Generative AI Leader I. Human in the loop

Generative AI sin rodeos: cómo funciona y dónde aporta valor

La inteligencia artificial generativa ha pasado en poco tiempo de ser una curiosidad técnica a una herramienta transversal en empresas y productos digitales. La clave para entenderla no está en memorizar conceptos aislados, sino en ver cómo encajan entre sí: modelos, uso real y forma de interacción.

Generative AI, o GenAI, se define por una capacidad concreta: no solo analiza datos, sino que crea contenido nuevo. Ese contenido puede ser texto, imágenes, audio, vídeo o código. Es un cambio relevante respecto a la IA tradicional, que se centraba en clasificar o predecir. Aquí el modelo produce algo que antes no existía, como un email redactado desde cero o una imagen generada a partir de una descripción.

Ese salto es posible gracias a los llamados foundation models. Son modelos entrenados con volúmenes masivos de datos que no están diseñados para una única tarea, sino que pueden adaptarse a muchas. Dentro de ellos, los más conocidos son los LLMs, especializados en lenguaje. Un LLM es, por tanto, un caso particular: todos los LLMs son foundation models, pero no todos los foundation models trabajan con texto.

Otro concepto clave es la multimodalidad. Los modelos más avanzados ya no operan solo con texto, sino que combinan distintos tipos de datos. Esto permite, por ejemplo, analizar un vídeo teniendo en cuenta imagen, audio y transcripción al mismo tiempo. El resultado es una comprensión más cercana a cómo interpretan los humanos la información.

En la práctica, el valor de GenAI suele concentrarse en cuatro tipos de uso que se repiten en casi cualquier sector. Generar contenido nuevo, resumir información compleja, descubrir patrones o insights en datos y automatizar tareas. Esta clasificación no es arbitraria: ayuda a identificar rápidamente dónde aplicar la tecnología sin dispersarse en casos poco útiles.

La interacción con estos modelos se basa en el prompting, es decir, la instrucción que se les da. El modelo no “piensa” por sí mismo en el sentido humano, sino que responde a cómo se formula la entrada. De ahí surge el prompt engineering, que consiste en diseñar esas instrucciones de forma precisa para obtener resultados más fiables, controlados y útiles.

En el ecosistema de Google, esta tecnología se articula alrededor de varios componentes. Gemini es el modelo generativo en sí, capaz de trabajar con múltiples tipos de datos. Vertex AI es la plataforma donde esos modelos se utilizan, entrenan o despliegan en entornos reales. Y Model Garden actúa como catálogo, permitiendo elegir entre modelos propios, open source o de terceros. A su vez, modelos como Imagen están especializados en tareas concretas, como la generación de imágenes a partir de texto.

Cuando se traslada a empresa, la adopción de GenAI no es solo técnica. Requiere una estrategia clara. Por un lado, un enfoque top-down, donde la dirección define objetivos y recursos. Por otro, un enfoque bottom-up, donde los equipos experimentan y detectan oportunidades reales. Sin esa combinación, es fácil caer en pruebas aisladas sin impacto.

Aquí aparece otra distinción importante: automatización frente a aumento (augmentation). La automatización busca reemplazar tareas repetitivas. El aumento, en cambio, mejora el trabajo humano sin sustituirlo, como cuando un analista usa IA para explorar datos más rápido. En la práctica, los sistemas más efectivos combinan ambos enfoques.

Aun así, la idea de “IA autónoma” es engañosa en la mayoría de contextos reales. El modelo de human-in-the-loop sigue siendo esencial. Los humanos seleccionan datos, diseñan prompts, validan resultados y supervisan el sistema. Esto no solo mejora la calidad, también reduce riesgos.

La adopción de GenAI suele traducirse en beneficios claros: mayor productividad, reducción de costes operativos y mejora en la experiencia del usuario. Pero no todos los casos de uso son igual de valiosos. Por eso se utilizan enfoques como la Creative Matrix, que cruzan capacidades de la tecnología con necesidades del negocio para priorizar iniciativas con impacto real y viabilidad técnica.

La idea final es sencilla y conviene retenerla: Generative AI no es una herramienta única, sino una capa tecnológica flexible que se apoya en modelos fundacionales, se activa mediante prompts y genera valor cuando se integra con criterio en procesos reales.