En la lección anterior miramos dentro de un agente: percepciones, acciones, racionalidad, tipos de agente según lo que usan para decidir. En esta cambiamos de escala y clasificamos los sistemas de IA en su conjunto. Es una lección menos técnica pero muy necesaria, porque en torno a la IA circulan expresiones ("IA general", "superinteligencia", "la IA es consciente", "esto es solo un chatbot") que mezclan lo que existe con lo que se especula. Marta necesita saber qué puede pedir hoy y qué es ciencia ficción cuando un proveedor le presenta un producto; Diego necesita entender por qué el asistente que evalúan "recuerda" la conversación y el sistema de 2015 no. Veremos tres formas de clasificar la IA (por capacidad, por funcionalidad y por otras dicotomías técnicas útiles), con tablas comparativas, y aterrizaremos las clasificaciones en los nueve casos de uso de NovaMarket. Terminaremos con un ejemplo de código muy corto que ilustra la diferencia entre un sistema reactivo y uno con memoria.

1. Por qué clasificar la IA (y por qué hay varias clasificaciones)
2. Clasificación por capacidad: IA estrecha, IA general y superinteligencia
3. Qué existe hoy realmente: el caso de los grandes modelos de lenguaje
4. Clasificación por funcionalidad: reactivas, memoria limitada, teoría de la mente, autoconciencia
5. Otras dicotomías útiles: simbólica vs subsimbólica, discriminativa vs generativa, nube vs dispositivo
6. Aterrizaje: clasificar los nueve casos de uso de NovaMarket
7. Ejemplo en Python: reactivo (sin estado) vs con memoria

No existe una única taxonomía "oficial" de la IA. Las que veremos responden a preguntas distintas:

Las tres se solapan y se complementan. Un mismo sistema (por ejemplo, el asistente de atención al cliente) es a la vez IA estrecha, de memoria limitada, subsimbólico y generativo, y puede ejecutarse en la nube. Aprender a ponerle todas las etiquetas a un sistema es una forma rápida de entenderlo.

Es la clasificación más popular fuera del ámbito técnico y la que genera más confusión.

Sistemas diseñados y entrenados para una tarea o un conjunto acotado de tareas. Pueden superar con creces al ser humano en esa tarea y ser completamente incapaces fuera de ella. Deep Blue jugaba al ajedrez mejor que Kaspárov, pero no sabía jugar a las damas ni entendía qué es un juego. AlphaGo dominó el go pero no podía leer un correo. Un detector de fraude no sabe recomendar productos.

Características:

• El rango de tareas está fijado por el diseño y por los datos de entrenamiento.
• No transfiere lo aprendido a dominios nuevos sin intervención humana (reentrenar, rediseñar).
• No tiene comprensión general del mundo ni objetivos propios: optimiza la medida de rendimiento que le dieron (recuerda 02-01).
• Es toda la IA que existe hoy, incluidos los sistemas más impresionantes.

El adjetivo "débil" no significa "poco potente": significa "de alcance limitado". La IA estrecha es la que genera todo el valor económico actual y la que NovaMarket va a desplegar.

Sistema hipotético con la capacidad de entender, aprender y aplicar conocimiento en cualquier dominio intelectual al nivel de una persona: aprender una tarea nueva con pocos ejemplos, transferir lo aprendido de un campo a otro, razonar sobre problemas nunca vistos, fijarse metas y planificar a largo plazo. Es el sueño fundacional de Dartmouth (01-01) y sigue siendo un objetivo de investigación, no un producto. No hay consenso ni sobre su definición operativa (¿qué examen debería aprobar?) ni sobre si, cuándo o cómo se alcanzará; las estimaciones de expertos serios van desde "en pocos años" hasta "quizá nunca con las técnicas actuales".

Sistema hipotético que superaría a la inteligencia humana en prácticamente todos los ámbitos, incluida la creatividad científica y las habilidades sociales. Es completamente especulativo. Se discute en filosofía, en política de riesgos a largo plazo y en ciencia ficción; no tiene ninguna relación con las decisiones que Marta y Diego deben tomar este año. Conviene conocer el término para no dejarse impresionar por él.

Aquí hace falta honestidad, porque es donde más se confunde el público. Los grandes modelos de lenguaje (LLM) que hay detrás de los asistentes conversacionales actuales parecen desafiar la clasificación: escriben código, resumen contratos, traducen, responden preguntas de medicina y de historia, redactan correos... ¿No es eso "general"?

