Tipos de IA — la clasificación que importa
Una conversación que se repite
Decís "IA" en una reunión y todos creen que están hablando de lo mismo. No lo están.
Un ingeniero piensa en algoritmos. Tu jefa piensa en productividad. Una directora de cine piensa en generación de video. Tu mamá piensa en robots. Cada uno proyecta su contexto.
La taxonomía que viene en los libros académicos sirve para clasificar sistemas de investigación. Acá te ofrezco otra. Más útil. La que te sirve para saber qué herramienta agarrar hoy y por qué.
Tres ejes. Tres preguntas. Cada herramienta cae en algún lugar.
Primer eje: estrecha o general
Toda la IA que existe hoy es estrecha. Especialista. Excelente en una tarea, incapaz en otra.
Claude escribe. DALL-E dibuja. GitHub Copilot programa. Ninguna hace las tres como las hace un humano. Y eso no es un problema de calidad que "se va a arreglar el año que viene". Es estructural. Cada modelo está entrenado con un objetivo, con una arquitectura y con datos pensados para eso.
¿AGI? Artificial General Intelligence. Una máquina que haría todo lo que vos hacés, sin reentrenamiento, adaptándose a lo nuevo. No existe. Algunos investigadores creen que llega en cinco a diez años. Otros piensan que es especulación pura. Hoy, en abril de 2026, no existe.
Lo que importa para vos. Cuando abrís Claude no estás usando AGI. Estás usando un sistema excelente para generar texto, leer archivos e integrarse con tus herramientas. Eso es estrecho. Y está bien. Es lo que necesitás hoy.
Segundo eje: generativa o analítica
Una genera. Escribe, dibuja, programa desde cero. Crea cosas que no existían.
La otra analiza. Busca patrones en datos, identifica anomalías, extrae conclusiones de lo que ya existe.
La confusión es clásica. "Pedile a Claude que analice mi Excel". Técnicamente puede. La capacidad existe. Pero no es su fortaleza. Una base de datos pensada para eso, con índices y queries, va a ser más rápida, más barata y más confiable.
Generativa es mejor para crear versiones nuevas, escribir, explorar posibilidades, prototipar rápido. Analítica es mejor para volúmenes masivos, datos estructurados, alertas automáticas, dashboards.
¿Querés contar una historia? Generativa. ¿Querés saber por qué caen las ventas? Analítica.
Usar la equivocada es como cortar un tomate con un martillo. El martillo funciona. Para clavar. Para el tomate, no.
Tercer eje: en la nube o en local
Esta es la que menos gente entiende.
En la nube: Claude vía web, en aplicaciones de escritorio conectadas, con todo habilitado. Cuesta dinero por uso. Se integra con Gmail, Drive, Calendar y muchas otras herramientas. Lee los archivos que subís. Tiene contexto de conversaciones recientes. Accede a información en tiempo real.
En local: modelos como Llama (Meta) o Mixtral (Mistral) corriendo en tu computadora. Sin internet. Sin que tus datos salgan. Costo marginal cero después de la instalación. Privacidad real.
¿Cuál es "mejor"? Depende de tu trabajo.
Para tareas en tiempo real con tus herramientas habituales (revisar un email, analizar una presentación, responder en contexto): nube.
Para procesar documentos confidenciales que no querés que salgan de tu máquina: local.
Para prototipar rápido donde la velocidad importa: nube.
Para un programa que corre 24/7 sin intervención y sin presupuesto por token: local.
No es nube > local. Es cuál resuelve tu restricción.
Por qué importa esta clasificación
Cuando alguien te dice "la IA no puede hacer X", podés preguntar tres cosas. ¿Estrecha o general? ¿Generativa o analítica? ¿En la nube o en local?
Y casi siempre vas a descubrir que sí puede hacer X. Solo que no con esa herramienta o no en esa modalidad.
Claude es estrecha, generativa, multimodal (texto, imagen y código en la misma conversación) y vive en la nube. No porque le falte algo. Porque está optimizada para esa combinación. Y esa combinación resuelve casi todo en un flujo de trabajo de oficina moderno.
Lo que ves en las películas (AGI omnicompetente, todopoderosa, autónoma) no existe. Lo que tenés en el escritorio es algo distinto y mejor para el día a día. Una herramienta precisa, confiable, lista para trabajar.
Una pregunta para vos
Si pensás en las tres tareas más repetitivas de tu semana, ¿cuáles caen en estrecha + generativa + nube? Esas son las que Claude debería estar haciendo por vos.
¿Y cuáles caen en analítica + datos estructurados? Para esas, probablemente lo correcto sea aprender un poco de SQL o usar una herramienta como Looker, no insistir con un LLM.
