IA Generativa vs IA Clásica
Dos mundos, un nombre
Cuando alguien dice “uso IA”, puede estar hablando de dos cosas muy distintas. Entender la diferencia es fundamental para saber qué herramienta usar para cada problema.
IA Clásica (Predictiva)
La IA clásica predice o clasifica. Toma datos de entrada y produce una etiqueta, un número, o una decisión.
Ejemplos concretos
| Aplicación | Entrada | Salida | Cómo funciona |
|---|---|---|---|
| Filtro de spam | ”spam” o “no spam” | Clasificación binaria | |
| Precios de casa | m², ubicación, habitaciones | Precio en dólares | Regresión |
| Diagnóstico médico | Radiografía | ”tumor” o “sano” | Clasificación con imágenes |
| Detección de fraude | Transacción bancaria | ”fraude” o “legítima” | Anomalía |
Características
- Entrada definida: sabes exactamente qué datos tienes
- Salida definida: sabes qué tipo de respuesta esperas
- Entrenamiento supervisado: necesita datos etiquetados
- Métricas claras: accuracy, precision, recall — sabes si funciona bien
IA Generativa
La IA generativa crea contenido nuevo. No clasifica, genera.
Ejemplos concretos
| Aplicación | Entrada | Salida | Qué hace |
|---|---|---|---|
| ChatGPT | ”Escribe un poema” | Poema original | Genera texto |
| DALL-E | ”Gato astronauta” | Imagen creada | Genera imágenes |
| GitHub Copilot | Comentario de código | Código funcional | Genera código |
| Suno | Letras + estilo | Canción completa | Genera audio |
| Runway | Prompt de video | Video corto | Genera video |
Características
- Entrada abierta: un prompt en lenguaje natural
- Salida abierta: infinitas respuestas posibles
- Entrenamiento no supervisado: aprende patrones sin etiquetas
- Métricas difusas: ¿cómo mides si un poema es “correcto”?
Comparación directa
| Aspecto | IA Clásica | IA Generativa |
|---|---|---|
| Objetivo | Predecir/clasificar | Crear contenido nuevo |
| Entrada | Datos estructurados | Texto natural (prompt) |
| Salida | Etiqueta o número | Texto, imagen, código, audio |
| Determinismo | Misma entrada → misma salida | Misma entrada → salida diferente |
| Datos de entrenamiento | Etiquetados (supervisado) | No etiquetados (auto-supervisado) |
| Evaluación | Métricas claras | Subjetiva, humana |
| Ejemplo | ”¿Es spam?” → Sí/No | ”Escribe un email” → Texto |
| Riesgo principal | Falso positivo/negativo | Hallucinación |
| Modelos populares | XGBoost, Random Forest | GPT-4, Gemini, Claude, Stable Diffusion |
¿Por qué importa esta diferencia?
[!TIP] Si necesitas decidir algo (¿es spam? ¿es fraude?), usa IA clásica. Si necesitas crear algo (texto, código, imagen), usa IA generativa.
Casos donde la gente se equivoca
- Usar IA generativa para clasificar: ChatGPT puede clasificar, pero un modelo clásico es más rápido, barato y preciso
- Usar IA clásica para crear: No puedes pedirle a un Random Forest que escriba un artículo
- Confiar en IA generativa como base de datos: Los LLMs inventan datos. Para consultas factuales, usa una base de datos real
La zona gris: RAG y herramientas
La línea se está difuminando. Técnicas como RAG (Retrieval-Augmented Generation) combinan lo mejor de ambos mundos:
Tu pregunta → [Buscar en base de datos] → [Generar respuesta basada en datos reales] → Respuesta precisaEsto permite que un modelo generativo use datos reales (como la IA clásica) pero los exprese en lenguaje natural (como la generativa).
Cómo se complementan
En la práctica, los sistemas modernos combinan ambas:
- ChatGPT con búsqueda: Generativo + recuperación clásica
- Copilot con linting: Genera código (generativo) + detecta errores (clásico)
- Hermes Agent con terminal: Planifica (generativo) + ejecuta comandos (clásico/determinista)
En el siguiente capítulo vamos a entrar en detalle en los LLMs, el motor detrás de toda esta revolución generativa.