La posición mayoritaria en la comunidad técnica, y la que adopta este curso, es la siguiente:

• Los LLM son IA estrecha con un dominio muy amplio: su tarea es una sola (predecir y generar texto plausible a partir de un contexto), pero como el texto humano habla de casi todo, esa única tarea aparenta generalidad. Son extraordinariamente versátiles dentro del lenguaje (y, en versiones multimodales, de imágenes y audio), pero:
  • No aprenden de forma continua de la experiencia: lo que "saben" quedó fijado en el entrenamiento; la conversación actual es contexto temporal, no aprendizaje (lo veremos con más detalle en 05-05).
  • Cometen errores que ninguna persona competente cometería (inventar citas, fallar en aritmética elemental, contradecirse), lo que sugiere que su "comprensión" es distinta de la humana.
  • No tienen objetivos propios ni actúan en el mundo por iniciativa; los sistemas "agénticos" que los rodean les añaden herramientas y bucles de decisión (los agentes de 02-01), pero el objetivo sigue viniendo de fuera.
• Al mismo tiempo, es un debate abierto. Algunos investigadores sostienen que estos modelos muestran ya "chispas" de generalidad y que la frontera entre ANI y AGI es gradual, no un salto. Otros sostienen que la arquitectura actual tiene límites estructurales. Ambas posiciones tienen defensores serios; lo que no es serio es dar el debate por cerrado en cualquiera de las dos direcciones.

Consecuencia práctica para NovaMarket: un LLM puede ser una pieza excelente del asistente de atención al cliente (caso 7) o del clasificador de reseñas (caso 4), pero sigue siendo una herramienta acotada que hay que evaluar en su tarea, con sus datos, y rodear de controles. Tratarlo como un "empleado general" que entiende el negocio es el error de expectativas que la lección 01-01 nos enseñó a evitar con los inviernos de la IA.

Esta clasificación, propuesta en 2016 por el investigador Arend Hintze, ordena los sistemas por la información que usan para decidir. Los dos primeros niveles existen; los dos últimos son hipotéticos. Encaja de forma natural con los tipos de agente de 02-01.

Responden solo a la entrada actual, sin memoria del pasado ni modelo del futuro más allá de lo que tienen programado. Ante la misma entrada, siempre la misma salida. Corresponden al agente reflejo simple.

Ejemplos reales:

• Deep Blue (1997): evaluaba la posición actual del tablero y buscaba jugadas; no aprendía de partidas anteriores ni recordaba las de la misma sesión.
• Filtros de spam por reglas o clasificadores simples que evalúan cada correo de forma independiente.
• La regla de Diego "importe > 300 € → revisar": mira solo el pedido actual.
• Un detector de objetos que analiza cada fotograma sin relacionarlo con el anterior.

Que sean reactivas no significa que sean tontas: Deep Blue era una máquina reactiva. Significa que su comportamiento no depende de la historia.

Usan la entrada actual más una ventana de información pasada, con la que construyen un estado interno o un modelo temporal. Corresponden al agente reflejo basado en modelo (y, cuando la memoria alimenta un modelo entrenado, al agente que aprende).

Ejemplos reales:

• Vehículos autónomos: rastrean la posición y velocidad de otros coches en los últimos segundos para predecir su trayectoria.
• Asistentes conversacionales modernos: mantienen el historial de la conversación (la "ventana de contexto") para responder de forma coherente. Nuestro AgenteConModelo de 02-01 es una versión mínima.
• Recomendadores: usan el historial de compras y navegación del cliente.
• Previsión de demanda: usa la serie temporal de ventas de las últimas semanas o años.

Casi toda la IA útil de hoy está en este nivel. La memoria es "limitada" porque el sistema no acumula experiencia de por vida como una persona: recuerda una ventana (los últimos mensajes, los últimos segundos, el historial que le pasan) o lo que quedó fijado en el entrenamiento.

