Todo es IA: qué es cada tipo de inteligencia artificial y para qué sirve

Publicado el 3 de noviembre de 2026 · Inteligencia artificial · Lectura: 20 minutos

Por qué escribo esto. Últimamente me hacen siempre la misma pregunta, a veces con estas mismas palabras: «para mí todo esto es IA y me confunde». Y es normal. En una misma reunión se habla de LLM, RAG, machine learning, vLLM o MLOps como si todos supiéramos qué es cada cosa. En este artículo lo ordeno de lo general a lo concreto: qué es cada término, para qué sirve, qué herramienta usaría para cada tarea y cómo encaja todo en una arquitectura real, con diagramas de alto y de bajo nivel.

1. Primero, el mapa: todo es IA, pero no todo es lo mismo

La clave para dejar de confundirse es entender que estos términos no son cosas distintas que compiten entre sí. Son capas, una dentro de otra, como unas muñecas rusas. La inteligencia artificial es la caja más grande. Dentro está el machine learning, dentro de este las redes neuronales, dentro el deep learning y, en el centro, la IA generativa y los LLM, que es lo que la mayoría de la gente llama hoy «la IA».

Diagrama de alto nivel: cada capa contiene a la siguiente. A la derecha, un ejemplo real de cada una.

Un ejemplo que siempre pongo: el filtro antispam que tenía tu correo hace veinte años ya era IA (en concreto, machine learning) y no tenía nada de generativo. No escribía nada; solo decidía si un mensaje era basura o no. Por eso digo que todo LLM es IA, pero no toda IA es un LLM.

2. Cómo «piensa» una red neuronal (sin matemáticas)

Bajemos un nivel. Una neurona artificial es una operación muy sencilla: recibe varios datos de entrada, multiplica cada uno por un peso (su importancia), los suma y decide si «se activa». En el ejemplo, una neurona que evalúa si un correo es phishing da mucho peso a que te pida la contraseña y menos a que el remitente sea desconocido.

Diagrama de bajo nivel: a la izquierda, una neurona; a la derecha, una red profunda que reconoce grietas en una imagen.

Entrenar consiste en enseñarle miles de ejemplos ya resueltos («este es phishing», «este no») para que ajuste los pesos sola. Cuando apilamos muchas capas de neuronas hablamos de red neuronal profunda o deep learning: las primeras capas detectan cosas simples (bordes en una foto) y las siguientes combinan esas pistas en conceptos más complejos (formas, piezas, una grieta). Un LLM es exactamente eso, pero gigantesco y entrenado con texto para predecir la siguiente palabra. De esa tarea aparentemente tonta salen su capacidad de redactar, resumir, traducir y programar.

3. Los cuatro tipos de IA que te vas a encontrar

Cuatro familias, cuatro preguntas distintas.

Tipo	Qué hace	Ejemplos reales
Generativa (LLM)	Crea contenido nuevo: texto, código, imágenes o voz.	Redactar un informe, generar un playbook de Ansible, resumir una normativa de 80 páginas.
Predictiva	Calcula una probabilidad o un valor futuro a partir de datos históricos.	Qué disco va a fallar, qué transacción es fraude, qué usuario tiene un comportamiento anómalo.
Visión artificial	Interpreta imágenes y vídeo.	Leer matrículas, detectar grietas en una viga o en un álabe de turbina, comprobar si un operario lleva casco.
Tabular	Machine learning clásico sobre filas y columnas (un Excel, una base de datos).	Clasificar incidencias por prioridad, predecir bajas de clientes, detectar anomalías en logs ya estructurados.

La diferencia práctica, en una línea: la generativa responde a «escríbeme algo»; la predictiva y la tabular, a «dime qué va a pasar o de qué tipo es esto». En ciberseguridad lo vemos a diario: el SIEM que detecta un inicio de sesión raro usa IA predictiva; el asistente que te explica esa alerta en lenguaje natural usa IA generativa.

4. Las siglas y herramientas, explicadas sin jerga

Esta es la tabla que me habría gustado tener cuando empecé. Para cada término pongo qué es, una comparación cotidiana y un caso de uso.

