El software de inteligencia artificial (IA) agrupa programas que imitan capacidades humanas como aprender, razonar, entender el lenguaje o detectar patrones. Bajo ese paraguas conviven técnicas muy distintas con un objetivo común: que un ordenador haga algo que antes solo hacía una persona, y que lo haga a escala. La inteligencia artificial en sentido amplio cubre desde un filtro antispam hasta un modelo de lenguaje de billones de parámetros como GPT-5.5 o Claude Opus 4.7.
El boom de los últimos años se explica por tres cosas que coincidieron en el tiempo: muchísimos datos, GPUs capaces de entrenar redes enormes y arquitecturas como el transformer (2017) que escalan bien con ese hardware. El resultado son sistemas que se han metido en buscadores, asistentes de código, diagnóstico médico, traducción y un largo etcétera. Estas son las cuatro familias de software de IA que conviene tener claras.
Machine learning: aprender de los datos sin programar las reglas
El machine learning (ML) o aprendizaje automático es la base de casi todo el software de IA actual. La idea es sencilla: en lugar de escribir las reglas a mano, alimentas el modelo con ejemplos y él ajusta sus parámetros hasta acertar. Si quieres detectar correo basura, le pasas miles de mensajes etiquetados como spam o no spam y el modelo aprende a separarlos.
Hay tres modos clásicos de entrenar. El supervisado parte de datos etiquetados (la respuesta correcta viene con cada ejemplo). El no supervisado busca estructura en datos sin etiquetar, útil para segmentar clientes o detectar anomalías. Y el aprendizaje por refuerzo, que ajusta el modelo a base de premio y castigo, es el que está detrás de los agentes que aprenden a jugar al ajedrez o a navegar por una web. Hoy un técnico de datos rara vez programa el algoritmo desde cero, porque tira de librerías como scikit-learn, PyTorch o TensorFlow y se centra en preparar los datos y elegir la métrica.
Procesamiento del lenguaje natural (NLP) y modelos de lenguaje
El procesamiento del lenguaje natural (NLP, por sus siglas en inglés) es la rama del software de IA que se ocupa del texto y la voz: traducción, clasificación, resumen, búsqueda semántica, asistentes conversacionales. Hasta 2017 se construían pipelines bastante artesanos con análisis sintáctico, etiquetado y reglas. La llegada del transformer cambió las reglas y dio paso a los modelos de lenguaje grandes (LLM, large language models) como GPT, Claude, Gemini, Llama o Mistral.
Un LLM moderno se entrena con cientos de miles de millones de tokens de texto y luego se afina con feedback humano. Eso le permite responder preguntas en lenguaje natural, generar código, redactar correos o seguir instrucciones encadenadas. La parte agéntica, donde el modelo no solo contesta sino que ejecuta herramientas, es lo que está marcando la pauta esta temporada, como hemos comentado en la apuesta por la IA agéntica de OpenAI con GPT-5.5. Lo que antes era un chatbot ahora es un sistema que usa navegador, terminal y APIs por ti.
Redes neuronales y deep learning
Las redes neuronales artificiales son la arquitectura que está debajo de la mayoría de modelos modernos. Su inspiración viene de las neuronas biológicas, aunque el parecido es flojo. En la práctica son capas de operaciones matemáticas (multiplicaciones de matrices y funciones no lineales) que ajustan millones o miles de millones de parámetros mediante retropropagación.
Cuando esas redes tienen muchas capas hablamos de deep learning o aprendizaje profundo. Las redes convolucionales (CNN) dominaron la visión por computador durante una década. Las recurrentes (RNN, LSTM) se usaron para series temporales y texto antes de que el transformer las desplazara. Hoy el transformer es el caballo ganador en lenguaje, imagen e incluso predicción de proteínas (AlphaFold). El coste de entrenar uno grande no es trivial: GPT-4 se estima en torno a los 60-100 millones de dólares en cómputo, y eso explica por qué la conversación se ha movido también hacia modelos abiertos que se pueden correr en local sin depender de una API externa.
