En qué se diferencian la IA de generación y la IA analítica y cuándo usar cada una

Desde OpenAI anunció ChatGPT en noviembre de 2022, muchos ejecutivos de negocios centraron su atención en la IA generativa. Esta tecnología relativamente nueva desató un frenesí en torno a la IA y provocó que las empresas le prestaran atención por primera vez. Se trata de un avance positivo, ya que la tecnología es poderosa e importante y permite muchas nuevas posibilidades de negocio.

Sin embargo, muchas empresas llevan años utilizando la IA con menos visibilidad. Los que han descubierto recientemente la IA generativa corren el riesgo de pasar por alto una forma de IA más antigua y mejor establecida, que llamaremos «IA analítica». Esta forma de IA no está en absoluto obsoleta y sigue siendo un recurso importante para la gran mayoría de las empresas. Si bien algunas aplicaciones de la IA emplean tanto IA analítica como generativa, los dos enfoques de la IA son en gran medida distintos. Las empresas tienen que decidir qué tipo es el más adecuado para cada caso de uso específico.

Para tomar decisiones sobre la importancia y el valor relativos de la IA generativa y la IA analítica, las organizaciones deben entender primero las diferencias entre las dos tecnologías y los diferentes beneficios y riesgos asociados a cada una de ellas. Entonces pueden tomar decisiones sobre qué priorizar en qué circunstancias en función de sus estrategias, modelos de negocio, tolerancia al riesgo y otras situaciones.

¿En qué se diferencian la IA generativa y la analítica?

Diferentes propósitos y capacidades

La IA analítica y la IA generativa se diferencian principalmente en su propósito, capacidades, métodos y datos. El objetivo principal de la IA generativa es utilizar modelos de redes neuronales de aprendizaje profundo para generar contenido nuevo (como imágenes, texto, música, código de programación o incluso obras de arte enteras) que imite la creación humana. La IA analítica, por otro lado, se refiere a los sistemas de IA basados en el aprendizaje automático estadístico que se diseñan para tareas específicas, como la clasificación, la predicción o la toma de decisiones basadas en datos estructurados. Por ejemplo, en una promoción de marketing dirigida a los clientes, la IA analítica se utilizaría para decidir qué producto promocionar a qué cliente, y la IA generativa crearía el lenguaje y la imagen personalizados utilizados en la promoción.

La IA generativa puede producir contenido original y, a menudo, indistinguible del contenido creado por humanos. La IA analítica está diseñada para realizar tareas de predicción específicas de forma eficiente, como predecir cuándo una máquina necesita servicio, predecir el precio que pagará un cliente o recomendar productos según las preferencias del usuario, todo ello basándose en modelos estadísticos predictivos. GenAI no puede hacer estas cosas porque no trata este tipo de datos.

Diferentes métodos algorítmicos

En términos de métodos algorítmicos, la IA generativa suele emplear técnicas complejas, como los transformadores (que convierten las entradas secuenciales del texto, por ejemplo, en salidas coherentes), los mecanismos de atención (que predicen la siguiente palabra en función del contexto de las palabras que la preceden), las redes generativas de confrontación (GAN, que compiten entre sí para lograr el resultado deseado, como ganar una partida) y los codificadores automáticos variacionales (VAE), que son modelos que generan, eliminan el ruido y detectan anomalías en los nuevos datos (derivados de los datos existentes) para generar contenido. Estos modelos aprenden a entender los patrones de los datos para crear nuevas instancias de los mismos. Los modelos suelen ser creados por vendedores (y personalizado por las empresas usuarias) porque son grandes, requieren amplios recursos computacionales y requieren enormes cantidades de datos.

