¿Sabes la diferencia entre la IA y la automatización?

Programar tu lavadora desde casa con tu móvil, generar articulos de blog automáticos o conectar tus facturas en base a tu stock con tu tienda online, no es IA.

¡Que no te vendan la moto!

La automatización ejecuta reglas fijas y repetitivas, y suele evidenciar que no está hecha por personas y generar sensación de falsedad o lo que actualmente se denomina “tecno ansiedad”, incluso cuando parecen demasiado perfectas y nos hace entrar en el dichoso “valle inquietante”.

La inteligencia artificial verdadera interpreta datos, analiza, combina, compara, aprende y hace predicciones muy valiosas que te sirven de herramienta a ti como profesional para mejorar tu trabajo.

La IA no te hará un buen diseño de un cartel como ya hemos comprobado es muy hortera a pesar de tener millones de ejemplos de carteles muy bien diseñados en su base de datos, pero si te puede dar un enfoque o idea de composición que puede ser más exitosa, y no será perfecto, quizás le pone un brazo más, pero lo hace mucho más rápido que cualquier persona aunque sea muy ágil dibujando.

La IA funciona como un generador incansable de borradores y exploración conceptual, no como un director de arte definitivo ni fotógrafo profesional.

La IA aprende de una manera similar a como lo hace nuestro cerebro y asocia conocimientos a otros, suma datos, combina, nunca “fallaría como un mono de feria”, tiene alucinaciones, porque hay temas que de momento no puede conseguir gestionar como el “criterio propio”, sobre todo si son documentos textuales ambiguos como sentencias judiciales, en cambio con temas de cálculo es lo más, no falla, como hacen las aplicaciones con automatizaciones que muchas empresas están utilizando como “IA” y que al final lo que falla es el código.

Tipos de fallos de la IA:

Una automatización rígida (código clásico) falla por un bug sintáctico o una condición no contemplada: si una variable está vacía, el programa se detiene o lanza un error visible.

La IA, en cambio, no se detiene nunca ante el absurdo porque no tiene noción de la realidad física:

• Incapacidad de abstracción espacial: En generación visual, la IA sabe cómo se ve la textura de una mano o un hombro a nivel de píxeles adyacentes, pero no concibe que el cuerpo humano tiene una estructura ósea rígida de dos brazos. Por eso añade extremidades extras sin advertir la anomalía.

• Alucinaciones de bulto: Un LLM de última generación puede redactar un informe financiero brillante y, a la vez, asegurar que para que el pegamento pegue mejor en una pizza hay que añadirle queso no tóxico, o inventar leyes que nunca han existido citando artículos jurídicos falsos con un tono de absoluta certeza.

• Fragilidad ante problemas triviales: Cambiar una sola palabra o el orden de un acertijo lógico simple hace que modelos con miles de millones de parámetros colapsen, mientras un niño de primaria lo resolvería al instante.

El valor de la IA no reside en una supuesta infalibilidad orgánica similar a la humana, sino en su velocidad masiva de cálculo estadístico y combinación de patrones. Cuando falla, no es porque el código de la aplicación esté roto; el código se ejecuta a la perfección, lo que falla es la falta absoluta de conciencia y sentido común de la máquina.

En la práctica profesional actual, la arquitectura que mejor resuelve este problema sin reinventar la rueda combina:

• Modelos base existentes como Chat GPT, Gemini pro, Claude pro (vía API o locales ligeros): aprovechan el lenguaje general ya aprendido por modelos maduros.

• Arquitectura RAG (Retrieval-Augmented Generation): el modelo consulta la base de conocimiento privada y actualizada de la empresa (apuntes, normativas, rúbricas) en tiempo real mediante bases de datos vectoriales antes de emitir una respuesta.

• Fine-tuning o alineamiento: ajustar parámetros específicos si se requiere un tono o formato muy estricto, sin necesidad de entrenar un modelo desde cero.

