Qué es la IA generativa y en qué se diferencia de la clásica

La IA generativa es el tipo de inteligencia artificial que produce contenido nuevo: texto, imágenes, audio o video. En vez de decir a qué categoría pertenece algo, crea algo que no existía antes, usando los patrones que aprendió de sus datos. Esa capacidad es la que hizo popular a los chatbots como ChatGPT, pero no es la única forma en que se usa.

La definición que cita NIST

NIST, el instituto de estándares de Estados Unidos, cita la definición de la orden ejecutiva 14110 de ese país. Según esa definición, la IA generativa es una clase de modelos que imitan la estructura y las características de los datos de entrada para generar contenido sintético derivado. Ese contenido puede ser imagen, video, audio, texto u otro contenido digital.

La definición es útil porque se enfoca en lo que hace el sistema: produce algo nuevo a partir de lo que aprendió. NIST aclara que no toda la IA generativa sale de modelos fundacionales, que son modelos grandes entrenados con datos muy amplios, aunque su documento se centra en ellos.

Generar frente a clasificar

Para entender la diferencia, piensa en dos tareas. La primera es decidir si un correo es spam. El sistema recibe el correo y devuelve una categoría: spam o no spam. Ese es un modelo que clasifica, y es una forma clásica de IA.

La segunda tarea es escribir un correo nuevo a partir de unas instrucciones. El sistema produce un texto que no existía. Ese es un modelo generativo. Los dos pueden usar conocimientos parecidos, pero el resultado es distinto.

Cómo se entrenan los modelos generativos

En 2014, Ian Goodfellow y colaboradores presentaron las redes generativas adversarias, conocidas como GAN. En ese diseño hay dos modelos que compiten. Uno, el generador, crea muestras. El otro, el discriminador, intenta distinguir si una muestra es real o fue creada por el generador.

El artículo compara el sistema con una banda de falsificadores que intenta hacer billetes falsos, y una policía que intenta detectarlos. A medida que la policía mejora, los falsificadores también mejoran, hasta que sus billetes se confunden con los reales. Ese juego de competencia es lo que impulsa el aprendizaje.

Los modelos de lenguaje, que escriben texto, no usan este diseño: estiman qué tan probable es cada pieza de texto que podría venir después, como se explica en la guía sobre modelos de lenguaje. Pero comparten la idea central: aprender la forma de los datos para producir nuevos ejemplos parecidos.

Qué tipos de contenido genera

La IA generativa puede producir texto, como resúmenes, traducciones o respuestas en conversación. También puede crear imágenes, audio y video. La definición citada por NIST incluye todos esos formatos.

El tipo de contenido depende del modelo y de los datos con que se entrenó. Un modelo entrenado solo con texto no genera imágenes, por ejemplo.

Los riesgos que señala NIST

NIST publicó en 2024 un perfil de riesgos para la IA generativa. Ese documento enumera riesgos que aparecen o se agravan con estos sistemas. Entre ellos están:

• Contenido peligroso o dañino: generación de material violento, odioso o que incentive actividades ilegales.
• Privacidad: filtración o uso indebido de datos personales o sensibles.
• Sesgos: amplificación de sesgos históricos y diferencias de rendimiento entre grupos o idiomas.
• Dependencia humana: personas que confían demasiado en la máquina o la tratan como si fuera una persona.

A eso se suma algo que cualquier usuario puede comprobar: un texto generado puede sonar seguro y aun así contener errores. Por eso un resultado generativo siempre debe revisarse antes de usarse.

Qué no debes esperar al invertir

Una respuesta bien escrita no es una recomendación de inversión. Si usas contenido generado para decidir una compra o una venta, puedes perder dinero por un error que suena convincente. Un modelo puede inventar una cifra, mezclar fechas o atribuir una afirmación a una empresa que nunca la hizo.

Por eso conviene usar la IA generativa para entender un concepto o preparar preguntas, y contrastar cualquier dato con fuentes oficiales. Para los riesgos concretos en finanzas, lee la guía de cómo funciona ChatGPT, que explica sus límites según OpenAI.

Un ejemplo práctico

Supón que le pides a un sistema generativo tres resúmenes de un mismo informe. Uno dice que la inflación bajó, otro que subió, y el tercero cita una cifra que no aparece en el informe. Los tres suenan igual de seguros. La única forma de saber cuál es correcto es volver al documento original.

Este ejemplo muestra por qué la IA generativa es útil para escribir y resumir, pero necesita verificación cuando se trata de datos.

Más a fondo

En la formulación del artículo de 2014, el generador produce muestras al pasar ruido aleatorio por una red de capas, y el discriminador es otra red. El entrenamiento usa retropropagación, el mismo método que aprende en otros tipos de red. El resultado es un modelo que puede muestrear datos nuevos sin necesidad de cadenas de Markov ni de inferencia aproximada.

La orden ejecutiva define además una subcategoría, los modelos fundacionales de doble uso, con cuatro rasgos: se entrenan con datos amplios, suelen usar autosupervisión, tienen al menos decenas de miles de millones de parámetros y sirven para muchos contextos. Esa amplitud explica por qué un mismo modelo puede servir para traducir, resumir o programar.

Si quieres ver cómo se conecta con la arquitectura que hizo posible estos modelos, lee qué es un transformer. Para la diferencia entre aprendizaje automático y aprendizaje profundo, lee machine learning vs deep learning.