La IA analítica utiliza una serie de enfoques de aprendizaje automático generalmente más sencillos, como el aprendizaje supervisado (utiliza patrones de datos anteriores con resultados conocidos para predecir resultados desconocidos), el aprendizaje no supervisado (identificar patrones en los datos sin resultados conocidos) y el aprendizaje por refuerzo (que recompensa un modelo que optimiza un objetivo específico), así como varias arquitecturas de redes neuronales adaptadas a tareas específicas. Los modelos suelen entrenarse con datos del pasado y las propias empresas los aplican «por inferencia» para predecir nuevos datos (es decir, los aplican a situaciones del mundo real) utilizando sus propios datos.

Diferentes tipos de datos

Los dos tipos de IA también difieren en los tipos de datos que utilizan. La IA generativa utiliza texto, imágenes y otros formatos de datos relativamente desestructurados, todos en una secuencia que se puede utilizar para predecir otras secuencias. La IA analítica emplea datos estructurados, normalmente filas y columnas de números. La forma más común de IA analítica, el aprendizaje supervisado, requiere que los datos que se utilizan para entrenar al modelo tengan un resultado conocido y etiquetado. Por ejemplo, un modelo supervisado que intenta predecir si un paciente tendrá diabetes (utilizando variables predictivas como el peso, los niveles de ejercicio o los familiares con diabetes) se basa en un conjunto de datos para el que sabemos si los pacientes contrajeron la enfermedad.

Diferentes retornos de la inversión

Las dos tecnologías de IA también difieren en los tipos de devoluciones que pueden entregar a las organizaciones. En términos generales, es más probable que la IA generativa ahorre costes gracias al aumento de la productividad en la generación de contenido, y la IA analítica puede permitir tomar mejores decisiones, ahorrar costes y aumentar las ventas, aunque hay excepciones a esta generalización.

La IA generativa puede ofrecer beneficios con la generación de contenido al ofrecer costes reducidos en comparación con la creación de contenido humano, así como la posibilidad de generar contenido único y atractivo que atraiga y retenga a los clientes. Se puede aprovechar para crear contenido personalizado según las preferencias individuales. Esto puede llevar a una mayor participación de los clientes, a aumentar las tasas de conversión y a mejorar la satisfacción de los clientes y, en última instancia, impulsar el crecimiento de los ingresos. En sectores como la moda, la automoción o el diseño de productos, la IA generativa puede ayudar a generar variaciones de diseño y prototipos de forma rápida y eficaz. Esto puede acelerar los ciclos de innovación, reducir el tiempo de comercialización y ahorrar costes en el desarrollo de productos. En términos más generales, las herramientas de IA generativa pueden ayudar a los profesionales creativos al proporcionar inspiración, generar ideas o automatizar las tareas repetitivas. Esto puede mejorar la productividad, la creatividad y la calidad general de la producción y, en consecuencia, mejorar los productos y servicios.

En el servicio de atención al cliente, se pueden emplear chatbots de IA generativa para responder a las preguntas de los clientes o abordar los problemas como primera línea de respuesta al cliente. El objetivo suele ser ahorrar costes en términos de sustitución de los trabajadores del centro de llamadas por la IA. Los chatbots basados en la IA generativa suelen ofrecer una mejor capacidad de conversación que los chatbots de lenguaje natural anteriores.

Aunque la IA generativa tiene muchos beneficios potenciales, su valor económico puede ser difícil de medir; hacerlo normalmente requeriría experimentos controlados entre grupos que utilizan y no utilizan la tecnología, y mediciones detalladas de la productividad. El desempeño de algunos grupos (por ejemplo, los trabajadores con menos experiencia) puede beneficiarse más o menos que de otros. Muchos de los beneficios anteriores también requieren el entrenamiento de modelos de IA generativa sobre el contenido específico de la empresa, lo que puede aumentar los costes.

La IA analítica suele ofrecer mejores retornos económicos a través de modelos predictivos que pueden ayudar a las empresas a pronosticar la demanda, optimizar la gestión del inventario, identificar las tendencias del mercado y tomar decisiones basadas en los datos. Esto puede reducir los costes, mejorar la asignación de los recursos y aumentar los ingresos mediante una mejor toma de decisiones.