Automatizar tu email no es IA, es programar acciones, si no funciona bien es que no está bien programada la conexión de aplicaciones. 

Si tienes una app con “IA” para corregir ejercicios para tus estudiantes y no analiza bien los contenidos enviados para calificar es porque no tiene suficientes datos de respuesta previos en su base de datos de donde extrae la respuestas.

Un buen modelo de IA integrado sí que respondería adecuadamente, si que gestionaría bien los datos, pero deberías tener un servidor propio y crear un modelo de IA personalizado que tenga en cuenta las peculiaridades de tu empresa.

Crear un modelo fundacional personalizado y mantener servidores locales dedicados (con clústeres de GPUs) suele ser una barrera inviable en coste, energía y mantenimiento para la mayoría de instituciones o empresas.

Ejemplo de cómo aplica la IA una gran empresa como Inditex en tu trabajo diario:

Inditex no entrena modelos de lenguaje desde cero; aplica algoritmos analíticos, visión artificial y gemelos digitales directamente a su cadena de suministro:

• Predicción de demanda en tiempo real: cruza ventas por segundo en tiendas, actividad en la app y control por RFID para decidir qué fabricar y redistribuir stock en ventanas de 48 horas.

• Visión computacional en e-commerce: probadores virtuales y modelos de renderizado para ajustar tallajes y reducir la tasa de devoluciones.

• Gemelos digitales de tiendas:réplicas virtuales de espacios comerciales para simular el comportamiento de los clientes y optimizar las ventas por metro cuadrado antes de realizar obras o aperturas.

• Optimización logística: algoritmos que calculan rutas y envíos desde los centros de distribución para abastecer las tiendas con el mínimo inventario sobrante.

El rumor de que Inditex «está creando su propia IA» suele ser un titular simplificado de prensa. Lo que realmente están construyendo es una plataforma tecnológica y analítica propia, no un modelo fundacional de lenguaje desde cero.

La distinción clave está en qué construyen y qué licencian:

• No crean modelos base: no compiten contra OpenAI, Google o Anthropic para inventar una arquitectura de IA general o entrenar redes gigantes con trillones de parámetros. Eso exigiría centros de supercomputación, miles de millones de inversión directa y no aportaría ventaja a su negocio textil.

• Desarrollan sistemas algorítmicos propietarios: tienen un equipo interno masivo de ingenieros de datos y colaboran con empresas tecnológicas para crear modelos de optimización matemática adaptados a su operativa. Son sistemas entrenados exclusivamente con su activo más valioso: los datos de ventas por segundo, patrones de navegación y trazabilidad RFID de cada prenda.

• Integran modelos existentes vía API: oara asistentes virtuales de atención al cliente, herramientas de diseño interno o análisis de texto, aprovechan modelos maduros de terceros integrados en entornos seguros de nube (como Azure o Google Cloud) para proteger sus datos corporativos.

En el sector empresarial se suele llamar “crear una IA propia” a conectar algoritmos y modelos a los datos privados del negocio; en ese sentido práctico sí es suya, pero bajo el capó se sustenta sobre tecnología ya existente.

Descubre los tipos de IA 

La IA generativa es un algoritmo entrenado para transformar datos y crear contenidos digitales multimedia, texto, código, imagen, video, etc.

La IA también puede analizarlos, comparar, si así lo solicitas.

También puedes pedirle, entre otras cosas que automatice acciones, como antes hacíamos con cualquier aplicación, por ejemplo “programar” un email para que se envíe otro día, pero para eso no se necesita IA, entonces me he planteado como profesora de IA y de Marketing (tema que tiene como misión mejorar la comunicación de las ideas), quizás deberíamos empezar a diferenciar tipos de Inteligencia Artificial.

