🧰 El que conecta la API no es el que construyó el modelo
Consumir inteligencia y construirla son capacidades distintas
En foros de tecnología colombianos y en LinkedIn regional es frecuente encontrar perfiles que se presentan como "expertos en inteligencia artificial" con uno o dos años de experiencia usando herramientas de automatización como n8n, Make o conectores hacia OpenAI. La experiencia es real y útil para lo que hace. Pero llamarla con el mismo nombre que describe décadas de trabajo en machine learning, redes neuronales y sistemas probabilísticos no es un matiz menor.
Tener la herramienta no es tener el oficio.
La inteligencia artificial es un campo con más de setenta años de historia documentada. El término fue acuñado en 1956 en la conferencia de Dartmouth, y desde entonces el campo creció por capas que no se reemplazaron entre sí. La primera generación de soluciones con tracción real fue la de los sistemas expertos en los años setenta y ochenta, programas que codificaban el conocimiento de un especialista en reglas lógicas. MYCIN, desarrollado en Stanford en 1972, asistía en el diagnóstico de infecciones bacterianas y demostró que una máquina podía realizar razonamiento estructurado antes de que existiera ninguna interfaz de chat. Después llegó el machine learning, ML, disciplina en la que los modelos aprenden patrones desde datos sin que nadie les programe explícitamente cada regla. Dentro del ML surgió el deep learning, DL, basado en redes neuronales con múltiples capas que aprenden representaciones de datos no estructurados como imágenes o texto. La IA generativa, que hoy copa los titulares, es una subcategoría del DL que produce nuevos objetos que se parecen a los datos de entrenamiento. Un modelo que clasifica si un correo es fraude es ML. Un modelo que escribe el correo es IA generativa. Son herramientas distintas para problemas distintos, y confundirlas no es un error inocuo.
El estudiante que sabe buscar la respuesta al final del libro responde bien cuando el ejercicio está ahí. El que entiende por qué esa respuesta es correcta puede resolver el que no aparece en ninguna página. Las empresas contratan el segundo tipo aunque el primero sea más abundante.
El ML supervisado, no supervisado y por refuerzo sigue siendo el tipo de IA más frecuente en producción dentro de los sectores colombianos que trabajan con datos desde hace más de cinco años. Detección de fraude en bancos, modelos de churn en telecomunicaciones, predicción de demanda en retail, clasificación de defectos en manufactura. Esos modelos no generan texto; predicen, clasifican o agrupan. Requieren saber leer métricas de evaluación como precisión, recall y AUC-ROC, gestionar el desbalanceo de clases, validar contra sobreajuste y monitorear el drift, que es la degradación que sufre un modelo cuando los datos del mundo real empiezan a diferir de los datos con que fue entrenado. Un practicante que solo conoce herramientas de IA generativa no sabe leer una matriz de confusión, no puede evaluar si un modelo con noventa y cinco por ciento de exactitud es en realidad inservible para detectar fraude en una clase con uno por ciento de positivos, y no puede decidir si el sistema existente en la empresa necesita reemplazarse o simplemente recalibrarse. Tener la herramienta no es tener el oficio.
El siguiente ejemplo muestra dos enfoques para clasificar tickets de soporte técnico de una empresa de servicios. El primero es representativo de alguien que llega al problema con experiencia únicamente en herramientas de IA generativa. El segundo refleja el criterio de alguien con base en ML.
# Sin base técnica: LLM para clasificar tickets
import openai
def clasificar(texto):
r = openai.chat.completions.create(
model="gpt-4",
messages=[{"role": "user",
"content": f"Clasifica en facturacion, tecnico o comercial.\n{texto}"}]
)
return r.choices[0].message.content
# Con base técnica: modelo entrenado sobre históricos
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
modelo = Pipeline([
("vec", TfidfVectorizer(max_features=5000)),
("clf", LogisticRegression(class_weight="balanced"))
])
modelo.fit(textos_historicos, etiquetas)
pred = modelo.predict([nuevo_ticket])
prob = modelo.predict_proba([nuevo_ticket])
La primera versión funciona en demos y volúmenes bajos, pero en producción con miles de tickets diarios genera costo por cada llamada al API, latencia impredecible y salidas inconsistentes cuando cambia la versión del modelo del proveedor. La segunda entrena una vez sobre los datos reales de la empresa, clasifica en milisegundos, cuesta centavos en infraestructura y expone la probabilidad de cada predicción para auditar errores. La decisión entre ambas no depende de cuál sea más moderna sino de cuál resuelve el problema con el menor riesgo y costo. Saber eso requiere conocer el mapa completo del campo, no solo el capítulo que más circula.
En los años ochenta ocurrió algo parecido con los sistemas expertos. Cientos de consultores construyeron soluciones de "IA" codificando reglas sin entender el razonamiento probabilístico que sostenía el campo. Cuando las limitaciones aparecieron y llegó el primer invierno de la IA, esos consultores desaparecieron; los investigadores que entendían los fundamentos construyeron el ciclo siguiente. Hay más de un verano en la historia de la IA, y tener la herramienta no es tener el oficio.
Recursos recomendados
- IBM Think - AI vs. Machine Learning vs. Deep Learning vs. Neural Networks (explicador)
- MIT News - Explained - Generative AI (artículo, noviembre 2023)
- Stanford HAI - AI Index Report 2025 (informe anual)
- fast.ai - Practical Deep Learning for Coders (curso gratuito)
El MIT News documentó en noviembre de 2023 que, antes del auge de la IA generativa, cuando la gente hablaba de IA normalmente se refería a modelos de ML que aprendían a hacer predicciones sobre datos. El artículo, producido por investigadores del CSAIL del MIT, señala que a pesar del ruido que generó el lanzamiento de ChatGPT, la tecnología subyacente no es nueva y los avances computacionales que la sostienen llevan más de cincuenta años construyéndose. La distinción técnica importa porque define qué tipo de formación se necesita para diseñar, evaluar y mantener cada sistema.
El AI Index de Stanford HAI, que desde 2018 rastrea el estado global del campo, documenta cada año que el inventario de tipos de IA en producción es mucho más amplio que los modelos de lenguaje de gran escala. Los sistemas de ML clásico, visión por computador, procesamiento de lenguaje natural pre-LLM y modelos de series de tiempo siguen operando en la mayoría de organizaciones que adoptaron IA antes de 2022. Llegar al libro abierto en la última página no garantiza haber leído los capítulos anteriores.
Primero identifica qué tipo de problema tiene tu empresa, si es de predicción, clasificación, agrupación o generación, luego pregunta si los perfiles que se presentan como expertos en IA pueden explicar cuándo no usarían IA generativa, después revisa el explicador de IBM y el artículo del MIT referenciados abajo para construir un criterio básico de evaluación, por último usa el curso gratuito de fast.ai para contrastar lo que sabes con lo que el campo lleva décadas enseñando.
¿En tu empresa hay alguien que pueda decidir cuándo un problema necesita ML clásico y cuándo necesita IA generativa, o se usa GenAI para todo porque es lo que más se oye? 🧰