Si querés profundizar en cómo funciona específicamente la pieza generativa de la IA, eso lo cuento en el artículo "Cómo 'piensa' una IA" de esta misma serie. Mientras tanto, mirá tu semana con las tres preguntas en la cabeza. Probablemente ya sepas dónde reorganizar tu trabajo.
Tipos de IA — la clasificación que importa
Una pregunta simple para arrancar
Decís "IA" en una mesa con cinco personas. Cada uno piensa en algo distinto. El ingeniero piensa en algoritmos. Tu jefa piensa en productividad. Tu mamá piensa en robots. Tu hijo piensa en lo que vio en una película.
El problema es que tienen razón los cinco. Y al mismo tiempo, ninguno está hablando exactamente de lo mismo.
Conocer las tres clasificaciones que siguen te ahorra mucho tiempo. Te dice qué herramienta agarrar, para qué tarea, y por qué.
Primera: dónde estamos hoy (estrecha vs general)
Toda la IA que probaste —Claude, ChatGPT, DALL-E, Copilot— es estrecha. Hace bien una cosa: escribe, dibuja, analiza, programa.
Pero no maneja el auto. No te ordena la casa. No te reemplaza en la reunión.
Lo que ves en las películas es AGI: una máquina que hace todo lo que vos hacés. Eso no existe. Puede que llegue, puede que no. Hoy no.
Esto importa porque cada herramienta tiene límites bien dibujados. Claude no te hizo el café porque no fue entrenada para eso. La limitación no es un defecto. Es el diseño.
Segunda: generativa vs analítica
La IA generativa crea. Le pedís un email, una imagen, un video, una pieza de código nueva. Te lo entrega.
La IA analítica busca patrones en datos que ya tenés. Te muestra tendencias, alertas, anomalías.
Si las confundís, le vas a pedir a Claude que haga el trabajo de una base de datos. Y te vas a frustrar. No porque no pueda. Porque no es la herramienta correcta para esa tarea.
Para escribir, generar ideas o explorar opciones, generativa. Para saber por qué cayeron las ventas el martes, analítica.
Tercera: dónde corre (nube vs local)
En la nube: Claude conectado a internet, con tus herramientas, con memoria de conversación. Más potente. Cuesta plata por uso.
En local: Claude corriendo en tu computadora, sin internet, sin que tus datos salgan. Más privado. Menos potente.
¿Cuál es mejor? Depende. Para trabajar día a día con tus herramientas, la nube. Para procesar algo confidencial que no querés que salga de tu máquina, local. No hay un ganador absoluto.
Tres ideas para llevar
Primero, lo que usás todos los días es IA estrecha. La AGI de las películas no existe todavía. Eso no es una mala noticia: lo que tenés ya alcanza para cambiarte el trabajo.
Segundo, generativa y analítica resuelven cosas distintas. Si elegís bien, la herramienta hace su trabajo. Si elegís mal, te frustrás con algo que nunca fue diseñado para eso.
Tercero, nube y local son trade-offs, no una jerarquía. Más potencia y conectividad arriba. Más privacidad y autonomía abajo. Vos elegís según el problema.
Tipos de IA — la clasificación que importa
Una conversación que se repite
Decís "IA" en una reunión y todos creen que están hablando de lo mismo. No lo están.
Un ingeniero piensa en algoritmos. Tu jefa piensa en productividad. Una directora de cine piensa en generación de video. Tu mamá piensa en robots. Cada uno proyecta su contexto.
La taxonomía que viene en los libros académicos sirve para clasificar sistemas de investigación. Acá te ofrezco otra. Más útil. La que te sirve para saber qué herramienta agarrar hoy y por qué.
Tres ejes. Tres preguntas. Cada herramienta cae en algún lugar.
Primer eje: estrecha o general
Toda la IA que existe hoy es estrecha. Especialista. Excelente en una tarea, incapaz en otra.
Claude escribe. DALL-E dibuja. GitHub Copilot programa. Ninguna hace las tres como las hace un humano. Y eso no es un problema de calidad que "se va a arreglar el año que viene". Es estructural. Cada modelo está entrenado con un objetivo, con una arquitectura y con datos pensados para eso.
¿AGI? Artificial General Intelligence. Una máquina que haría todo lo que vos hacés, sin reentrenamiento, adaptándose a lo nuevo. No existe. Algunos investigadores creen que llega en cinco a diez años. Otros piensan que es especulación pura. Hoy, en abril de 2026, no existe.
Lo que importa para vos. Cuando abrís Claude no estás usando AGI. Estás usando un sistema excelente para generar texto, leer archivos e integrarse con tus herramientas. Eso es estrecho. Y está bien. Es lo que necesitás hoy.
Segundo eje: generativa o analítica
Una genera. Escribe, dibuja, programa desde cero. Crea cosas que no existían.
