Las tipologías de la inteligencia artificial se superponen según se adopte un ángulo técnico, funcional o regulatorio. Clasificar los sistemas de IA por capacidad (débil, general, superinteligencia) sigue siendo común, pero esta cuadrícula ya no es suficiente para describir el panorama actual. Desde la entrada en aplicación progresiva del reglamento europeo sobre la IA y la aparición de sistemas autónomos capaces de orquestar flujos de trabajo completos, la forma misma de categorizar estas tecnologías ha cambiado.
IA agentiva: el tipo funcional que las clasificaciones ignoran
La mayoría de las guías distinguen la IA predictiva, la IA generativa y el aprendizaje automático supervisado o no supervisado. Desde 2025, Gartner identifica una categoría adicional: la IA agentiva. Estos sistemas no se limitan a producir una respuesta o una predicción. Perciben un entorno, toman decisiones y ejecutan acciones de forma autónoma o semi-autónoma para alcanzar un objetivo definido.
Para profundizar : Cómo explorar las diferentes secciones y contenidos disponibles en Zazie Web
Concretamente, un agente IA puede dirigir un proceso logístico completo, orquestar varios modelos de lenguaje especializados o gestionar un pipeline de datos sin intervención humana en cada etapa. La diferencia con un chatbot o un modelo generativo clásico radica en esta capacidad de acción autónoma en un entorno real, ya sea digital o físico.
Lo que hace que esta categoría sea estructurante es que atraviesa las tipologías habituales. Un agente IA puede movilizar aprendizaje supervisado para analizar datos, IA generativa para producir un informe y IA predictiva para anticipar un incidente, todo en una misma secuencia. La frontera entre los “tipos” se vuelve entonces porosa, y entender los diferentes tipos de inteligencia artificial exige ahora integrar esta dimensión agentiva.
Leer también : Cómo comparar adecuadamente las ventajas de los CCUES SG antes y después de la jubilación
Clasificación regulatoria de la AI Act: cuatro niveles de riesgo
El reglamento europeo sobre la IA (AI Act, reglamento (UE) 2024/1689), que entró en vigor el 1 de agosto de 2024 y se aplicará por etapas, ha introducido una cuadrícula de lectura que no se basa ni en la técnica subyacente ni en el grado de autonomía, sino en el nivel de riesgo para las personas. Este enfoque modifica la manera en que las empresas deben pensar sus sistemas de IA.
Los cuatro niveles definidos por el texto son:
- Riesgo inaceptable: prácticas puramente prohibidas, como la puntuación social o la manipulación de personas vulnerables mediante técnicas subliminales.
- Alto riesgo: sistemas utilizados en salud, seguridad, reclutamiento o funciones críticas, sujetos a obligaciones estrictas de gestión de riesgos, documentación técnica y supervisión humana.
- Obligaciones de transparencia: sistemas que interactúan con personas (chatbots, deepfakes) y deben informar sobre su naturaleza artificial.
- Riesgo mínimo: la gran mayoría de las aplicaciones comunes, sin obligación específica más allá del derecho común.
Para las empresas europeas, esta clasificación por riesgo prima sobre la distinción técnica entre IA generativa e IA predictiva. Un modelo generativo utilizado para producir imágenes publicitarias se clasifica en riesgo mínimo. El mismo modelo, aplicado a la generación de informes médicos, pasa a la categoría de alto riesgo con exigencias de cumplimiento severas.
Calendario de aplicación y restricciones concretas
Las prohibiciones relacionadas con el riesgo inaceptable se aplican primero. Las obligaciones para los sistemas de alto riesgo siguen un calendario progresivo. Las empresas que despliegan modelos de IA de uso general deben proporcionar documentación técnica y cumplir con las reglas sobre derechos de autor.
Los retornos de campo divergen sobre la capacidad de las pymes para absorber estos nuevos requisitos de cumplimiento, especialmente cuando utilizan modelos de terceros alojados fuera de la Unión Europea. La cuestión de la responsabilidad en cascada (proveedor del modelo, integrador, usuario final) sigue siendo un punto de fricción legal.
IA generativa y modelos de lenguaje: estado de la cuestión en 2026
La IA generativa ha ocupado la mayor parte de la atención mediática durante los últimos dos años. Los modelos de lenguaje (LLM) como los que alimentan ChatGPT, Claude o Gemini producen texto, código, imágenes y video a partir de prompts. Su ámbito de aplicación se ha ampliado mucho más allá de la redacción automatizada.
En las empresas, los usos se concentran en la síntesis documental, la generación de código, la asistencia al cliente y la creación de contenidos de marketing. Los datos disponibles no permiten concluir que la IA generativa reemplace puestos enteros en esta etapa, pero claramente redistribuye las tareas dentro de los equipos.
Límites técnicos persistentes
Las alucinaciones (respuestas factualmente incorrectas pero formuladas con confianza) siguen siendo un problema estructural de los LLM. Ningún modelo generativo garantiza la exactitud fáctica de sus salidas, lo que limita su despliegue en los ámbitos regulados sin una capa de verificación humana.
El consumo energético del entrenamiento y de la inferencia constituye otro tema abierto. Las comparativas entre modelos muestran diferencias significativas de rendimiento según las tareas, lo que complica la elección para las empresas que buscan industrializar un caso de uso específico.
Aprendizaje automático e IA predictiva: las aplicaciones maduras
Antes de la explosión de la IA generativa, el aprendizaje automático (machine learning) ya constituía la base técnica de la mayoría de los sistemas de IA desplegados en producción. La IA predictiva, que analiza datos históricos para anticipar tendencias o eventos, sigue siendo el tipo de IA más común en los sectores industriales.
Mantenimiento predictivo, detección de fraude, scoring crediticio: estas aplicaciones se basan en modelos supervisados entrenados en conjuntos de datos etiquetados. Su fiabilidad depende directamente de la calidad y representatividad de los datos de entrenamiento, un aspecto a menudo subestimado al pasar a producción.
El aprendizaje no supervisado encuentra su lugar en la segmentación de clientes, la detección de anomalías en redes o el análisis exploratorio de grandes bases de datos. A diferencia del aprendizaje supervisado, identifica estructuras en los datos sin etiquetas previas, lo que lo hace útil cuando las categorías no se conocen de antemano.
Donde la IA predictiva y la IA agentiva convergen
Los sistemas más avanzados combinan ahora un módulo predictivo (que anticipa un evento), un módulo decisional (que elige una acción) y un módulo de ejecución (que actúa sobre el entorno). Esta convergencia difumina las fronteras entre tipos de IA y hace que las clasificaciones rígidas sean cada vez menos operativas.
El marco regulatorio europeo empuja en la misma dirección: lo que importa ya no es tanto la técnica empleada como el uso final y el riesgo asociado. Para las organizaciones que despliegan sistemas de IA, la cuadrícula de lectura pertinente combina ahora la naturaleza técnica del modelo, su grado de autonomía y su nivel de riesgo regulatorio. Ninguna de estas tres dimensiones es suficiente por sí sola para describir lo que un sistema de IA realmente hace.