IA tradicional versus IA generativa: predecir a partir de datos conocidos o componer salidas nuevas

Un banco quiere saber si el pago con tarjeta que acaba de llegar es fraude. Un ayuntamiento quiere saber cuánta gente irá a la playa el próximo sábado. Un equipo de soporte quiere una respuesta redactada para un cliente enfadado. Las dos primeras preguntas tienen una forma de respuesta fijada de antemano — una clase, un número — y el sistema solo tiene que elegirla o estimarla. La tercera no tiene ninguna opción que elegir: la respuesta hay que componerla. Esa diferencia en la forma de la respuesta es la línea más limpia entre IA tradicional e IA generativa, y es la que decide cuál de las dos necesita una tarea.^[2]

1. Dos preguntas, dos paradigmas

La IA tradicional opera sobre entradas y salidas definidas antes del entrenamiento. No crea nada; aprende relaciones entre variables conocidas para estimar una respuesta probable, que es exactamente lo que necesitan la predicción y el apoyo a la decisión.^[2] El paradigma depende de ejemplos en los que el sistema ya sabe qué entró y cuál debería haber sido el resultado.

La IA generativa aprende las regularidades internas de los datos y las usa para producir nuevos ejemplos coherentes con lo que aprendió.^[3] La pregunta cambia de ¿qué etiqueta debo asignar? a ¿qué salida puedo componer a partir de los patrones observados? — y por eso la respuesta no tiene que existir previamente como opción cerrada: se construye en el momento de la interacción.

Practica: abrir en el Lab: Ejercicio 1, Forma de la respuesta

2. IA tradicional: aprender de ejemplos etiquetados

Los datos etiquetados son registros en los que cada ejemplo ya viene asociado a la categoría o al valor esperado: una transacción marcada como fraude o normal, un cliente marcado como canceló o se quedó, un día marcado con el número de visitantes que realmente aparecieron. Las etiquetas existen porque el modelo necesita una referencia explícita para aprender a asignar entrada a salida sin ambigüedad. Esto es aprendizaje supervisado: el procedimiento de entrenamiento ajusta los parámetros θ de una función f_θ para que sus predicciones se acerquen lo más posible a las etiquetas en todo el conjunto de entrenamiento.^[2]

La ecuación (1) lo dice todo sobre la dependencia de las etiquetas: la pérdida L compara cada predicción con su etiqueta y_i, y nada más. Si las etiquetas están mal — por ejemplo, imágenes de perros marcadas como humano — el sistema aprenderá la asociación equivocada, porque no tiene manera de corregir por sí solo la semántica del dato: para el optimizador, la etiqueta es la verdad. Los errores de etiquetado no son una rareza; una auditoría de diez conjuntos de prueba muy usados encontró de media un 3,3% de ejemplos mal etiquetados, suficiente para cambiar qué modelo queda primero.^[5]

Practica: abrir en el Lab: Ejercicio 2, Etiquetas erróneas

3. Clasificación y regresión: las dos formas de una predicción

La clasificación es la tarea de elegir entre categorías discretas: cancelar o quedarse, spam o legítimo, fraude u operación normal. La regresión estima una cantidad continua: volumen de tráfico, demanda futura, el número de personas esperado en la playa. Las dos usan patrones observados en el histórico, pero difieren en el tipo de salida — clase cerrada en la clasificación, valor numérico en la regresión.^[2] Los modelos más simples de cada familia dejan el contraste a la vista:

La ecuación (2) es la regresión logística, el caballo de batalla de la clasificación binaria: la misma suma ponderada de (3), comprimida a una probabilidad entre 0 y 1 por la función logística σ, y después convertida en clase por un umbral. La ecuación (3) es la regresión lineal: la suma ponderada es la respuesta, sin ninguna clase de por medio. La Figura 2 muestra las dos en ejemplos pequeños.

