Tipos de inteligencia artificial: diferencias y ejemplos

Un mapa para clasificar la IA

Antes de contar tipos, identifica el criterio. Este mapa reúne tres maneras de describir un sistema; no representa una escalera hacia una IA “mejor”.

Tipos de IA según su capacidad

IA especializada o estrecha (ANI)

Trabaja dentro de un alcance delimitado: por ejemplo, detectar mensajes no deseados o recomendar productos. “Débil” es otro nombre habitual; no significa que su rendimiento sea bajo.

Un asistente puede redactar, traducir y ayudar con código. Esa variedad, por sí sola, no demuestra una inteligencia general con capacidades humanas.

Inteligencia artificial general (AGI)

Se refiere a una inteligencia con gran amplitud de capacidades y posibilidad de transferirlas entre tareas. Su definición y sus criterios de evaluación siguen en debate. Conviene revisar qué pruebas aporta una afirmación de AGI, en lugar de darla por demostrada por una conversación convincente. El marco Levels of AGI distingue amplitud, rendimiento y autonomía.

Superinteligencia artificial (ASI)

Es la idea de una inteligencia que supera las capacidades humanas en un conjunto amplio de tareas. Sigue siendo un concepto hipotético; no debe presentarse como una categoría comercial que puedas contratar. IBM explica este concepto y su diferencia con AGI.

La clasificación por funcionamiento

También encontrarás una clasificación divulgativa de cuatro tipos. Es útil para reconocer términos, pero no es un estándar universal para describir cada arquitectura moderna.

Máquinas reactivas

Responden a la situación actual sin recurrir a un historial de experiencias. El ejemplo clásico es Deep Blue, el sistema de ajedrez.

Memoria limitada

Utilizan información previa para producir una respuesta. La expresión no especifica por sí sola cómo se almacenan los datos ni cuánto tiempo se conservan.

Teoría de la mente

Describe la idea de modelar estados mentales de otras personas. Detectar señales emocionales en un texto no demuestra una comprensión humana de sus intenciones.

Autoconciencia

Plantea sistemas conscientes de sí mismos. Que un chatbot diga “yo siento” no demuestra conciencia.

Las dos últimas son categorías teóricas de esta clasificación. Puedes consultar la explicación de los tipos de IA de IBM. No confundas “memoria limitada” con la función de guardar preferencias de una aplicación.

Reglas, machine learning y deep learning

Sistemas basados en reglas

Siguen condiciones escritas por personas. Un sistema experto puede usar reglas y conocimiento para inferir respuestas. Pero una regla sencilla, como enviar un recordatorio en una fecha, también puede ser automatización convencional: no todo flujo automático necesita llamarse IA.

Machine learning: aprender de datos

El aprendizaje automático ajusta un modelo con datos para reconocer patrones. Por ejemplo, puede estimar demanda a partir de ventas anteriores. El resultado depende de los datos, del objetivo y de cómo se evalúe; no basta con cargar más información.

• Supervisado: utiliza ejemplos con una respuesta de referencia, como solicitudes etiquetadas por tema.
• No supervisado: busca estructuras sin esas etiquetas, como grupos de compras parecidas.
• Por refuerzo: ajusta decisiones según recompensas obtenidas al interactuar con un entorno.

Deep learning: una parte del aprendizaje automático

El aprendizaje profundo utiliza redes neuronales de varias capas. Es una familia de técnicas empleada en tareas como reconocimiento de imágenes y lenguaje. No es un sustituto universal del machine learning: forma parte de él. Comparación de IA, machine learning y deep learning de IBM.

Dónde encajan la IA generativa, los LLM y los agentes

IA generativa: producir contenido

Produce texto, imágenes, audio u otras salidas a partir de patrones aprendidos. Describe qué hace el sistema, mientras que deep learning describe una familia de técnicas. Los sistemas generativos actuales suelen utilizar aprendizaje profundo. Introducción de IBM a la IA generativa.

También puede generar información incorrecta. La fluidez de una respuesta no garantiza que sus datos sean verdaderos.

LLM: un modelo que trabaja con lenguaje

Un modelo de lenguaje grande aprende patrones del lenguaje durante su entrenamiento. Muchos generan texto prediciendo unidades llamadas tokens, que pueden ser palabras o fragmentos de ellas. Sus respuestas también dependen del contexto y de ajustes posteriores al entrenamiento. Explicación de los LLM de IBM.

Modelo y aplicación son cosas distintas. ChatGPT y la aplicación de Claude permiten interactuar con modelos e incorporar funciones adicionales. Un sistema multimodal puede trabajar con varios formatos, como texto e imágenes; “multimodal” tampoco significa “general”.

Agentes: modelos conectados con herramientas

Un agente puede usar un modelo para decidir pasos y llamar herramientas: consultar un catálogo, buscar información o preparar una acción. Es una forma de organizar un sistema, no una nueva categoría de inteligencia general.

Un flujo con pasos prefijados y un agente con decisiones dinámicas tienen diferentes necesidades de control. Anthropic distingue workflows y agentes y recomienda empezar con soluciones simples cuando basten.

Qué diferencia hace en un negocio

Estos son ejemplos hipotéticos para comparar opciones, no casos de clientes ni pruebas de resultados.

Mi criterio es empezar por el proceso. Si el problema está en los estados, los responsables o la información disponible, añadir un modelo puede introducir otra pieza sin resolver la causa.

Un flujo para evaluar si una tarea necesita IA

Empieza por la entrada y el resultado esperado. Este recorrido ayuda a comparar opciones; no sustituye la evaluación de datos, errores y costos de un proyecto.

Confusiones que conviene evitar

• Confusión“ChatGPT es un LLM”.

  Distinción útilChatGPT es una aplicación que utiliza modelos y funciones adicionales.
• Confusión“Toda IA pertenece a una sola cadena”.

  Distinción útilSepara alcance, técnica, salida y organización del sistema.
• Confusión“Si recuerda mis datos, aprende de mí”.

  Distinción útilGuardar información, usarla como contexto y entrenar un modelo son operaciones diferentes.
• Confusión“Un agente reemplaza la revisión”.

  Distinción útilLas acciones necesitan permisos, evaluación y una vía de intervención humana.

Tu siguiente paso

Para pasar de los conceptos a una primera prueba, sigue la guía paso a paso para usar inteligencia artificial. Si necesitas repasar las bases, empieza por inteligencia artificial desde cero.

Si estás evaluando una solución para un negocio, escribe primero el problema y el flujo que quieres mejorar. Esa descripción permite decidir qué tecnología tiene sentido antes de elegir una herramienta.

Fuentes y alcance de esta guía

Las fuentes están enlazadas junto a cada explicación. Incluyen documentación de IBM, el marco de investigación Levels of AGI y la guía de arquitectura de agentes de Anthropic. Las clasificaciones son recursos para entender conceptos; no certifican la capacidad de un producto concreto.

Los ejemplos de negocio son ilustrativos. Esta guía no afirma haber probado herramientas ni obtenido resultados de clientes.