Reconocimiento de patrones y visión por computador
El reconocimiento de patrones se solapa con todo lo anterior, pero merece sección propia porque es lo que mete la IA en el mundo físico: cámaras de matrículas, control de calidad en una línea de producción, detección de fraude bancario, lectura de mamografías. La técnica varía según el dato. Para imágenes y vídeo, redes convolucionales o vision transformers. Para audio, espectrogramas pasados por una red neuronal. Para series temporales (transacciones, sensores industriales), modelos que comparan el dato actual con el patrón histórico.
Lo determinante aquí no es solo la precisión del modelo, también el coste de operar a escala. Una red entrenada para detectar fraude tiene que procesar millones de transacciones al día con latencia de milisegundos. Eso se traduce en hardware específico (GPUs Nvidia, TPUs de Google, NPUs en chips móviles) y arquitecturas de inferencia distribuida. La factura energética de los datacenters de IA empieza a ser un problema en sí, como cuenta el análisis de la carrera europea de la IA y el límite eléctrico en Revista Cloud.
Dónde está el software de IA hoy y qué viene
El uso real del software de IA ya no es prospectivo. Según la encuesta de McKinsey de 2024, el 65% de las empresas declaran usar IA generativa en al menos una función de negocio (frente al 33% del año anterior). Las áreas con más adopción son marketing, ventas, desarrollo de producto y atención al cliente. En desarrollo, herramientas como GitHub Copilot o Cursor llevan a los equipos un porcentaje notable de código asistido. En operaciones de TI, la observabilidad inteligente y el AIOps están reemplazando los dashboards estáticos.
Lo que conviene vigilar de cara a 2026 son tres frentes: los modelos pequeños y especializados que corren en el dispositivo (SLM, small language models), la estandarización con protocolos como MCP (Model Context Protocol) para que los agentes hablen con herramientas externas, y la regulación europea con el AI Act, cuyas obligaciones para modelos de propósito general empezaron a aplicarse en 2025. El software de IA está dejando de ser un experimento de laboratorio para convertirse en infraestructura, y eso obliga a tratarlo con el mismo rigor que cualquier otra capa crítica del stack.
Preguntas frecuentes
¿Qué diferencia hay entre IA, machine learning y deep learning?
La IA es el campo general (sistemas que imitan capacidades humanas). El machine learning es la rama que aprende de datos en lugar de seguir reglas escritas. Y el deep learning es un subconjunto del ML que usa redes neuronales con muchas capas. Todo modelo de deep learning es ML, todo ML es IA, pero no al revés.
¿Qué lenguajes y librerías se usan para programar software de IA?
Python es el lenguaje dominante por la calidad de su ecosistema. Las librerías más extendidas son PyTorch (Meta) y TensorFlow (Google) para deep learning, scikit-learn para ML clásico, Hugging Face Transformers para NLP y LangChain o LlamaIndex para flujos con LLM. En producción de alto rendimiento es habitual ver C++, CUDA o Rust en la capa de inferencia.
¿Qué es un LLM y en qué se diferencia de un asistente como ChatGPT?
Un LLM (large language model) es el modelo en bruto, una red neuronal entrenada para predecir el siguiente token. ChatGPT, Claude o Gemini son productos construidos sobre un LLM, con interfaz, sistema de seguridad, memoria y herramientas. El LLM hace el trabajo lingüístico, el producto añade la capa que lo hace usable.
¿Se puede usar software de IA sin enviar datos a un proveedor externo?
Sí. Modelos abiertos como Llama 3, Mistral o DeepSeek se pueden descargar y ejecutar en servidores propios o incluso en un portátil con GPU decente. Es la opción habitual para empresas con datos sensibles (sanidad, banca, defensa) o que quieren evitar dependencia de una API. La contrapartida es que tú asumes la operativa: hardware, actualizaciones y monitorización.
¿Cuáles son los principales problemas técnicos del software de IA?
Los más conocidos son las alucinaciones (el modelo se inventa datos), el sesgo heredado de los datos de entrenamiento, la dificultad para explicar por qué el modelo toma una decisión y el coste energético. Hay técnicas para mitigarlos (RAG para anclar respuestas en fuentes verificables, fine-tuning con datasets curados, métodos de interpretabilidad), pero ningún parche elimina el problema por completo.