Practica: abrir en el Lab: Ejercicio 3, Clase o número

4. De la predicción a la decisión: scores, umbrales y triaje

La IA tradicional observa patrones recurrentes y los convierte en una decisión operativa. En fraude bancario, el sistema aprende el comportamiento habitual de cada cliente — importes, horarios, lugares, comercios — y señala las desviaciones con un score de riesgo.^[6] En los filtros de spam, separa mensajes a partir de rasgos ya reconocidos como sospechosos, una idea que se remonta a los filtros bayesianos de finales de los años noventa.^[7] El valor práctico está en automatizar triaje, priorización y recomendación a una escala que ningún equipo de analistas alcanzaría.

Practica: abrir en el Lab: Ejercicio 4, Del score a la decisión

5. La limitación estructural: un espacio de respuestas cerrado

La restricción de este paradigma es que generaliza sobre lo que ya aprendió, pero no sintetiza una salida nueva en el sentido generativo. Identifica, clasifica, ordena o predice dentro de un espacio de respuestas ya delimitado por los datos de entrenamiento y por la tarea. El modelo de fraude solo puede decir fraude o normal; el modelo de visitantes solo puede devolver un número; un recomendador solo puede ordenar ítems que existen en su catálogo. Por eso recomendación, detección y reconocimiento funcionan bien en este modelo, mientras que la creación abierta exige otro enfoque.^[2]

• Espacio de respuestas fijado antes del entrenamiento. Las clases, o el rango numérico, forman parte del enunciado del problema; el modelo nunca añade una opción.
• Una etiqueta por ejemplo. La señal de supervisión es explícita y cara: alguien tuvo que escribirla, y sus errores se aprenden como hechos.
• Fuerza donde el espacio es conocido. Triaje, puntuación, ranking y detección son exactamente las tareas cuyas respuestas son una clase o un número, y el paradigma sigue siendo la herramienta adecuada para ellas.

6. IA generativa: aprender patrones para componer salidas nuevas

La IA generativa aprende las regularidades internas de los datos y las usa para producir nuevos ejemplos coherentes con lo que aprendió.^[3] El cambio de mentalidad está en pasar de ¿qué etiqueta debo asignar? a ¿qué salida puedo componer a partir de los patrones observados?. A diferencia de la IA tradicional, puede aprender con mucha menos dependencia de un etiquetado manual exhaustivo: en vez de exigir que cada ejemplo venga marcado con la respuesta correcta en un formato rígido, explora grandes volúmenes de datos para captar estructura, secuencia, contexto y relaciones implícitas.^[4] Eso amplía la escala del entrenamiento y cambia el tipo de conocimiento que el modelo consigue interiorizar.

El truco es que la etiqueta sale del propio dato. Un modelo de lenguaje se entrena para predecir el siguiente token de un texto que ya existe; un modelo enmascarado se entrena para rellenar palabras que se le ocultaron.^[8] Nadie tuvo que anotar nada: cada frase de la web es a la vez una entrada y su propia respuesta. Formalmente el modelo aprende una distribución de probabilidad sobre secuencias enteras, factorizada un paso a la vez:

Compara (4) con (2). El clasificador devuelve una probabilidad sobre un puñado de clases fijadas de antemano. El modelo generativo devuelve una probabilidad sobre el siguiente fragmento de una salida, condicionada al prompt y a todo lo que ya escribió — y, al encadenar esos pasos, asigna probabilidad a secuencias que nadie enumeró antes. El espacio de respuestas deja de ser un menú; pasa a ser el conjunto de todas las salidas que los patrones aprendidos hacen plausibles.

Practica: abrir en el Lab: Ejercicio 5, Dos maneras de responder

7. Composición condicionada: prompt, contexto y coherencia en entradas largas

El punto nuevo, frente a la predicción tradicional, es que la salida no está prefijada como una clase conocida. Cuando el usuario da una instrucción, el modelo usa el contexto recibido para determinar qué generar — texto, imagen, sonido o código. El resultado sigue condicionado a los patrones aprendidos, pero se compone dinámicamente en vez de seleccionarse de una lista de respuestas posibles.^[4]

Esa capacidad hace posibles la escritura automatizada, la generación de imágenes, la producción asistida de código y la traducción automática sofisticada.^[9] En la traducción en tiempo real, el sistema no se limita a identificar palabras aisladas; recompone el mensaje de forma coherente en el idioma de destino, y por eso la traducción neuronal superó a los sistemas basados en frases en cuanto la atención permitió al decodificador mirar hacia atrás a la parte correcta de la fuente.^[10] El mismo principio empieza a aparecer en wearables y dispositivos embebidos — gafas inteligentes y anillos inteligentes — que usan generación contextual para sostener una interacción continua a lo largo del día: un subtítulo para lo que ve la cámara, una respuesta sugerida a partir de los últimos mensajes, un resumen dicho al auricular.