Término	Qué es	Dicho de otra forma	Ejemplo de uso
ML (Machine Learning, aprendizaje automático)	El sistema aprende de los datos en lugar de seguir reglas escritas a mano.	Aprender a conducir practicando, no memorizando el código de circulación.	Un modelo que aprende a separar correo legítimo de phishing.
Red neuronal	Modelo de «neuronas» conectadas que ajustan pesos al aprender.	Un equipo donde a cada miembro se le hace más o menos caso según acierte.	Reconocer números escritos a mano.
Red neuronal profunda (deep learning)	Red neuronal con muchas capas ocultas.	Una cadena de expertos donde cada uno refina el trabajo del anterior.	Reconocimiento de voz, visión artificial, traducción.
LLM (Large Language Model, modelo grande de lenguaje)	Red profunda enorme entrenada con texto para predecir la siguiente palabra.	Un autocompletado que ha «leído» muchísimo.	ChatGPT, Claude, Gemini, Granite, Mistral, Qwen.
Granite-Code	Familia de LLM de IBM especializada en programación, con pesos abiertos y licencia Apache 2.0.	Un compañero programador que puedes instalar en tu propio servidor.	Generar, explicar o revisar código sin que salga de tu infraestructura.
PyTorch / TensorFlow	Librerías para construir y entrenar redes neuronales.	El taller y las herramientas con los que se fabrica el motor.	Entrenar un modelo de visión que detecte defectos en piezas.
Scikit-learn	Librería de Python para machine learning clásico: regresiones, árboles de decisión, clustering.	La caja de herramientas básica y fiable de toda la vida.	Un modelo tabular que clasifica tickets o detecta anomalías en un CSV de logs.
vLLM	Motor de alto rendimiento para servir LLM a muchos usuarios a la vez, con una API compatible con la de OpenAI.	Lo que Nginx es para una web, pero para modelos de lenguaje.	Publicar Granite o Mistral en tu CPD para cientos de empleados.
MLServer	Servidor de inferencia de código abierto (de Seldon) para modelos de ML clásico (scikit-learn, XGBoost, MLflow) mediante REST o gRPC.	Lo mismo que vLLM, pero para modelos predictivos y tabulares.	Exponer tu modelo de scoring de riesgo como API para otras aplicaciones.
OpenVINO	Kit de Intel para optimizar y ejecutar modelos en CPU, GPU integrada o NPU de Intel.	Afinar el motor para que funcione bien en un coche más modesto.	Visión artificial en un PC industrial que no tiene GPU de NVIDIA.
RAG (Retrieval-Augmented Generation, generación aumentada con recuperación)	El LLM busca primero en tus documentos y responde apoyándose en ellos.	Un consultor que repasa tu archivador antes de contestarte.	Un chat interno que responde con vuestras políticas de seguridad y cita el documento.
MLOps	Prácticas DevOps aplicadas al ciclo de vida de los modelos: versionado, despliegue, monitorización y reentrenamiento.	ITIL o DevOps, pero para modelos.	Detectar que el modelo de fraude pierde precisión y reentrenarlo.
LLMOps	MLOps adaptado a los LLM: prompts versionados, evaluación de alucinaciones, coste por token, guardrails, trazas.	Lo mismo, con los riesgos propios de los modelos de lenguaje.	Ejecutar pruebas automáticas cada vez que alguien cambia un prompt.

5. Cómo encaja todo: arquitectura de alto nivel

Cuando lo ves como un proceso, las piezas encajan solas. Primero hay datos. Con ellos se fabrica el modelo (PyTorch, TensorFlow o Scikit-learn). Después se optimiza para el hardware disponible (OpenVINO, cuantización). Luego se sirve como un servicio más (vLLM si es un LLM, MLServer si es ML clásico) y, por último, lo usan las aplicaciones. Todo ello, envuelto en MLOps o LLMOps y en una capa de seguridad que no es opcional.

Arquitectura de alto nivel. La flecha naranja es el atajo del RAG.

En la práctica, la mayoría de las empresas no fabrica su propio LLM: descarga uno ya entrenado (Granite, Mistral, Qwen, Gemma…) y se salta el paso 2. Lo que sí hace es conectarlo a sus documentos con RAG, que es mucho más barato que reentrenar y se actualiza en cuanto cambia un documento.