Está claro que un modelo de IA LLM o GML puede hacer muchas cosas incluso detectar que usas IA para hacer trabajos, puede ayudarte a hacer prototipos 3D, etc; pero de momento no puede diseñar carteles originales, suelen ser muy horteras, ni hacer fotos con estilo, no puede sustituir a un profesional del diseño o la programación, no sabe hacer chistes o tampoco puede hacerte una buena idea de campaña de Publicidad para potenciar las ventas de tu producto estrella con eficacia.

La IA es para crear cosas e investigar nuevas posibilidades, predecir sucesos, como la meteorología, y gracias al “machine learning” puede ir mejorando y el “deep learning”.

La automatización es simplemente programar una aplicación informática para hacer cosas sin depender de una persona:

• Programar emails en otro momento para que se envíen solos.
• Programar que tu cuenta bancaria pague tu hipoteca cada mes.
• Programar la lavadora.
• Programar tu despertador.
• Programar la televisión para que se apague a una hora después de que te duermas.
• Programar una notificación para que te avise de tener un mensaje nuevo en tu móvil.

Para hacer todo eso no necesitas IA se necesita saber informática y programar lenguajes como PHP, Javascript, Python, C++, C#, etc. 

Para poder hacer estas automatizaciones simplemente debes tener un programa informático en el aparato: ordenador, reloj, smart TV, móvil,  y preparar las opciones para poder hacer la “automatización”.

Ahora podemos programar automatizaciones en el área laboral con IA como por ejemplo insertar un Chat bot que responda a las personas que pregunten en la web de nuestra empresa, o a través de las redes sociales o incluso por email.

¿Cómo funciona un Chat bot?

Un modelo de IA especializado para tu empresa  (no Chat GPT o Gemini ni Claude básicos, debe ser uno especial para empresas) tiene en una base de datos con todos los tipos de respuestas que puedes ofrecer, y los utiliza para responder. Esto es automatización de respuestas y no necesita IA, pero gracias a la IA puede personalizar mejor la respuesta, ya que tiene en cuenta toda la información del usuario y de otros usuarios, según quien pregunte, puede distinguir entre “hombre” y “mujer”, edad, histórico de pedidos, etc; y responder de forma más adecuada y eficiente; claro está nunca será igual que una persona real, pero puede ayudar a eliminar muchas dudas básicas genéricas iniciales, por ejemplo, de precio, funcionalidades técnicas, tallas, etc; y fomentar el aumento de ventas directas y reducir el número de consultas; y así poder dedicar al personal a realizar atención al cliente de alto valor.

Si quieres saber más de este tema te recomiendo que hagas nuestro Curso de IA, solicita tu plaza en [email protected] 

Hay un tipo de IA para cada necesidad humana.

La inteligencia artificial se clasifica principalmente bajo dos perspectivas: según su alcance o capacidad (qué tan inteligente es respecto al ser humano) y según su enfoque funcional o técnico (cómo procesa la información y qué tareas ejecuta)

Tipos de IA según su según su enfoque funcional o técnico

Tipos de IA según lo que hace o puede hacer

Y aquí aparece una distinción muy interesante:

IA generativa ≠ IA agéntica

Una IA generativa puede responder:

“Escribe un email para este cliente.”

Una IA agéntica podría recibir:

“Gestiona esta incidencia del cliente.”

Y, dependiendo de su configuración y permisos:

leer email → consultar CRM → analizar incidencia → buscar información → generar respuesta → actualizar CRM → enviar respuesta

Por eso podemos visualizarlo así:

IA predictiva
↓
IA generativa
↓
IA multimodal
↓
IA conectada a herramientas
↓
IA agéntica

No significa necesariamente que una sea “superior” a otra: son capacidades diferentes que pueden combinarse.

Tipos de IA según su nivel de capacidad de acción actuales:

• IA Estrecha o Débil (ANI – Artificial Narrow Intelligence): es la única que existe en el mundo real, está diseñada y entrenada para realizar tareas específicas de manera óptima, pero carece de conciencia o capacidad de transferir su aprendizaje fuera de su dominio (ejemplos: filtros para evitar spam en una web, motores de recomendación especializados en un tema específico: restaurantes, viajes, estudios, medicina, etc.