Los modelos analíticos de IA también pueden analizar grandes volúmenes de datos de clientes para descubrir información, preferencias y comportamientos. Las empresas pueden utilizar esta información para adaptar las campañas de marketing, crear recomendaciones de productos y ofrecer experiencias de cliente personalizadas, lo que se traduce en una mayor satisfacción y lealtad de los clientes. La IA analítica también se puede utilizar para fijar de forma dinámica los precios de los productos y servicios, lo que a menudo mejora la rentabilidad.

La IA analítica también se utiliza ampliamente en la gestión de riesgos y la detección de fraudes: los algoritmos de IA pueden analizar los datos en tiempo real para detectar anomalías, identificar posibles riesgos y prevenir actividades fraudulentas. Esto puede suponer un ahorro de costes al minimizar las pérdidas debidas al fraude, mejorar las medidas de seguridad y mantener el cumplimiento de la normativa.

Los beneficios de la IA analítica suelen ser más fáciles de medir que los de la IA generativa, porque se capturan en los sistemas transaccionales, lo que compran los clientes y los costes. En última instancia, tanto la IA generativa como la analítica pueden proporcionar un importante ROI mediante el aumento de la eficiencia, la productividad, la innovación y la satisfacción del cliente, aunque de diferentes maneras según el caso de uso específico y el sector.

Diferentes riesgos

Los problemas de seguridad en torno a la IA generativa y la IA analítica pueden diferir según sus respectivas aplicaciones, capacidades y posibles riesgos. La IA generativa, por ejemplo, permite convencer a los «deepfakes», que pueden utilizarse para desinformación, robo de identidad y fraude. Dado que los modelos lingüísticos extensos se basan en los datos existentes, la IA generativa también puede infringir los derechos de propiedad intelectual al generar contenido que se parece al material existente con derechos de autor, lo que podría provocar disputas legales. Los modelos de IA generativa también pueden implicar riesgos de privacidad debido a la información confidencial presente en los datos de entrenamiento o a los datos específicos de la empresa que se utilizan para personalizar un modelo. Los atacantes también pueden manipular los datos de entrada para engañar a los modelos generativos y hacer que generen resultados no deseados.

Los datos analíticos del entrenamiento de la IA se enfrentan a los mismos riesgos de brechas de ciberseguridad y hackeos que otros datos confidenciales. Además, los modelos de IA que se basan en conjuntos de datos sesgados o incompletos pueden perpetuar los sesgos existentes o discriminar a ciertos grupos. La tecnología de IA analítica se puede aprovechar con fines malintencionados, como lanzar ciberataques automatizados, difundir información errónea o llevar a cabo estafas de ingeniería social. Se deben implementar medidas de seguridad para mitigar estos riesgos y prevenir las amenazas impulsadas por la IA.

Si bien tanto la IA generativa como la IA analítica presentan problemas de riesgo y seguridad relacionados con la privacidad de los datos, los sesgos y los ataques adversarios, la naturaleza de estos problemas puede variar según las características y aplicaciones específicas de cada tipo de IA. Por el momento, la IA analítica parece implicar niveles de riesgo más bajos, en parte porque se utiliza en las empresas desde hace varias décadas.

Cómo las empresas pueden lograr el equilibrio adecuado entre la IA analítica y generativa

Las empresas tendrán que determinar cómo asignar la atención, las inversiones y el talento de la dirección a estos dos dominios diferentes de la IA. Una consideración principal es el grado de familiaridad de las partes interesadas pertinentes con los dos tipos de IA. En general, la IA generativa abre puertas. Hace que los ejecutivos y profesionales no técnicos se entusiasmen con la IA y ofrece pocas barreras de uso. La IA analítica requiere una orientación más estadística para ser utilizada de forma eficaz, por lo que su público principal son los científicos de datos o las personas cuantitativas. Probablemente siempre sea una base de usuarios más pequeña que la de la IA generativa, aunque las interfaces de IA generativa pueden facilitar a las personas sin conocimientos técnicos la creación de formas simples de modelos analíticos. Sin embargo, es probable que los ejecutivos de empresas con una gran cantidad de datos estructurados, como las empresas de servicios financieros, minoristas y telecomunicaciones, estén familiarizados con la IA analítica.

