y 0,92.
Un LLM falla generando algo plausible y seguro de sí mismo, siendo el error más difícil de detectar. No te da un número y de hecho, en función del input del LLM, al no ser determinista su respuesta variará de forma considerable. En la mayor parte de los casos una respuesta de un LLM sólo podrá evaluarse o por un humano (con muchísimos casos que testear) o con otro modelo que haga de evaluador.
En producto, ¿cómo suena una oportunidad de cada categoría?
Si escuchas algo como...
La trampa habitual es la de siempre en el mundo del producto (incluso sin IA), y es cuando nos vienen con la solución en vez de con el problema. Y esto se agrava cuando la IA está de moda y todo el mundo cree que cualquier cosa se arregla con IA. Esta tecnología, como todas, es buena para una serie de problemas, pero no para otros. Si alguien viene diciéndote que quiere que le pongas IA, entiende bien qué necesita, y luego ya evaluará el equipo cuál es la mejor solución a nivel técnico.
- "Los agentes pierden tiempo etiquetando/enrutando/priorizando a mano ..." -> huele a un problema de clasificación.
- "Ojalá supiéramos cuánto stock necesitamos tener en el almacén / qué clientes se nos van a ir / cuánto va a tardar esto" -> huele a predicción.
- "Cada usuario debería ver lo que le interesa de manera personalizada, y no todo nuestro catálogo de servicios" -> huele a recomendación.
- "La gente tarda mucho en redactar/resumir/extraer información de documentos" -> huele a generativa.
La trampa habitual es la de siempre en el mundo del producto (incluso sin IA), y es cuando nos vienen con la solución en vez de con el problema. Y esto se agrava cuando la IA está de moda y todo el mundo cree que cualquier cosa se arregla con IA. Esta tecnología, como todas, es buena para una serie de problemas, pero no para otros. Si alguien viene diciéndote que quiere que le pongas IA, entiende bien qué necesita, y luego ya evaluará el equipo cuál es la mejor solución a nivel técnico.
No son excluyentes: se combinan
Un producto puede mezclar varias categorías, no son excluyentes entre sí. La pregunta clave es: ¿alguna de estas categorías encaja con este problema, con estos datos y con esta tolerancia al error?
La próxima vez que alguien proponga añadir IA, entiende bien el problema y pregúntate si cae en alguno de estos cajones, o si hay una versión más simple y económica de resolver el problema.
En el itinerario para gente de producto de IA sin drama profundizamos en los conceptos de IA y su aplicación al mundo de producto. Si te animas, es aquí: https://www.sindrama.ai/#cursos
La próxima vez que alguien proponga añadir IA, entiende bien el problema y pregúntate si cae en alguno de estos cajones, o si hay una versión más simple y económica de resolver el problema.
En el itinerario para gente de producto de IA sin drama profundizamos en los conceptos de IA y su aplicación al mundo de producto. Si te animas, es aquí: https://www.sindrama.ai/#cursos