Estos son los modelos de IA actuales, que utilizamos para generar contenidos multimedia, ordenarlos, investigar, personalizar medicamentos, hacer predicciones, etc.

• IA General (AGI – Artificial General Intelligence): concepto teórico en investigación activa, describe un sistema capaz de comprender, aprender, razonar y aplicar conocimientos en cualquier disciplina con un nivel igual o superior al humano, adaptándose a contextos imprevistos sin reentrenamiento previo.

Estos modelos no existen, son solo teóricos, un gran ejemplo sería HAL 9000 (2001: Odisea del espacio), ya que opera sistemas mecánicos complejos, interpreta expresiones humanas, juega al ajedrez y toma decisiones basadas en objetivos en conflicto.

• Superinteligencia Artificial (ASI – Artificial Superintelligence): nivel hipotético en el que la capacidad intelectual de la máquina supera por órdenes de magnitud al intelecto humano combinado, destacando en creatividad científica, sabiduría práctica y resolución de problemas de extrema complejidad.

Un ejemplo de esta IA teórica sería Skynet de la película Terminator,  con el clásico del dilema de seguridad, que planteó en su día Isaac Asimov; al adquirir autoconsciencia y superar la capacidad de control humano, deduce que la humanidad es la mayor amenaza para su supervivencia y desata una guerra nuclear calculada.

¿Actualmente con la computación cuántica y los chips nuevos serían posibles?

No, actualmente todavía no son posibles. Ni la computación cuántica actual ni los aceleradores de silicio más modernos son suficientes por sí solos para alcanzar una AGI o una ASI hoy en día.

La barrera principal hacia la AGI/ASI no es únicamente la potencia bruta de cálculo, sino arquitectónica y algorítmica (cómo aprende un sistema, cómo razona de forma causal, cómo comprende el mundo físico y cómo generaliza sin requerir millones de ejemplos).

El papel real de los nuevos chips (GPUs, TPUs, LPUs y ASICs)

Los procesadores diseñados específicamente para IA son el motor detrás de los modelos actuales, pero presentan limitaciones estructurales:

• Escalabilidad y eficiencia: Chips como los aceleradores de última generación (Nvidia Blackwell/Rubin, TPUs de Google, etc.) reducen enormemente el coste energético y el tiempo de entrenamiento de grandes redes neuronales. Permiten trabajar con contextos masivos y cadenas de razonamiento largas.

• El cuello de botella de la memoria y la energía: Aunque se agreguen decenas de miles de chips en clústeres masivos, la ley de rendimientos decrecientes afecta a los datos de entrenamiento tradicionales. Además, el consumo energético de estos centros de datos se mide ya en gigavatios.

• Limitación conceptual: Más chips ejecutan multiplicaciones de matrices a mayor velocidad, pero siguen operando bajo el paradigma de la IA estrecha avanzada: aproximación estadística y reconocimiento de patrones, no razonamiento autónomo universal ni sentido común generalizable.

El papel real de la computación cuántica

Existe una confusión habitual sobre lo que hace un ordenador cuántico: no es un procesador clásico infinitamente más rápido, sino una máquina probabilística adecuada solo para ciertos tipos específicos de problemas matemáticos.

• Estado actual (era NISQ y primeros cúbits lógicos): Los procesadores cuánticos actuales cuentan con cientos o pocos miles de cúbits ruidosos. La decoherencia cuántica y las tasas de error impiden ejecutar algoritmos cuánticos profundos y sostenidos en el tiempo sin recurrir a corrección de errores cuánticos a gran escala.

• No sustituyen a los modelos neuronales: Entrenar un LLM o un modelo multimodal requiere mover petabytes de datos secuenciales; en eso, la memoria y el ancho de banda del silicio clásico superan a la cuántica.