Varias empresas nos dijeron que una de las principales ventajas de la IA generativa era hacer que los altos directivos conocieran más la IA en general. Sastry Durvasula, director de tecnología, datos y servicios al cliente de la TIAA, dijo: «ChatGPT ha sido un importante catalizador para nuestro cambio hacia una estrategia que prioriza la IA. Ha elevado nuestras iniciativas de IA a un pilar fundamental de nuestra estrategia empresarial». El consejo de administración y el comité ejecutivo de la TIAA han adoptado el enfoque de priorizar la IA y han reconocido el potencial de la IA para mejorar los servicios a los clientes, mejorar la eficiencia operativa e impulsar la innovación en toda la organización.

Bill Pappas, director de Tecnología y Operaciones Globales de MetLife, señaló: «Fomentar la colaboración y el aprendizaje continuo en todos los departamentos y funciones desempeña un papel clave a la hora de eliminar los silos y fomentar nuevas ideas y formas de pensar. La innovación no es solo el trabajo del departamento de TI. Más bien, los líderes más fuertes saben que la innovación depende del compromiso de toda la organización con el crecimiento».

Los factores que describimos a continuación pueden servir de guía sobre el énfasis relativo de la IA analítica o generativa en una empresa o un sector.

Tenga en cuenta su estrategia y modelo de negocio

¿La actividad principal de la empresa implica crear, vender o distribuir contenido? Si es así, la IA generativa debería ser su principal objetivo. Pero el «contenido» incluye varios dominios. En Bristol Myers Squibb, el director digital y de tecnología, Greg Meyers, comentó: «La IA generativa es especialmente útil en las industrias con muchos documentos y para crear contenido novedoso, como la generación de nuevas proteínas en la biología computacional». Esta aplicación ayuda a acelerar los ensayos clínicos y a mejorar la eficacia en el desarrollo de fármacos. La empresa utiliza la IA analítica para tareas como la previsión, la planificación de la demanda y la predicción de la inscripción en centros clínicos.

Sin embargo, incluso las empresas de la industria de generación de contenido pueden encontrar problemático el aspecto probabilístico de la predicción de texto de la IA generativa. David Wakeling, director global del grupo asesor de IA del gran bufete de abogados A&O Shearman, nos dijo en una entrevista que no ve la IA generativa como una amenaza existencial dada la tecnología actual. Cree que puede hacer que los abogados sean más productivos y eficientes, pero «la naturaleza fundamental de la IA generativa es cometer errores. Necesita un experto en el circuito o tendrá una mala ley», dijo.

Tenga en cuenta el formato de los activos de datos exclusivos y únicos

Si los activos de datos de la empresa son principalmente contenido no estructurado, como texto, imágenes o vídeos, la IA generativa debería tener prioridad. En Universal Music, por ejemplo, hay un gran interés por la IA generativa, ya que puede crear música, escribir letras e imitar las voces de los artistas. Naras Eechambadi, director global de datos y análisis de la empresa, dijo que la empresa y sus clientes están muy interesados en la IA generativa. Dijo que espera que la tecnología coja fuerza lentamente y que, eventualmente, se produzca algún tipo de punto de inflexión. «De repente nos daremos cuenta de que esto ha tenido un enorme impacto» en la industria y la empresa.

