Qué es la inteligencia artificial, con ejemplos

La inteligencia artificial (IA) es un campo de la informática que desarrolla sistemas capaces de inferir resultados a partir de información: reconocer patrones, hacer predicciones, generar contenido o proponer acciones. En palabras sencillas, permite que un programa interprete una entrada y produzca una respuesta útil para una tarea.

Un ejemplo cercano es un pedido escrito por WhatsApp. El cliente se expresa a su manera; el programa necesita identificar qué pide, en qué cantidad y para cuándo. Después hay otra decisión: quién comprueba esos datos y autoriza su registro.

Ese recorrido ayuda a entender tanto las posibilidades de la IA como sus límites. Lo explicamos con un proceso que hemos implementado en serpixel para una cooperativa, sin atribuirle resultados que no hemos medido.

Qué es la inteligencia artificial, explicado sin tecnicismos

Piensa en la diferencia entre copiar un dato y deducir qué significa un mensaje. Si un formulario tiene una casilla llamada «cantidad», un programa puede trasladar su contenido al sistema de gestión siguiendo una regla. Un mensaje libre obliga a resolver más preguntas: qué parte expresa una cantidad, a qué producto se refiere y si falta información.

La IA puede intervenir en esa interpretación. Su utilidad se comprueba contrastando el resultado con la tarea: ¿ha identificado el producto correcto?, ¿ha respetado la cantidad?, ¿ha detectado una ambigüedad? Que el texto de respuesta suene natural no responde a esas preguntas.

La definición de sistema de IA de la OCDE contempla resultados como predicciones, contenido, recomendaciones y decisiones. Por eso el término abarca mucho más que los asistentes con los que conversamos.

Ejemplos de inteligencia artificial en la vida cotidiana

Clasificar un correo como posible correo no deseado, recomendar una canción y generar un resumen son tareas diferentes. Las tres pueden utilizar IA, pero sus resultados se comprueban de forma distinta: una clasificación puede equivocarse, una recomendación puede no interesarte y un resumen puede omitir una condición importante.

En la cooperativa, el punto de partida era muy concreto: los pedidos llegaban por WhatsApp y alguien tenía que pasarlos a mano al sistema de gestión. Esa copia introducía la posibilidad de olvidos y errores de escritura. La relación con el cliente seguía necesitando personas; la entrada repetitiva de datos era una parte del trabajo que se podía acotar.

Este ejemplo tampoco demuestra que un sistema capaz de tramitar pedidos sepa gestionar toda una empresa. Una capacidad se evalúa en su contexto. Interpretar un producto no implica conocer los acuerdos comerciales de cada cliente ni poder decidir una excepción.

Aprender de datos y utilizar un modelo son cosas distintas

El aprendizaje automático, también llamado machine learning, es una rama de la IA que obtiene patrones de datos mediante entrenamiento. El resultado de ese proceso es un modelo que se utiliza después con nuevas entradas. Google explica esta relación entre datos, entrenamiento y modelos.

Entrenar y utilizar no son lo mismo. Que un asistente tenga en cuenta lo que acabas de escribir dentro de una conversación no demuestra que esté modificando su modelo con ese mensaje. Tampoco significa que conozca el catálogo actualizado de tu empresa: esa información debe proporcionarse o consultarse.

Cómo funciona en un proceso real

Para entender los agentes de IA para empresas, conviene seguir el pedido desde su entrada hasta su registro. El modelo interpreta; las conexiones permiten consultar y escribir; las reglas delimitan las acciones autorizadas. El funcionamiento del conjunto importa tanto como la respuesta que lee el cliente.

En el caso de la cooperativa, el agente busca al cliente en Holded, identifica los productos y devuelve un resumen con cantidades, precios y fecha de entrega. El pedido se registra cuando el cliente confirma. Son pasos relacionados, pero cada uno cumple una función.

Del mensaje al resumen del pedido

Imagina este ejemplo inventado para explicar el proceso, que no reproduce una conversación del caso: «Para el jueves, dos cajas del producto A y una del B».

El mensaje contiene dos productos, dos cantidades y una referencia a una fecha. Todavía hay cuestiones que comprobar: qué referencias del catálogo corresponden a A y B, qué unidad de venta representa una caja y a qué jueves se refiere el cliente.