Los modelos generativos modernos mantienen la coherencia en entradas más largas porque procesan dependencias entre partes distantes del contenido. El Transformer, presentado en el artículo anterior, es la base que maneja mejor el contexto largo y sostiene la continuidad semántica durante la generación: la atención permite que cada posición pondere directamente todas las demás, en vez de depender de un estado que se desvanece con la distancia.^[1] Eso es decisivo en diálogo, traducción y producción de texto extenso, donde el sentido depende de lo que vino mucho antes.

Las dos maneras de responder caben en pocas líneas de código. La forma del valor devuelto es toda la diferencia:

from math import exp

CLASES = ["normal", "fraude"]          # espacio de respuestas cerrado: fijado antes del entrenamiento

def clasificar(atributos, pesos, sesgo, umbral=0.5):
    # IA tradicional: un score para la clase positiva, luego una decisión — ecuación (2)
    z = sum(w * x for w, x in zip(pesos, atributos)) + sesgo
    score = 1 / (1 + exp(-z))
    return CLASES[int(score >= umbral)], score   # una de las opciones conocidas, más el score

def predecir_valor(atributos, pesos, sesgo):
    # regresión: un número, no una clase — ecuación (3)
    return sum(w * x for w, x in zip(pesos, atributos)) + sesgo

def componer(tokens_del_prompt, modelo, max_nuevos=50, parada="<eos>"):
    # IA generativa: la respuesta se construye token a token — ecuación (4)
    contexto = list(tokens_del_prompt)
    for _ in range(max_nuevos):
        distribucion = modelo.distribucion_siguiente_token(contexto)   # p(x_t | prompt, x_<t)
        token = distribucion.muestrear()
        if token == parada:
            break
        contexto.append(token)          # lo escrito pasa a formar parte del contexto
    return contexto[len(tokens_del_prompt):]   # una secuencia que nadie enumeró antes

8. Opción múltiple frente a escritor: elegir el paradigma para la tarea

La analogía más útil es comparar la IA tradicional con un alumno de opción múltiple y la IA generativa con un escritor. El primero elige entre alternativas ya dadas; el segundo produce una historia nueva a partir del repertorio que acumuló. La implicación práctica es directa: los sistemas tradicionales son fuertes cuando el espacio de respuesta es conocido, mientras que los sistemas generativos destacan cuando la tarea exige composición, reformulación y creación condicionada al contexto. La Tabla 1 pone los dos lado a lado.

Tabla 1 — Los dos paradigmas comparados. Ninguno sustituye al otro: un banco ejecuta un clasificador en cada transacción y un modelo generativo solo donde hay que escribir un texto.^[2,4]

9. Conclusión

La línea entre los dos paradigmas no es la inteligencia, el tamaño ni la edad; es la forma de la respuesta. La IA tradicional aprende de ejemplos etiquetados a elegir una clase o estimar un número dentro de un espacio definido antes del entrenamiento, lo que la hace precisa, auditable y la herramienta adecuada para detección, ranking y previsión. La IA generativa aprende los patrones del propio dato y compone una salida que no existía como opción, condicionada al prompt y a un contexto que el Transformer le permite sostener en tramos largos. Pregunta primero qué forma tiene la respuesta: si es un menú, usa al alumno de opción múltiple; si hay que escribirla, llama al escritor — y mantén a un humano leyendo lo que el escritor produce. El próximo artículo abre la caja de herramientas del escritor: el mapa probabilístico que el modelo aprende en vez de una correspondencia, la autorregresión token a token, la self-attention en contexto largo y los embeddings que dan coordenadas al significado.