Guia · Nivel Inicial · Modelos
Introducción: ¿qué es la Inteligencia Artificial?
Qué significa IA como campo y como tecnología, qué capacidades asociarle, la diferencia entre automatización e IA y entre IA especializada e inteligencia general.
Publicado: 04/10/2026 · Última revisión: 04/10/2026 · Lectura: 8 min
Qué significa Inteligencia Artificial
La Inteligencia Artificial (IA) es un campo de la computación dedicado a construir sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: entender lenguaje, reconocer imágenes, decidir a partir de datos o generar contenido nuevo.
Hay dos sentidos que conviene no mezclar: la IA como campo de estudio (investigadores, universidades, laboratorios) y la IA como conjunto de tecnologías que ya usás (asistentes, traductores, recomendaciones, correctores). Este manual habla del segundo, con el primero como referencia cuando importa.
Automatización convencional frente a IA
Una calculadora ejecuta reglas escritas una por una: siempre hace exactamente lo programado. Un sistema de IA, en cambio, reconoce patrones en datos y produce resultados que nadie escribió caso por caso.
Ejemplo: una planilla que alerta stock bajo con una regla fija es automatización (predecible, escrita a mano). Resumir reclamos de clientes y detectar los temas repetidos sin que nadie liste los temas posibles es IA. La diferencia describe otra manera de construir software, no convierte a la IA en una mente. Ambas soluciones conviven: la IA se elige cuando las reglas fijas no alcanzan.
IA especializada frente a inteligencia general
Toda la IA actual es especializada (o estrecha): resuelve un tipo de tarea —traducir, resumir, detectar anomalías—. La inteligencia general (AGI), la hipotética capacidad de hacer cualquier tarea intelectual como un humano, no existe.
Cuando escuches nombrar la inteligencia general, es una meta de investigación o una promesa de marketing, no un producto. Y dos advertencias que sostienen todo el módulo: el sistema no entiende como una persona (procesa patrones) y no es infalible ni neutral (hereda errores y sesgos de sus datos).
Fuentes
- AI Risk Management Framework (documentacion-tecnica) · consultado 03/10/2026
- Machine Learning Crash Course (documentacion-tecnica) · consultado 03/10/2026