6. Bajando al detalle: cómo funciona un RAG por dentro

6.1 Los dos procesos: indexar y consultar

Un RAG tiene dos procesos distintos que conviene no mezclar. El primero, indexar, se ejecuta una vez y cada vez que cambian los documentos: se limpian (aquí es donde quito datos personales que no deban estar), se trocean en fragmentos y cada fragmento se convierte en un vector numérico (embedding) que se guarda en una base vectorial. El segundo, consultar, ocurre con cada pregunta.

Diagrama de proceso: indexación (arriba) y consulta (abajo).

Un consejo de quien lo ha sufrido: configura el sistema para que diga «no lo encuentro en la documentación» cuando la búsqueda no devuelva fragmentos relevantes. Es la mejor vacuna contra las alucinaciones: prefiero un «no lo sé» a una respuesta inventada con tono seguro.

6.2 Diagrama de red de bajo nivel

Así desplegaría yo una plataforma de este tipo en un entorno corporativo. Separo cinco zonas de red. Solo la DMZ escucha en Internet. La zona de inferencia, donde están los modelos, no tiene salida a Internet. Y todo deja rastro en el SIEM.

Diagrama de bajo nivel por zonas de red, con componentes y puertos.

6.3 Flujo de comunicación paso a paso

Y este es el recorrido de una sola pregunta entre los componentes. Fíjate en que hay dos controles de seguridad, uno a la entrada y otro a la salida. Corresponden a dos de los riesgos principales del OWASP Top 10 para LLM: la inyección de prompts y la divulgación de información sensible.

Diagrama de secuencia: flechas azules, peticiones; verdes discontinuas, respuestas.

7. MLOps y LLMOps: el modelo nunca está «terminado»

Este es el punto que más se olvida. Un modelo en producción se degrada: cambian los datos, cambian los usuarios y cambian los ataques. MLOps es la disciplina que mantiene ese ciclo bajo control. Quien venga de ITIL lo reconocerá enseguida, porque es gestión del cambio, de la capacidad y de la mejora continua aplicada a modelos.

Ciclo de vida de un modelo y lo que añade LLMOps.

8. Qué IA usar según la tarea

Tarea	Tipo de IA	Opciones habituales
Redacción, correos, traducciones	Generativa (LLM)	ChatGPT, Claude, Gemini, Le Chat de Mistral.
Código y desarrollo	LLM de código	GitHub Copilot, Claude, ChatGPT. En local: Granite-Code, Qwen-Coder, DeepSeek.
Análisis de datos	LLM que ejecuta código, o ML tabular	ChatGPT o Claude analizando un CSV para explorar. Para producción: Scikit-learn, o Power BI con Copilot.
Imágenes	Generativa de imagen o visión	Generar: ChatGPT, Gemini, Midjourney. Analizar: cualquier modelo multimodal o uno propio optimizado con OpenVINO.
Voz	Reconocimiento y síntesis	Whisper (transcripción, se puede usar en local), modos de voz de ChatGPT y Gemini, ElevenLabs.
Vulnerabilidades	LLM junto a herramientas clásicas	Explicar un CVE, revisar código o redactar la mitigación con cualquier LLM, siempre junto a SAST/DAST, escáneres y CVSS. La IA asiste; no sustituye al escáner.
Informes ejecutivos	LLM con tus documentos (RAG)	Claude o ChatGPT con documentos adjuntos, Copilot en Word o PowerPoint, Gemini en Google Workspace.
Investigar con fuentes	Buscador con LLM	Perplexity, o los modos de búsqueda e investigación de los grandes asistentes.

9. Para qué uso cada asistente

Todos hacen «de todo», así que la pregunta útil no es cuál es el mejor, sino en qué ecosistema trabajas y qué tipo de dato vas a tratar. Esta es mi lectura honesta, a noviembre de 2026:

