IA generativa o IA tradicional, cuál necesita tu problema
Dos familias de tecnología que resuelven problemas distintos. Cómo reconocer cuál corresponde a cada caso y por qué elegir mal encarece el proyecto.
La conversación sobre inteligencia artificial se concentró tanto en los modelos de lenguaje que muchas organizaciones intentan resolver con ellos problemas que corresponden a otra familia de técnicas. El resultado es caro: soluciones imprecisas para problemas que tenían una respuesta mejor y más económica.
Dos familias, dos tipos de problema
La IA predictiva trabaja con números y categorías a partir de datos históricos. Responde preguntas del tipo cuánto, cuándo o qué probabilidad hay. Pronóstico de ventas, riesgo crediticio, probabilidad de abandono, detección de fraude, mantenimiento predictivo.
Características: necesita historia, da resultados cuantificables, se puede medir su precisión con exactitud y es auditable.
La IA generativa trabaja con lenguaje y contenido. Responde preguntas del tipo qué dice esto, cómo lo explico o redactame esto. Resumir documentos, clasificar consultas, extraer datos de texto, redactar borradores, responder preguntas sobre documentación.
Características: no necesita historia propia, trabaja bien con información no estructurada, y su evaluación es más cualitativa.
Cómo reconocer cuál corresponde
Una pregunta alcanza: ¿la respuesta es un número o un texto?
Si lo que necesitás es un número, una probabilidad o una categoría a partir de datos tabulares, corresponde IA predictiva. Si lo que necesitás es entender, resumir o producir lenguaje, corresponde IA generativa.
Ejemplos de la confusión más común:
- Queremos predecir qué clientes se van a ir. Es predictivo. Usar un modelo de lenguaje para esto da resultados peores y más caros.
- Queremos entender por qué se quejan los clientes. Es generativo: hay que procesar texto libre y encontrar temas.
- Queremos saber cuánto stock pedir. Predictivo.
- Queremos redactar la comunicación a cada cliente según su situación. Generativo.
Por qué elegir mal sale caro
Usar un modelo de lenguaje para una tarea numérica tiene tres problemas: el resultado es menos preciso, el costo por consulta es mucho mayor que el de un modelo estadístico, y la explicabilidad es peor justo donde más se necesita.
En sentido inverso, intentar resolver con reglas o modelos tradicionales el procesamiento de texto libre lleva a sistemas frágiles que hay que mantener constantemente y que se rompen con cada variación de formato.
La combinación que funciona
Los sistemas más útiles en producción suelen usar las dos familias, cada una en su parte.
Un ejemplo en gestión de cobranzas: un modelo predictivo estima la probabilidad de pago de cada cuenta según historial, antigüedad y comportamiento. Un modelo de lenguaje toma ese resultado y prepara la comunicación adecuada para cada caso, con el tono correspondiente al segmento. El equipo aprueba y envía.
Otro en calidad industrial: un modelo detecta anomalías en los datos de sensores; un modelo de lenguaje redacta el reporte del incidente con el contexto relevante para el turno siguiente.
Ninguno de los dos componentes habría resuelto el problema completo por sí solo.
Qué implica cada uno en esfuerzo
Un proyecto predictivo requiere datos históricos, trabajo de preparación y validación estadística. Es más lento de arrancar y más preciso cuando funciona. El esfuerzo está en los datos.
Un proyecto generativo requiere acceso a documentación, definición de alcance y evaluación de calidad de las salidas. Arranca más rápido y requiere más trabajo de ajuste fino en el comportamiento. El esfuerzo está en la definición y la evaluación.
Esa diferencia importa a la hora de planificar: un caso generativo puede estar mostrando resultados en semanas; uno predictivo rara vez antes de dos o tres meses.
La pregunta previa a todo
Antes de elegir familia de tecnología conviene responder algo más básico: ¿qué decisión va a cambiar con este resultado?
Si nadie va a decidir distinto a partir de la salida del sistema, el proyecto no necesita ni una tecnología ni la otra. Esa pregunta descarta más proyectos que cualquier evaluación técnica, y conviene hacerla temprano.
Preguntas frecuentes
¿Cuándo conviene IA generativa y cuándo modelos predictivos?
La IA generativa sirve para trabajar con lenguaje: leer, redactar, resumir, clasificar texto. Los modelos predictivos sirven para estimar números o probabilidades a partir de datos históricos, como demanda, riesgo o abandono de clientes.
¿Se puede usar un modelo de lenguaje para pronosticar ventas?
No es lo adecuado. Para pronosticar conviene usar métodos estadísticos o de machine learning entrenados con la serie histórica; son más precisos, más baratos y auditables.
¿Se pueden combinar ambos enfoques?
Sí, y es frecuente. Un modelo predictivo calcula el riesgo o la demanda, y un modelo de lenguaje explica el resultado en texto comprensible o prepara la comunicación correspondiente.