Si, por otro lado, la mayoría de los datos de la empresa son estructurados y numéricos, deberían inclinarse hacia la IA analítica. Katya Andresen, directora digital y analítica de Cigna, nos dijo que la misión de la empresa es ofrecer mejores resultados de salud. «La IA analítica», comentó, «nos permite predecir las necesidades de los pacientes, mejorar la gestión de la atención y aumentar la eficiencia operativa». Este uso de la IA es fundamental para mejorar los resultados de la atención médica y reducir los costes. Cigna también está explorando la IA generativa para crear contenido (incluidos datos sintéticos para la formación) y experiencias de cliente personalizadas.

Hay otras razones para inclinarse de una forma u otra por el enfoque principal de la IA en una empresa, como la experiencia del talento en ciencia de datos, la tolerancia al riesgo de la empresa (la mayoría de las organizaciones consideran que la IA generativa es una tecnología más riesgosa) y la voluntad de tolerar la mayor incertidumbre sobre los beneficios de la IA generativa.

En última instancia, creemos que muchos casos de uso de la IA combinarán los dos enfoques. AT&T, por ejemplo, que ha empleado enfoques para democratizar la IA durante varios años, utiliza la IA generativa para facilitar la IA analítica. Su aplicación «Pregunte a los datos» permite a los usuarios sin conocimientos técnicos crear análisis y modelos estadísticos (en otras palabras, IA analítica) con instrucciones sencillas en inglés mediante la IA generativa. La IA generativa actúa como una interfaz conversacional inicial para la IA analítica al escribir código para realizar ese tipo de análisis estadísticos. Esperamos que muchas más organizaciones acaben creando combinaciones similares.

Democratizar la IA

Si bien ambos tipos de IA son importantes para la mayoría de las organizaciones, es la IA generativa la que ayuda a democratizar el acceso a las herramientas avanzadas. Durvasula, de la TIAA, señala: «La IA generativa permitirá a los usuarios no avanzados aprovechar las capacidades de la IA de manera más eficaz. Nuestro objetivo es ayudar a todos los miembros de la empresa a dominar la IA». La red de gremios de IA de la empresa ejemplifica este enfoque, ya que ofrece formación y recursos a los empleados en diversas funciones.

Meyers, de Bristol Myers Squibb, reconoce el potencial de la IA generativa para hacer que las tecnologías avanzadas sean más accesibles. «La IA generativa está reduciendo la barrera para interactuar con la IA analítica. Cualquiera que sepa leer y escribir puede interactuar con la IA generativa, lo que amplía el número de personas que pueden utilizar estas tecnologías», afirma.

[

Insight Center Collection

Collaborating with AI

How humans and machines can best work together.

](/insight-center/collaborating-with-ai)

Andresen, de CIGNA, está de acuerdo y añade: «La IA generativa está democratizando el acceso a herramientas y conocimientos complejos, lo que permite a más empleados interactuar con las tecnologías de datos e IA. Este cambio es crucial para fomentar la innovación y mejorar la toma de decisiones en toda la organización».

Pappas, de MetLife, indicó que MetLife realizó una encuesta en la que se descubrió que los empleados que piensan que su empleador ofrece la cantidad adecuada de formación e información sobre la IA tienen más probabilidades de estar satisfechos con su trabajo y más probabilidades de tener la intención de permanecer en su trabajo durante los próximos 12 meses. «A medida que el panorama se haga más competitivo para los empleadores, será crucial que las organizaciones consideren cómo utilizan la tecnología disruptiva como herramienta para retener y atraer el talento», subraya. «La adopción de la tecnología emergente puede dar resultados más positivos para los empleadores».

Las organizaciones que hemos descrito son una prueba de que es importante entender tanto la IA analítica como la generativa y aplicar cada una a sus puntos fuertes respectivos en los casos de uso. Juntos pueden impulsar nuevas estrategias y modelos de negocio, crear más culturas basadas en los datos, generar niveles más altos de productividad y facilitar mejores decisiones. Sin embargo, sin entender sus diferencias, las organizaciones corren el riesgo de infrautilizar uno o ambos tipos para transformar sus negocios.