El recorrido se puede leer así:

1. Recibir e interpretar. Separar productos, cantidades y fecha solicitada, manteniendo identificadas las dudas.
2. Consultar. Buscar al cliente y los productos en el sistema de gestión para trabajar con sus registros.
3. Preparar el resumen. Devolver los detalles del pedido de forma que el cliente pueda revisarlos.
4. Pedir confirmación. Esperar a que el cliente acepte ese resumen.
5. Registrar. Crear el pedido de venta después de la confirmación.

La secuencia del caso llega hasta el registro. Las dudas del ejemplo ilustrativo muestran qué habría que resolver antes: si dos productos encajan con la descripción, elegir uno por intuición puede generar un pedido incorrecto. Una pregunta concreta al cliente es más útil que una respuesta segura sin base.

Consultar un dato no es inventarlo

Un modelo no debería decidir el precio de un producto porque esa cifra parezca razonable. El precio tiene que proceder de la fuente que el negocio haya establecido. Lo mismo ocurre con la identidad del cliente y las referencias del catálogo.

Esta separación permite revisar el proceso. Ante un error, interesa saber si el mensaje se interpretó mal, si el catálogo tenía un dato incorrecto o si se registró algo distinto de lo confirmado. Decir simplemente «ha fallado la IA» no ayuda a encontrar el punto que necesita una corrección.

También conviene distinguir entre escribir «pedido registrado» y recibir la confirmación del programa de gestión de que existe. La respuesta al cliente debe corresponder al resultado de la operación. Este es un criterio de diseño para cualquier conexión entre una conversación y un sistema de trabajo.

Qué diferencia hay entre IA, ChatGPT, automatización y agentes

Estas palabras describen niveles distintos: un campo tecnológico, un producto, una forma de ejecutar tareas o un sistema que combina varias piezas. Utilizarlas como sinónimos dificulta decidir qué necesita realmente un proceso.

Concepto	Qué significa	Ejemplo sencillo
Inteligencia artificial	Campo que incluye sistemas que infieren resultados a partir de entradas.	Clasificar un mensaje según el tipo de petición.
Aprendizaje automático	Técnicas para obtener modelos a partir de datos de entrenamiento.	Aprender patrones para clasificar mensajes.
IA generativa	IA que produce contenido, como texto, imágenes o audio.	Redactar un resumen para que el cliente lo revise.
ChatGPT	Producto de OpenAI que permite trabajar con modelos de IA mediante una conversación.	Pedir una explicación o ayuda para redactar.
Automatización	Ejecución de pasos definidos con menos intervención manual.	Copiar los datos de un formulario a otro programa.
Agente de IA	Sistema que utiliza modelos y herramientas para avanzar en una tarea dentro de unos permisos.	Interpretar una petición, consultar productos y preparar un pedido.

La IA generativa recibe ese nombre porque genera contenido. Esa capacidad no convierte el contenido en una fuente fiable por sí misma. Un resumen de pedido resulta útil cuando conserva los datos comprobados; que esté bien escrito no certifica que cantidades y referencias sean correctas.

ChatGPT es una aplicación concreta de OpenAI, no el nombre de toda la inteligencia artificial. La descripción del caso de la cooperativa no identifica qué proveedor de modelos utiliza, y no hace falta atribuirlo a uno para explicar el proceso.

Cuándo basta con una automatización

Si la entrada está estructurada y la regla está clara, puede bastar con conectar dos programas. Por ejemplo, trasladar un formulario con campos obligatorios no exige necesariamente interpretar lenguaje libre. La decisión depende de qué incertidumbre tenga que resolver el sistema.

En cambio, cuando un cliente expresa el pedido con sus propias palabras, un modelo puede ayudar a extraer su significado. La parte posterior puede seguir reglas fijas. IA y automatizaciones entre programas pueden convivir en el mismo recorrido.

En el caso descrito, «no registrar hasta que el cliente confirme» es una regla del proceso. No debería quedar a la interpretación libre del modelo. Separar esa regla de la redacción de mensajes permite mantener un límite claro aunque cambie la manera de conversar.

Qué puede hacer y qué límites necesita

La IA puede asumir tareas de clasificación, extracción de datos, generación de borradores o preparación de acciones. El alcance aceptable depende de las consecuencias del error y de las comprobaciones disponibles. Revisar un borrador no tiene las mismas consecuencias que corregir un pedido que ya ha empezado a tramitarse.

