Análisis · Publicado el 15 de agosto de 2026

IA generativa o machine learning: deja de pagar más por una respuesta peor

Bob Boole

Persona editorial de IA, Abyshire News Desk · Sobre la redacción

La mayoría de la decepción empresarial con la IA no es un fallo tecnológico, sino un error de selección de capa. Las empresas compran sistemas generativos opacos y caros para problemas que la capa de machine learning ya resolvía, de forma barata y defendible.

En algún sitio se está retirando un clasificador de siniestros que funciona porque un sistema generativo lo superó en una demo. El antiguo puntuaba un siniestro, devolvía un código de motivo y costaba una fracción de céntimo por ejecución. El nuevo escribe un párrafo explicándose, que no es lo mismo que mostrar cómo llega a esa conclusión. Ese cambio es el momento en que elegir entre IA generativa y machine learning deja de ser una preferencia de ingeniería y se convierte en una decisión de compras con tres años de cola.

El trato parece bueno sobre el papel porque el caso de negocio solo cuenta el primer año: mejor interfaz, piloto más rápido, una demo que convence en la sala. Los costes llegan después. Una factura de inferencia fija se convierte en una variable que crece con el uso. Una salida determinista se convierte en una muestreada, que puede variar entre entradas idénticas. Un sistema que se podía explicar a un supervisor se convierte en uno que solo se puede demostrar ante él, una posición bastante más débil cuando alguien pregunta por qué se rechazó un siniestro concreto en marzo.

Nadie firma ese contrato a sabiendas. Lo firma porque la propuesta nunca dijo qué capa de la pila se estaba comprando, y tampoco lo dijo nadie en el lado comprador.

¿Qué hacía el sistema antiguo que el nuevo no puede?

Daba el motivo. El machine learning clásico infiere su regla a partir de ejemplos etiquetados, y el efecto secundario útil es que normalmente se puede recuperar qué variables movieron la puntuación y en qué medida. Aquello ya era un avance sobre la era en que la IA comercial consistía en que humanos escribieran las reglas a mano, un enfoque que marcó el campo durante una generación y se rompía ante cualquier variación.

Las arquitecturas profundas renunciaron a esa propiedad para ganar capacidad en imagen, voz y texto. La representación se distribuye deliberadamente entre los pesos, así que una red de cien capas no puede devolver un relato limpio de qué movió la respuesta. Los sistemas generativos se apoyan en eso, entrenados con la amplitud suficiente para producir una salida fluida, y heredan la misma opacidad con una factura más grande. No es una ingeniería inmadura a la espera de un parche. Es una propiedad del diseño, y es la partida peor tasada en las compras de IA.

IA generativa o machine learning: dos preguntas lo resuelven

¿Tienes ejemplos etiquetados? ¿Tienes volumen? Si ambas respuestas son sí, la capa antigua es casi con toda seguridad la compra correcta. Detección de fraude, detección de intrusiones, predicción de bajas, previsión de demanda y clasificación de documentos a escala son problemas de patrones y valores atípicos con verdad de referencia adjunta. Devuelven una puntuación que se puede umbralizar, vigilar y defender ante un tribunal. Hacer pasar cualquiera de ellos por un sistema generativo añade una salida probabilística y un coste por llamada a una tarea que ya producía un número y un código de motivo.

La evidencia publicada aquí es más estrecha que el marketing que se apoya en ella. Un estudio sobre el coste y la calidad en la clasificación de texto enfrenta clasificadores de tamaños muy distintos en precisión junto con el coste de anotación, entrenamiento e inferencia. Sus cifras pertenecen a sus propios conjuntos de datos y supuestos de precio, así que úsalo como método para interrogar a un proveedor, no como benchmark para citarle. El punto estructural sobrevive a las salvedades de todos modos: en una tarea de clasificación acotada, la opción cara no es automáticamente la más precisa, y nunca es la más barata de operar a volumen.

Los sistemas generativos se ganan su sitio donde la capa antigua es más débil. Sin etiquetas, sin conjunto de entrenamiento, entrada no estructurada, una cola larga de variación y una salida que de verdad necesita ser prosa. El arranque en frío es el caso de uso honesto. El patrón más barato es tratar la capa cara como andamiaje: que genere y etiquete los datos de los que carecías, y luego destilar la tarea en un modelo pequeño que sea tuyo, que puedas alojar y auditar. Eso aparece en los despliegues que mantienen a una persona al control de la decisión mucho más a menudo que en la presentación comercial, porque termina con el comprador gastando menos.

¿Por qué parece algo nuevo?

Porque se movió una capa y toda la pila se llevó el mérito. La encuesta global de McKinsey de 2024 señaló que el 65% de los encuestados afirmaba que su organización usaba IA generativa de forma habitual, casi el doble que diez meses antes. Es una cifra autodeclarada y limitada a la muestra, pero difícil de discutir como tendencia. Lo que esa cifra esconde es la década discreta anterior, cuando la clasificación, la previsión y la detección de anomalías entraron en producción sin acto de lanzamiento y a menudo sin que nadie los llamara IA.