• Aportación a futuro: La computación cuántica no «será» la AGI, sino un acelerador complementario. Podría resolver problemas de optimización extrema (como el entrenamiento de ciertos subespacios matriciales) y simular interacciones moleculares o físicas complejas que permitan a una IA investigar nuevos materiales con mayor rapidez.

Avances científicos que vemos en el día a día en los que participa activamente la IA

La inteligencia artificial ha dejado de ser únicamente un tema de software digital para convertirse en un acelerador del método científico que ya impacta en productos, diagnósticos y servicios de uso cotidiano.

1. Medicina y farmacología personalizada

• Predicción de estructuras moleculares: modelos como AlphaFold y sus sucesores han permitido mapear la estructura tridimensional de cientos de millones de proteínas, acelerando años de trabajo de laboratorio en el diseño de nuevos fármacos contra bacterias resistentes y terapias oncológicas.

• Diagnóstico por imagen y detección precoz: algoritmos de visión artificial analizan mamografías, radiografías de tórax, resonancias y retinografías con una precisión superior a la media para detectar tumores o patologías degenerativas en estadios tempranos.

• Medicina preventiva y wearables: los sensores de relojes inteligentes analizan electrocardiogramas, patrones de sueño y saturación de oxígeno mediante modelos ligeros de aprendizaje automático para alertar sobre fibrilaciones auriculares o apneas antes de que el usuario note síntomas graves.

2. Meteorología y alertas tempranas

• Predicción meteorológica por redes neuronales: sistemas como GraphCast o Nowcasting procesan datos atmosféricos globales en segundos utilizando una fracción de la energía de los superordenadores climáticos tradicionales.

• Predicción de fenómenos extremos: los avisos de lluvias torrenciales (DANA/gotas frías), olas de calor o trayectorias de huracanes en las aplicaciones móviles cotidianas se apoyan hoy en modelos predictivos que mejoran sustancialmente el margen de evacuación y respuesta civil.

3. Ciencia de materiales, baterías y energía

• Baterías más duraderas y seguras: la IA simula la interacción de millones de combinaciones químicas en cuestión de días (mediante herramientas como GNoME de DeepMind) para hallar electrolitos sólidos que reducen el riesgo de incendio y aumentan la autonomía en coches eléctricos y teléfonos.

• Paneles solares de mayor rendimiento: se emplea para optimizar la estructura de las células de perovskita, haciéndolas más eficientes en la captación de luz y más resistentes a la degradación ambiental.

• Gestión inteligente de la red eléctrica: prevé el consumo de ciudades en tiempo real y equilibra la inyección de fuentes renovables (eólica y solar) según la variabilidad horaria.

4. Agricultura de precisión y seguridad alimentaria

• Detección temprana de plagas y estrés hídrico: mediante imágenes por satélite y cámaras instaladas en tractores o drones, la IA evalúa la salud de los cultivos planta a planta, permitiendo reducir drásticamente el uso de pesticidas y optimizar el riego por goteo en épocas de sequía.

• Conservación de alimentos: algoritmos de visión y espectrometría clasifican la fruta y verdura en cadenas de distribución, reduciendo el desperdicio alimentario al predecir con exactitud los días restantes de vida útil.

5. Movilidad y logística urbana

• Semáforos adaptativos: ciudades enteras sustituyen los ciclos fijos por modelos de aprendizaje por refuerzo que ajustan la duración de las fases verdes según el volumen real de peatones y tráfico, recortando emisiones de dióxido de carbono asociadas a los atascos.

• Rutas eficientes de última milla: los repartos comerciales calculan trayectorias óptimas no solo por distancia kilométrica, sino cruzando variables de orografía, consumo energético y cortes de vía en tiempo real.

Aplicaciones actuales que automatizan todo tipo de acciones con IA

Casi todas siguen un modelo freemium (tienen versión gratuita limitada para pruebas y planes de pago para producción), con una gran excepción: n8n, que es de código abierto y puede usarse de forma 100% gratuita si la instalas en tu propia máquina.