La otra analiza. Busca patrones en datos, identifica anomalías, extrae conclusiones de lo que ya existe.
La confusión es clásica. "Pedile a Claude que analice mi Excel". Técnicamente puede. La capacidad existe. Pero no es su fortaleza. Una base de datos pensada para eso, con índices y queries, va a ser más rápida, más barata y más confiable.
Generativa es mejor para crear versiones nuevas, escribir, explorar posibilidades, prototipar rápido. Analítica es mejor para volúmenes masivos, datos estructurados, alertas automáticas, dashboards.
¿Querés contar una historia? Generativa. ¿Querés saber por qué caen las ventas? Analítica.
Usar la equivocada es como cortar un tomate con un martillo. El martillo funciona. Para clavar. Para el tomate, no.
Tercer eje: en la nube o en local
Esta es la que menos gente entiende.
En la nube: Claude vía web, en aplicaciones de escritorio conectadas, con todo habilitado. Cuesta dinero por uso. Se integra con Gmail, Drive, Calendar y muchas otras herramientas. Lee los archivos que subís. Tiene contexto de conversaciones recientes. Accede a información en tiempo real.
En local: modelos como Llama (Meta) o Mixtral (Mistral) corriendo en tu computadora. Sin internet. Sin que tus datos salgan. Costo marginal cero después de la instalación. Privacidad real.
¿Cuál es "mejor"? Depende de tu trabajo.
Para tareas en tiempo real con tus herramientas habituales (revisar un email, analizar una presentación, responder en contexto): nube.
Para procesar documentos confidenciales que no querés que salgan de tu máquina: local.
Para prototipar rápido donde la velocidad importa: nube.
Para un programa que corre 24/7 sin intervención y sin presupuesto por token: local.
No es nube > local. Es cuál resuelve tu restricción.
Por qué importa esta clasificación
Cuando alguien te dice "la IA no puede hacer X", podés preguntar tres cosas. ¿Estrecha o general? ¿Generativa o analítica? ¿En la nube o en local?
Y casi siempre vas a descubrir que sí puede hacer X. Solo que no con esa herramienta o no en esa modalidad.
Claude es estrecha, generativa, multimodal (texto, imagen y código en la misma conversación) y vive en la nube. No porque le falte algo. Porque está optimizada para esa combinación. Y esa combinación resuelve casi todo en un flujo de trabajo de oficina moderno.
Lo que ves en las películas (AGI omnicompetente, todopoderosa, autónoma) no existe. Lo que tenés en el escritorio es algo distinto y mejor para el día a día. Una herramienta precisa, confiable, lista para trabajar.
Una pregunta para vos
Si pensás en las tres tareas más repetitivas de tu semana, ¿cuáles caen en estrecha + generativa + nube? Esas son las que Claude debería estar haciendo por vos.
¿Y cuáles caen en analítica + datos estructurados? Para esas, probablemente lo correcto sea aprender un poco de SQL o usar una herramienta como Looker, no insistir con un LLM.
Si querés profundizar en cómo funciona específicamente la pieza generativa de la IA, eso lo cuento en el artículo "Cómo 'piensa' una IA" de esta misma serie. Mientras tanto, mirá tu semana con las tres preguntas en la cabeza. Probablemente ya sepas dónde reorganizar tu trabajo.
Tipos de IA — la clasificación que importa
Por qué la taxonomía operacional importa más que la académica
La clasificación de inteligencia artificial que enseñan en departamentos de investigación es rigurosa pero poco útil para quien tiene que decidir qué herramienta usar el martes a la mañana. Para el profesional, hace falta una traducción.
La que sirve es tridimensional. Capacidad (estrecha o general). Tipo de salida (generativa o analítica). Arquitectura de despliegue (en la nube o local). Cada punto en ese espacio define una herramienta distinta con un set propio de trade-offs.
Esto no es académico. Es la matriz que aplico cuando un cliente me pregunta "¿qué herramienta de IA conviene?". La respuesta empieza por mapear su problema en estos tres ejes.
Eje 1: estrecha vs general — qué significa hoy
Hoy estamos plenamente en IA estrecha. Sistemas especializados. Cada uno es excelente en una tarea porque fue entrenado así, con arquitectura y datos ajustados a ese objetivo específico.
"Estrecha" no significa "débil". Claude puede escribir un memorando mejor que la mayoría de los humanos. Pero no puede andar en bicicleta. No por falta de entrenamiento. Por falta de cuerpo, de experiencia sensoriomotora, de contexto físico. La limitación es arquitectónica, no temporal.
AGI, como se discute en el AI Index Report de Stanford, sería el punto en el que un sistema aprende conceptos transversales, se adapta a tareas nunca vistas y generaliza de forma cercana a un humano. No existe. Hay especulación sobre cuándo podría llegar. Algunos investigadores serios sugieren entre 2030 y 2040. Otros son mucho más conservadores. Hoy, en abril de 2026, no existe.