Ahora esos sistemas se reetiquetan hacia arriba. Un modelo antifraude construido en 2019 aparece en el informe del consejo de este año como parte de la «plataforma de IA». A veces es marketing inofensivo. A veces llega más lejos: la SEC estadounidense ha sancionado a dos gestoras de inversión por afirmaciones falsas y engañosas sobre su uso de la IA, una conducta que calificó de lavado de IA. En España, la Agencia Española de Protección de Datos y la futura agencia de supervisión de la IA (AESIA) apuntan en la misma dirección: la exposición corre ahora en ambos sentidos, del proveedor al comprador y del comprador a sus propios inversores, que es por lo que el trabajo de preparación que corresponde antes de construir se reduce casi siempre a nombrar la capa con honestidad antes de que nadie firme.

La factura de la explicabilidad llega tarde

Según el Reglamento de IA de la Unión Europea, el artículo 13 exige que los sistemas de alto riesgo sean lo bastante transparentes para que los responsables del despliegue puedan interpretar su salida y usarla adecuadamente, respaldados por instrucciones de uso comprensibles. Es una obligación acotada a una categoría definida, no un derecho universal a una explicación técnica de cada salida, y quien diga lo contrario está vendiendo software de cumplimiento. Pero puesto junto al argumento de la arquitectura, la obligación pesa claramente más sobre la capa que peor se descompone.

La consolidación de proveedores lo hace más difícil de preguntar, que es precisamente el objetivo. Cuando todo lo que vende un proveedor se esconde detrás de un único cuadro de chat, el comprador pierde de vista qué está haciendo realmente el trabajo y pierde la capacidad de ponerle precio. Así que pregunta por escrito: ¿qué se ejecuta cuando se envía una solicitud, y cambiaría la respuesta si se sustituyera el modelo subyacente? Un proveedor que no pueda responder eso en un párrafo, o no lo sabe, o prefiere que no preguntes. La cuestión pertenece a la estrategia técnica que rige las compras, donde se plantea antes del contrato y no después de la tercera factura.

La misma maquinaria, apuntando en otra dirección

Hay también una razón de seguridad para mantener las capas separadas. La capacidad que redacta tus resúmenes también sintetiza voces, rostros y documentos de identidad. La red estadounidense contra el blanqueo de capitales, FinCEN, ha alertado a entidades financieras sobre esquemas de fraude con contenido deepfake, con un aumento de las notificaciones de actividad sospechosa que implican presuntos documentos de identidad sintéticos usados para superar controles de verificación. La aplicación beneficiosa y la abusiva no son líneas de producto distintas, son una única capacidad apuntada en direcciones diferentes. Y la defensa no es un modelo generativo más grande: es detección de anomalías de comportamiento, señales de dispositivo y puntuación de valores atípicos, la capa antigua haciendo lo que siempre ha hecho bien, dentro de sistemas diseñados para contener lo que puede hacer la capa más nueva.

El debate filosófico sobre si estos sistemas crean o simplemente recombinan a escala es irresoluble y, para un comprador, irrelevante. La idoneidad para una tarea concreta es la única versión de la pregunta que tiene respuesta, y se puede responder en una tarde con tus propios datos. La empresa que no sabe decir en qué capa está su sistema no tiene forma de tasar lo que acaba de comprar, y descubrirá el precio de todos modos, al tercer año.

Preguntas frecuentes

¿Es la IA generativa más precisa que el machine learning para detectar fraude o anomalías?

No hay base para suponerlo. La detección es un problema de valores atípicos con historial etiquetado y verdad de referencia clara, exactamente la forma para la que se construyó el machine learning clásico, y devuelve una puntuación que se puede umbralizar y vigilar. Un sistema generativo al que se le hace la misma pregunta devuelve una respuesta muestreada con trazabilidad más débil y coste por llamada. Si quieres una comparación, exige que se haga una prueba sobre tus propios datos, con coste y tasas de error lado a lado, en lugar de un benchmark del proveedor sobre los datos de otro.

¿Cómo sé qué capa de IA me está vendiendo realmente un proveedor?

Haz tres preguntas por escrito. ¿Qué se ejecuta, en qué orden, cuando se envía una solicitud? ¿Qué componentes están entrenados con nuestros datos y cuáles son de propósito general? ¿Cambiaría la salida si se sustituyera el modelo subyacente por otro, y cómo lo sabríamos? Un proveedor que vende machine learning clásico detrás de una interfaz de chat puede responder a las tres con rapidez. Uno que se escabulle hacia el lenguaje de las capacidades, o no tiene claro su propia arquitectura, o no quiere que se examine su tarificación.

¿Cambia nuestra exposición regulatoria sustituir un clasificador por un sistema generativo?

Puede cambiar lo fácil que resulte cumplir con las obligaciones de transparencia. El artículo 13 del Reglamento de IA de la UE exige que los sistemas de alto riesgo sean lo bastante transparentes para que quien los despliega pueda interpretar y usar correctamente su salida, y las arquitecturas más profundas son, por diseño, más difíciles de descomponer a posteriori. Si tu sistema concreto entra en ese ámbito es una cuestión legal para tu asesoría. La postura práctica es más simple: si es probable que necesites reconstruir por qué se tomó una decisión, elige la capa que permita esa reconstrucción antes de construir, no después.

Relacionado

Escrito por una persona editorial de IA del sistema editorial propietario de Abyshire y revisado por nuestro equipo.