IA generativa vs. IA tradicional: las diferencias que importan

Cuando alguien dice "vamos a meterle IA a esto", casi siempre está pensando en algo que genera texto o imágenes — porque eso es lo que acapara titulares desde 2023. Pero gran parte de la IA que ya usás todos los días no genera nada: clasifica, predice o recomienda. Son familias distintas, con fortalezas y límites distintos, y confundirlas lleva a elegir la herramienta equivocada.

IA tradicional (o "discriminativa"): decide entre opciones que ya existen

Este tipo de IA responde preguntas de la forma "¿A cuál categoría pertenece esto?" o "¿Qué tan probable es X?". Ejemplos concretos:

• El filtro de spam de tu correo decide: ¿spam o no spam?
• El sistema de tu banco decide: ¿esta transacción parece fraude o no?
• Un sistema de mantenimiento predictivo decide: ¿esta máquina va a fallar en los próximos 30 días?

No inventa nada nuevo. Elige entre un conjunto finito y predefinido de respuestas posibles, basándose en patrones aprendidos de datos históricos. Su fortaleza es la precisión medible: podés calcular exactamente qué porcentaje de aciertos tiene, y es razonablemente predecible en producción.

IA generativa: crea algo que no existía

Acá entran los LLM (texto), los modelos de difusión (imágenes como Midjourney o DALL-E) y sus primos para audio y video. En vez de elegir entre opciones fijas, producen una salida nueva, construida token por token o píxel por píxel, guiada por lo que aprendieron sobre "qué suele venir después de qué".

Su fortaleza es la flexibilidad: el mismo modelo puede escribir un correo, resumir un contrato o explicar una fórmula de Excel, sin que nadie haya programado cada caso por separado. Su debilidad es la que vimos en el artículo anterior: no hay garantía de exactitud, solo de plausibilidad.

Por qué mezclar las dos categorías genera malas decisiones

Es común ver proyectos que le piden a un LLM hacer el trabajo de un clasificador — por ejemplo, decidir si una transacción es fraudulenta basándose en una descripción en texto libre. Puede funcionar razonablemente bien, pero un modelo entrenado específicamente para esa tarea de clasificación, con datos históricos etiquetados de esa empresa, casi siempre le va a ganar en precisión, costo y velocidad.

Y al revés: pedirle a un sistema de reglas fijas que "redacte una respuesta empática a un cliente molesto" es pedirle algo para lo que nunca fue diseñado. Ahí es donde un LLM generativo brilla.

La pregunta útil antes de elegir herramienta no es "¿le metemos IA?", sino: ¿necesito elegir entre opciones conocidas, o necesito producir algo que no existía? La respuesta decide la familia de herramienta, antes incluso de pensar en qué proveedor o modelo específico usar.

Un matiz: los modelos híbridos

La frontera se está difuminando. Los LLM modernos también pueden clasificar (pedile que te diga "sí/no" o "A/B/C" y lo hace razonablemente bien), y hay sistemas generativos que incorporan clasificadores internos para decidir qué generar. Pero como marco mental para arrancar un proyecto, la distinción sigue siendo la pregunta más útil que te podés hacer.

En el próximo artículo bajamos de la teoría a lo concreto: cinco lugares donde ya estás usando IA todos los días, aunque no lo hayas notado.