• ChatGPT (OpenAI): el más generalista. Texto, imagen, voz, análisis de ficheros y agentes. Si solo vas a usar uno para tareas muy variadas, es una opción segura.
• Claude (Anthropic): muy sólido con documentos largos, redacción cuidada, razonamiento y programación. Me resulta útil para analizar normativa o contratos extensos.
• Gemini (Google): integrado en Gmail, Docs, Drive y Android, muy multimodal (vídeo, imagen) y con un contexto muy largo. Ideal si tu día a día es Google Workspace.
• Microsoft Copilot: vive dentro de Word, Excel, Outlook, Teams y GitHub. Su gran ventaja es que trabaja con los datos de tu entorno Microsoft 365 respetando los permisos que ya tienes.
• Perplexity: un buscador conversacional que cita las fuentes. Lo uso para investigar y contrastar, no tanto para redactar.
• Mistral (Le Chat): europeo, con modelos de pesos abiertos. Interesante por soberanía del dato y RGPD, y para instalarlo en local.
• Qwen (Alibaba): familia abierta muy potente, sobre todo en código y en varios idiomas. Muy usada en local. Si usas su versión en la nube, revisa dónde se alojan los datos.
• Grok (xAI): integrado en X, con información de actualidad de esa red.
• DeepSeek: modelos abiertos de muy buen rendimiento y coste bajo. Muy recomendable en local. Su servicio en la nube implica que los datos se tratan fuera de la UE.
• Modelos abiertos para local (Granite, Gemma, Llama, Phi, Mistral, Qwen): cuando los datos no pueden salir de tu infraestructura, esta es la respuesta.

10. Y en mi profesión, ¿para qué me sirve?

Perfil	Usos típicos	Precaución clave
Informática y sistemas	Scripts, troubleshooting, documentación, revisión de configuraciones.	No pegues secretos, IP internas ni credenciales.
Ciberseguridad	Análisis de logs, explicación de CVE, modelado de amenazas, borradores de políticas ISO 27001 o ENS, IA predictiva en el SIEM.	Verifícalo todo: la IA inventa CVE y versiones con total aplomo.
Medicina y salud	Resumen de literatura científica, borradores de informes, apoyo en imagen médica (visión).	Los datos de salud son categoría especial en el RGPD: solo herramientas autorizadas o en local. La decisión clínica siempre es del profesional.
Abogacía	Resumir sentencias, comparar contratos, primeros borradores.	Hay casos documentados de jurisprudencia inventada: comprueba cada cita. Ojo también con el secreto profesional.
Ingeniería	Cálculos asistidos, documentación técnica, revisión de especificaciones.	Valida los cálculos con software certificado.
Aviación y aeroespacial	Mantenimiento predictivo (tabular), inspección visual de piezas, consulta de manuales con RAG.	Sector regulado (EASA): la IA apoya, pero la firma y la decisión son humanas.
Construcción	Visión para seguridad en obra (EPI), lectura de planos, presupuestos.	Revisa mediciones y cumplimiento del CTE.
Mecánica de motores	Diagnóstico a partir de códigos OBD y síntomas, manuales con RAG, predicción de averías por sensores.	Contrasta siempre con el manual del fabricante.
Industria	Mantenimiento predictivo, control de calidad por visión (OpenVINO en planta), optimización de procesos.	Segmenta la red OT y no conectes sistemas de planta a servicios en la nube sin control.

11. Mi árbol de decisión

Si después de todo esto sigues dudando, haz dos preguntas por este orden: qué quieres conseguir y cómo de sensibles son los datos. Con eso tienes el 90 % de la decisión tomada.

Primero el objetivo, después la sensibilidad del dato.

12. Mis tres reglas de oro

1. Clasifica el dato antes de pegarlo. Si es confidencial, usa un modelo en local o un servicio empresarial con contrato de encargo de tratamiento.
2. Verifica todo lo que vayas a firmar. La IA es un copiloto excelente y un piloto pésimo.
3. Usa cada tipo de IA para lo suyo. La generativa, para redactar y explicar; la predictiva y la tabular, para decidir con datos. Mezclarlas sin criterio es precisamente lo que genera la confusión del principio.

Si te ha servido, compártelo con quien te haya dicho alguna vez «para mí todo es IA». Y si quieres que profundice en alguna de las piezas (montar un RAG paso a paso, servir un modelo con vLLM o diseñar un pipeline de LLMOps), déjamelo en los comentarios.

Fuentes y documentación oficial

• PyTorch · TensorFlow · Scikit-learn
• vLLM · MLServer · OpenVINO
• IBM Granite en Hugging Face
• OWASP Top 10 para aplicaciones LLM
• ISO/IEC 42001 · Reglamento europeo de IA (AI Act)