Sistemas que modelarían las creencias, intenciones, emociones y objetivos de otros agentes (personas u otras máquinas) y ajustarían su comportamiento en consecuencia, como hacemos los humanos al negociar o al consolar a alguien. Es un objetivo de investigación en robótica social y en agentes multiagente. Hay avances parciales (sistemas que detectan emociones en la voz o que anticipan la intención de un usuario), pero no existe un sistema con una teoría de la mente general. No confundir con que un LLM escriba como si entendiera emociones: producir texto empático es una habilidad lingüística aprendida de textos humanos, no una representación interna de la mente del interlocutor (aunque, de nuevo, la frontera se debate).

Sistemas que tendrían conciencia de sí mismos: representación de su propio estado interno, de sus deseos, comprensión de que "existen". Es puramente hipotético y filosóficamente controvertido (ni siquiera hay acuerdo sobre cómo detectarla). Ningún sistema actual la tiene, y las afirmaciones ocasionales en prensa de que un chatbot "ha cobrado conciencia" se basan en que el modelo genera texto que habla de conciencia, lo cual es exactamente lo que cabría esperar de un modelo entrenado con textos humanos.

Estas tres distinciones son técnicas y muy prácticas: aparecen constantemente en decisiones de arquitectura.

Es la gran división histórica que ya apareció en 01-01.

• IA simbólica (o "GOFAI", Good Old-Fashioned AI): representa el conocimiento con símbolos legibles por personas (hechos, reglas, lógica) y razona manipulándolos. Es la IA de los sistemas expertos (MYCIN, XCON), de la lógica, de la búsqueda y planificación clásicas. Ventajas: explicable (puedes leer la regla que se disparó), no necesita datos masivos, permite incorporar conocimiento experto directamente. Inconvenientes: hay que escribir el conocimiento a mano (el "cuello de botella de la adquisición de conocimiento" que hundió a los sistemas expertos), es frágil ante situaciones no previstas y le cuesta tratar la percepción (imágenes, voz, texto libre). Los módulos 3 y 6 son mayoritariamente simbólicos.
• IA subsimbólica o conexionista: el conocimiento está distribuido en números (pesos de una red neuronal, parámetros de un modelo estadístico) que se ajustan a partir de datos; no hay reglas legibles. Es el machine learning y, sobre todo, el deep learning. Ventajas: aprende de los datos sin que nadie escriba las reglas, excelente en percepción y en patrones complejos, escala con más datos y cómputo. Inconvenientes: opaca (caja negra), necesita muchos datos, puede aprender sesgos de los datos (02-03 y 02-04), difícil de corregir "a mano". Los módulos 4 y 5 son subsimbólicos.

La tendencia actual es la IA neurosimbólica o híbrida: combinar ambas (por ejemplo, un LLM que redacta la respuesta pero un motor de reglas que decide qué devoluciones se aceptan). Para NovaMarket esto es muy relevante: las reglas de devoluciones y garantías (caso 8) tienen que ser explicables y auditables, así que serán simbólicas, mientras que la clasificación de reseñas (caso 4) será subsimbólica.

• Discriminativa: dada una entrada, decide o predice algo sobre ella: una clase (¿esta reseña es positiva o negativa?), un número (¿cuántas unidades venderemos?), una puntuación (¿qué probabilidad hay de devolución?). La salida es una etiqueta o un valor. Es la mayoría del machine learning "clásico" (módulo 4).
• Generativa: produce contenido nuevo con la misma forma que los datos con los que aprendió: texto, imágenes, audio, código, datos sintéticos. La salida es un objeto complejo. Es la IA generativa que dominó la escena desde 2022 (05-05).

Muchos sistemas combinan ambas: el asistente clasifica la intención del cliente (discriminativo) y luego redacta la respuesta (generativo).

Es una dicotomía de dónde se ejecuta el modelo, no de qué hace:

• En la nube: el modelo corre en servidores remotos; el dispositivo envía los datos y recibe el resultado. Permite modelos enormes y actualizaciones centralizadas, pero exige conexión, introduce latencia, tiene coste por uso y obliga a enviar datos fuera (privacidad, RGPD).
• En el dispositivo (edge AI, on-device): el modelo corre en el propio teléfono, cámara, furgoneta o terminal de almacén. Funciona sin conexión, responde al instante y los datos no salen del dispositivo, pero el modelo debe ser pequeño y actualizarlo es más laborioso.

Diego, preocupado por costes, encontrará aquí una decisión concreta: 3.000 pedidos/día con varias llamadas a un modelo en la nube por pedido tiene un coste que hay que presupuestar; una comprobación en el terminal del almacén, no.