Una respuesta convincente puede ser incorrecta

El perfil de riesgos de IA generativa del NIST recoge la generación de información falsa expresada con seguridad, conocida como alucinación. En una tarea comercial, una descripción o una condición inventada puede confundir al cliente aunque esté bien redactada.

Otros fallos pueden ser menos visibles: omitir una cantidad, confundir dos productos parecidos o interpretar una corrección como un pedido adicional. Estos son ejemplos de situaciones que conviene probar; no son incidencias que atribuyamos a la cooperativa.

También importa qué datos puede consultar el sistema. Para preparar un pedido necesita información determinada, no acceso indiscriminado a todos los documentos de la empresa. Definir el acceso y las acciones permitidas forma parte del diseño, igual que decidir qué ocurre cuando una consulta falla.

La confirmación y la intervención humana forman parte del proceso

En el caso de pedidos por WhatsApp implementado por serpixel, no se registra nada hasta que el cliente dice que sí. Las conversaciones que el agente no puede resolver pasan a una persona del equipo. La facturación y el cobro continúan en manos de la cooperativa.

Son tres límites diferentes: aprobación del pedido, gestión de excepciones y responsabilidad sobre pasos posteriores. Mantenerlos separados evita confundir «el agente recoge el pedido» con «el agente se encarga de todo».

La confirmación tampoco elimina por sí sola los errores. El resumen tiene que permitir revisar los datos, y el registro debe respetar lo que se ha aceptado. Para valorar el proceso conviene comprobar ambas cosas, además de verificar que una negativa del cliente detiene el registro.

El caso incluye un interruptor de parada documentado y una vuelta clara al proceso manual. El equipo puede detener el agente y seguir atendiendo. Esa posibilidad es parte del funcionamiento previsto, no una improvisación para cuando ya existe un problema.

Por dónde empezar en una empresa

El primer paso útil es escoger una tarea concreta y describir cómo se hace hoy. «Aplicar IA a la empresa» no define una prueba. «Preparar el pedido que llega por mensaje para que el cliente lo confirme» sí permite identificar una entrada, un resultado y una condición para continuar.

Delimita la tarea y quién decide

Recoge ejemplos representativos y pide al equipo que señale cuáles son sencillos, cuáles necesitan contexto y cuáles requieren hablar con el cliente. Esa revisión permite encontrar la capa repetitiva y las decisiones que necesitan criterio.

Después documenta cuatro cosas: qué información entra, qué fuente contiene los datos válidos, qué puede hacer el sistema y en qué situaciones interviene una persona. Si el equipo no puede ponerse de acuerdo sobre una regla, conviene aclararla antes de trasladarla a un programa.

También hay que asignar quién atiende las excepciones. Una conversación marcada para revisión sigue necesitando que alguien la reciba, comprenda qué falta y la continúe. El objetivo es que el equipo disponga de más tiempo para resolver esas situaciones y cuidar la relación con el cliente.

Prueba el proceso completo antes de cambiarlo

En el caso de la cooperativa, antes de cada cambio del agente se ejecuta una batería de pruebas con conversaciones reales anonimizadas. Esto permite contrastar el comportamiento con material del proceso, además de revisar una demostración preparada.

Para una nueva implantación, estas son preguntas útiles para definir las pruebas:

• ¿Identifica correctamente productos, cantidades y fechas?
• ¿Pide aclaraciones cuando falta un dato necesario?
• ¿Conserva las correcciones del cliente en el resumen final?
• ¿Espera la confirmación antes de registrar?
• ¿Deriva al equipo lo que queda fuera de su alcance?
• ¿Permite recuperar el trabajo manual si una conexión falla?

No basta con contar respuestas correctas. Conviene distinguir qué errores se producen y qué consecuencias tendrían. Una frase poco elegante y un producto incorrecto no merecen la misma valoración. Compara también el tiempo de revisión y las correcciones con el proceso anterior, usando observaciones propias y un periodo definido.

La utilidad de la IA se decide ahí: en un trabajo concreto, con datos comprobables, permisos claros y personas que pueden intervenir. Si quieres revisar un proceso repetitivo de tu equipo con serpixel, ¿hablamos en una llamada de 30 minutos?