IA generativa vs machine learning: la diferencia real

La IA generativa es machine learning. No es su rival: es una rama que se entrena de otra forma y para otra cosa. El machine learning clásico aprende de datos etiquetados para acertar una tarea concreta. Un modelo generativo aprende de un corpus enorme para producir contenido que no existía.

Esa frase resuelve la duda, pero no te dice cuál usar el lunes que viene. Si lo que buscabas era la definición sola, está en qué es la IA generativa. Para eso hace falta ver qué cambia en cada paso: con qué se entrena cada uno, qué te devuelve, cómo le pides el trabajo y cómo compruebas si acertó.

IA generativa vs machine learning: la diferencia en una tabla

	Machine learning clásico	IA generativa
Con qué se entrena	Datos tuyos, etiquetados: filas históricas con la respuesta correcta al lado (esta transacción fue fraude, esta no)	Un corpus general de texto, código o imágenes que el proveedor ya ha entrenado. Tú no lo entrenas
Qué produce	Un número o una etiqueta de una lista que tú defines de antemano	Texto, código, imágenes o audio que nadie escribió antes
Cómo le pides la tarea	Con un vector de entrada. La tarea está fijada en el momento de entrenar y no se puede cambiar sin reentrenar	En lenguaje natural. El mismo modelo resume, traduce o clasifica según lo que le escribas
Cómo sabes si acierta	Comparas con el histórico que apartaste. Sale un porcentaje y es objetivo	No hay respuesta única contra la que comparar, así que evalúas con revisión humana o con otro modelo haciendo de juez
Cuándo lo eliges	Tienes años de datos propios y la respuesta cabe en una celda	No tienes datos propios y la respuesta es contenido

La fila que más gente pasa por alto es la tercera. En el machine learning clásico, la tarea es parte del modelo: un clasificador de correo no sabe hacer nada más que decidir si un correo es spam. En un modelo generativo, la tarea vive en el prompt, y cambiarla cuesta escribir una frase distinta.

¿Qué es el machine learning tradicional?

El machine learning tradicional es entrenar un modelo con ejemplos históricos que ya llevan la respuesta correcta, para que acierte esa misma respuesta en casos nuevos. Le das miles de transacciones marcadas como fraude o legítimas, y el modelo aprende qué combinaciones de importe, país y hora suelen acabar en fraude.

Los casos de libro son reconocibles porque llevan décadas en producción. Detección de fraude en pagos. Predicción de demanda para saber cuántas unidades pedir al proveedor el mes que viene. Clasificación de correo en spam o bandeja de entrada. Recomendación de productos a partir de lo que compraron usuarios parecidos.

Los cuatro tienen algo en común y es lo que los hace ideales para este paradigma: la respuesta correcta es comprobable. Al mes siguiente sabes si la demanda era la que predijiste. Sabes si la transacción acabó en devolución. Ese histórico es lo que entrena el modelo, y también lo que te dice si funciona.

La contrapartida es el coste de entrada. Necesitas los datos, necesitas que estén etiquetados, y necesitas suficientes. Sin histórico no hay modelo clásico, y ahí es donde la generativa entra por otra puerta.

¿IA generativa o IA predictiva? Es un problema de vocabulario

«IA predictiva» es el nombre comercial del machine learning clásico cuando se usa para predecir. No es una tercera categoría: es entrenar un modelo con tu histórico para estimar algo que todavía no ha pasado. El término se puso de moda cuando apareció la generativa, porque hizo falta una etiqueta para “lo de siempre”. Antes, a un modelo de scoring crediticio se le llamaba modelo de scoring.

Predecir es uno de los usos del paradigma clásico, no el único: clasificar un correo decide una categoría de una lista, no adivina el futuro. Aun así, cuando leas «IA predictiva» puedes traducir mentalmente «machine learning clásico» y no te vas a equivocar casi nunca.

¿Cuál necesito para mi problema?

La regla honesta cabe en dos frases. Si la respuesta correcta es un número o una etiqueta de una lista cerrada y tienes histórico donde ya aparece, es machine learning clásico. Si la respuesta es texto, código o una imagen que no existía, es generativa. Por síntoma:

• “Cuánto voy a vender en diciembre”. Número, y tienes diciembres anteriores. Clásico.
• “Que el sistema escriba la descripción de cada producto nuevo”. Contenido que no existe. Generativa.
• “Marcar los tickets urgentes”. Etiqueta de lista cerrada: con miles de tickets ya clasificados, clásico; sin nada etiquetado, un modelo generativo clasifica desde el primer día.
• “Detectar si un pago es fraudulento”. Clásico, sin dudarlo. Necesitas una probabilidad estable, auditable y barata de calcular millones de veces al día.

Un modelo generativo también clasifica, pero cuesta más, tarda más y responde distinto ante la misma entrada, porque su salida es la continuación más probable, no la correcta. Lo habitual en producción es llevar las dos: el clásico puntúa el riesgo de la transacción y el generativo redacta el aviso que recibe el cliente.

Si el sistema que estás montando va a encadenar varias llamadas al modelo en vez de hacer una sola, la comparación que necesitas no es esta: es la de IA agéntica frente a IA generativa. Y si lo que estás decidiendo es si hace falta IA o basta con automatización de toda la vida, eso está en IA frente a RPA. En el curso de patrones agénticos montamos esos sistemas paso a paso.

Preguntas Frecuentes

¿La IA generativa es machine learning?

Sí: hay datos, hay entrenamiento y hay un modelo con parámetros ajustados. Lo que la separa del clásico es que se entrena sobre un corpus general sin etiquetar para producir contenido nuevo, en vez de sobre datos etiquetados para acertar una tarea concreta.

¿Qué es la IA predictiva?

Es el machine learning clásico cuando se usa para estimar algo que todavía no ha pasado: las unidades que venderás el mes que viene, o la probabilidad de que un cliente se dé de baja. No es una tecnología distinta, es una etiqueta comercial para la parte de siempre.

¿Un LLM es un modelo de machine learning?

Lo es: se entrena sobre texto prediciendo qué palabra viene después, y eso es machine learning en el sentido más literal del término.

¿Puedo usar las dos a la vez?

Es lo normal en cuanto el sistema crece: el modelo clásico toma la decisión numérica y el generativo escribe el texto que ve la persona. También funciona al revés, etiquetando con un generativo los primeros miles de ejemplos con los que entrenar el clasificador.

¿Necesito datos propios para empezar con IA generativa?

No para la primera prueba, porque el modelo responde desde el minuto uno sin haber visto nada tuyo. Si las respuestas dependen de información que solo existe en tu empresa, tendrás que dársela en cada llamada, y eso vuelve a ser trabajo de datos aunque no lo llames entrenamiento.