Apliquemos las tres clasificaciones a la tabla de casos de uso que fijamos en 01-03. La clasificación es aproximada (algunos casos admiten varias soluciones) y refleja la solución más probable para NovaMarket:

Lecturas de la tabla:

• Todos son IA estrecha. Ninguno requiere ni se acerca a la IA general. Esto es lo normal y lo deseable: los proyectos de valor son acotados.
• La mayoría son de memoria limitada, y los reactivos (3, 4, 6, 8) lo son porque cada decisión es autónoma. Compara con las propiedades del entorno de 02-01: los entornos episódicos admiten sistemas reactivos; los secuenciales exigen memoria.
• Simbólico donde hace falta explicar y auditar (8, 6, parte de 5 y 9); subsimbólico donde hay percepción y patrones (1, 2, 4, 7). Y varios híbridos, que es la tendencia.
• Solo uno es claramente generativo (7). El resto son discriminativos u optimizadores. Es un buen recordatorio de que "IA" no es sinónimo de "IA generativa", por mucho que domine las noticias.
• Casi todo va en la nube, con excepciones de edge donde la conectividad o la latencia mandan (almacén, furgoneta).

El siguiente ejemplo, deliberadamente mínimo, muestra la diferencia entre una máquina reactiva y una de memoria limitada usando el asistente de NovaMarket. Es la misma idea que el AgenteReflejo frente al AgenteConModelo de 02-01, reducida a lo esencial y aplicada a un problema distinto: detectar cuándo un cliente está insistiendo.

Salida:

Explicación:

• asistente_reactivo es una función pura: misma entrada, misma salida, siempre. Al tercer mensaje repite exactamente la misma respuesta que al segundo, porque para él es como si el segundo nunca hubiera ocurrido. Ese "no se entera de que insisto" es lo que exasperaba a los clientes del chatbot de 2015.
• AsistenteConMemoria guarda los mensajes en self.historial y recorta la lista a los últimos ventana mensajes (self.historial[-self.ventana:]). Esa línea es literalmente la "memoria limitada": el sistema recuerda una ventana, no toda la vida del cliente. Los asistentes basados en LLM funcionan de forma análoga: su ventana de contexto es finita y lo que queda fuera se olvida.
• La decisión usa la memoria: cuenta cuántos mensajes recientes contienen "urgente" (sum("urgente" in m for m in self.historial); en Python True vale 1, así que la suma cuenta coincidencias) y, si son dos o más, escala a una persona.
• Prueba a poner ventana=1: el asistente con memoria se comporta exactamente como el reactivo, porque una ventana de un mensaje es no tener memoria. Es una forma bonita de ver que "reactivo" es el caso particular "memoria de tamaño uno".

• Llamar "IA general" a un LLM porque hace muchas cosas. Amplitud de dominio no es generalidad de capacidad. Evalúa cada uso concreto como lo que es: una tarea estrecha con sus propios errores.
• Descartar la IA estrecha por "débil". El adjetivo describe el alcance, no la potencia ni el valor. Todo el retorno de inversión de NovaMarket vendrá de IA estrecha.
• Confundir "tiene memoria" con "aprende". El asistente con memoria recuerda la conversación pero no cambia sus reglas; el recomendador que se reentrena aprende pero puede no recordar la sesión. Son cosas distintas: memoria es estado; aprendizaje es modificar la función de decisión (módulo 4).
• Creer que un sistema que habla de emociones tiene teoría de la mente o conciencia. Generar texto sobre X no es tener X. Cuando un proveedor use ese lenguaje, pide métricas de la tarea, no adjetivos.
• Elegir subsimbólico por defecto. Si la decisión debe ser explicable y auditable (devoluciones, garantías, cumplimiento legal), un enfoque simbólico o híbrido suele ser mejor, aunque parezca "menos avanzado".
• Olvidar dónde se ejecuta el modelo. Nube vs dispositivo condiciona costes, latencia y privacidad. Decídelo pronto y hazlo constar en el PEAS.
• Consejo: ante cualquier sistema, ponle las cinco etiquetas (capacidad, funcionalidad, simbólico/subsimbólico, discriminativo/generativo, nube/edge). Si no sabes rellenar alguna, es que aún no entiendes el sistema.

Clasifica con las cinco etiquetas de la sección 6 los siguientes sistemas: (a) el corrector ortográfico de un procesador de textos; (b) un coche con frenado de emergencia automático que detecta peatones; (c) un generador de imágenes a partir de texto; (d) el sistema experto MYCIN de 01-01. Justifica brevemente cada etiqueta.

Un proveedor presenta a Marta un "asistente cognitivo con comprensión general del negocio que aprende continuamente de cada conversación y entiende las emociones del cliente". Redacta las tres preguntas que debería hacerle Marta para separar lo que existe de lo que es exageración, y qué respuestas serían aceptables.

Modifica AsistenteConMemoria para que, además de la ventana de mensajes, mantenga un contador no limitado de cuántos mensajes totales ha enviado el cliente en la conversación y, si supera 6, añada al final de cualquier respuesta la frase " (Conversación larga: se ha avisado a un supervisor)". ¿Sigue siendo "memoria limitada"? Razónalo.

Solución 1.

Solución 2. Preguntas posibles:

1. "¿Qué significa exactamente 'aprende continuamente'? ¿El modelo cambia sus parámetros con cada conversación, o guarda un historial que consulta?" Respuesta aceptable: lo segundo (memoria limitada más, quizá, reentrenamientos periódicos supervisados). Un modelo que se modificara solo con cada conversación sería difícil de controlar y auditar, y en general no es lo que se ofrece.
2. "¿'Comprensión general del negocio' quiere decir que ha sido entrenado o configurado con nuestras políticas, catálogo y datos? ¿Cómo se actualiza cuando cambien?" Respuesta aceptable: describe un proceso concreto de incorporación de documentos y datos (y su coste); si la respuesta es "lo entiende todo por sí mismo", es exageración.
3. "'Entiende las emociones': ¿se refiere a un clasificador de tono/sentimiento con una tasa de acierto medida, o a algo más? ¿Qué precisión tiene y con qué datos se midió?" Respuesta aceptable: un detector de sentimiento con métricas concretas y la posibilidad de probarlo con reseñas de NovaMarket. Cualquier alusión a "empatía real" o "teoría de la mente" es marketing.

Solución 3.

Sigue siendo memoria limitada: el sistema guarda un resumen muy comprimido del pasado (un contador) más una ventana de mensajes; no acumula ni aprende de toda su experiencia con todos los clientes, ni modifica su forma de decidir. La "limitación" no es solo el tamaño de la ventana, sino que la memoria está acotada a la tarea y a la sesión, y que no cambia la función del agente. Cuando lo que se guarda empieza a modificar las reglas de decisión de forma permanente entramos en el aprendizaje, tema del módulo 4.

En esta lección hemos aprendido a clasificar los sistemas de IA desde tres puntos de vista. Por capacidad: IA estrecha (toda la que existe, incluidos los grandes modelos de lenguaje, cuya aparente generalidad es objeto de un debate abierto pero que siguen siendo herramientas acotadas que hay que evaluar en su tarea), IA general (objetivo de investigación, no producto) y superinteligencia (especulación). Por funcionalidad: máquinas reactivas y de memoria limitada (las que existen, equivalentes al agente reflejo y al basado en modelo de 02-01), y teoría de la mente y autoconciencia (hipotéticas). Y por enfoque técnico: simbólica frente a subsimbólica (explicabilidad y conocimiento experto frente a aprendizaje de datos y percepción, con la tendencia híbrida), discriminativa frente a generativa (decidir frente a crear) y nube frente a dispositivo (dónde se ejecuta y qué implica en coste, latencia y privacidad). Hemos etiquetado los nueve casos de uso de NovaMarket (todos IA estrecha, mayoría de memoria limitada, mezcla de simbólico y subsimbólico, un solo caso claramente generativo) y hemos visto en unas pocas líneas de Python que un sistema reactivo es simplemente uno con memoria de tamaño uno.

Todas estas clasificaciones tienen algo en común: los sistemas subsimbólicos, que son la mayoría de los que NovaMarket va a construir, dependen por completo de los datos con los que se entrenan. En la siguiente lección, Los Datos como Materia Prima de la IA, veremos qué tipos de datos existen, cómo es su ciclo de vida, cómo se mide su calidad, de dónde vienen los sesgos y qué hay que tener en cuenta con los datos personales, abriendo por fin los ficheros CSV de NovaMarket para encontrarnos con sus problemas reales.