La distinción es útil porque te enseña a modelar las limitaciones reales. No es "Claude no puede hacer X porque todavía no es lo suficientemente buena". Es "Claude no hace X porque no fue entrenada para eso, y eso no se arregla con un release". La primera lectura te lleva a esperar. La segunda te lleva a buscar la herramienta correcta.
Eje 2: generativa vs analítica — estructuras distintas
La confusión acá es profunda porque ambas usan IA moderna, ambas procesan datos y ambas dan respuestas. Pero las estructuras subyacentes son radicalmente distintas.
Generativa predice secuencias. Un LLM predice el siguiente token basado en distribuciones de probabilidad aprendidas durante el entrenamiento. Es regresión sobre distribuciones. Excelente para síntesis, exploración, creatividad y prototipado. Mala para procesar grandes volúmenes con exactitud, para detección de anomalías estadísticas o para series temporales donde la precisión importa.
Analítica busca patrones estructurales en datos. Usa álgebra lineal, estadística clásica, algoritmos de clustering, modelos de regresión. Es determinista o pseudo-determinista con intervalos de confianza. Excelente para decisiones donde necesitás trazabilidad, para modelos de riesgo y para dashboards operacionales. Mala para generar variaciones creativas, para escribir prosa o para exploración abierta.
Hay overlap, claro. Un LLM puede hacer análisis vía prompt engineering y razonamiento emergente. Una base analítica puede generar reportes sintéticos. Pero el costo cognitivo y computacional es muy distinto. Es ineficiente usar la herramienta equivocada solo porque ambas "técnicamente pueden".
Caso concreto. Análisis de un dataset de 50.000 registros vía Claude (generativa, basada en prompts) versus una query SQL sobre una tabla indexada (analítica, estructura relacional). La segunda es más rápida, más barata y más confiable. La primera es más flexible y más exploratoria.
Yo aplico una heurística simple. Si el problema es "¿qué oportunidades hay acá?" (abierto), generativa. Si el problema es "¿cuántas unidades se vendieron por región el último trimestre?" (cerrado), analítica.
Eje 3: en la nube vs local — arquitectura, no nostalgia
El debate cloud vs local no es "qué es más rápido". Es "qué arquitectura resuelve tu restricción".
En la nube implica conectividad, infraestructura centralizada, capacidad de escala prácticamente ilimitada, acceso a contexto global (web, APIs externas), persistencia de conversación e integración con un ecosistema amplio de herramientas. El costo: precio por token, latencia de red y datos que transitan por servidores de un tercero.
En local implica cómputo en la máquina del usuario, sin dependencia de red, costo marginal cercano a cero después de la instalación, máxima privacidad (nada sale del equipo) y ninguna integración automática con servicios externos. La limitación: la GPU o CPU local es finita, no hay acceso a actualizaciones en tiempo real y no hay memoria multiconversación persistente fuera de lo que vos diseñes.
Para trabajo en tiempo real (escritura, análisis rápido, integración con herramientas cotidianas), la nube es prácticamente obligatoria. Para procesamiento de documentos confidenciales (legal, médico, datos regulados), el local tiene mucho sentido, asumiendo que la máquina local tenga buenas prácticas de seguridad. Para sistemas autónomos que corren continuamente, suele ser mejor un híbrido (cómputo local con checkpoints en la nube).
No hay un ganador absoluto. Hay un ganador para tu restricción.
La matriz completa y dónde mapear las herramientas conocidas
Si combinás los tres ejes, te queda este mapa práctico:
Estrecha + generativa + nube: Claude, GPT-4o, Gemini. Es el mainstream para 2026. Buena para alrededor del 95% del trabajo intelectual de oficina.
Estrecha + generativa + local: Llama 3 (Meta), Mixtral (Mistral), Phi (Microsoft). Menos potencia bruta. Más privacidad. Útil para tareas confidenciales o para integraciones donde el costo por token no cierra.
Estrecha + analítica + nube: Palantir Foundry, Databricks, BigQuery, Snowflake. Big data. Machine learning a escala empresarial.
Estrecha + analítica + local: pandas y DuckDB en tu laptop. Análisis rápido de datasets medianos sin pasar por la nube.
AGI no aparece en la matriz porque no existe. Si apareciera, la matriz cambiaría entera.
Lo que la mayoría no ve al evaluar herramientas
Cuando alguien evalúa una herramienta de IA, mira el benchmark. "¿Qué puntaje saca en MMLU?" Eso es señal débil.
Lo que importa es dónde cae la herramienta en este espacio tridimensional, y si ese punto resuelve tu problema. No el problema de un benchmark genérico.
Claude hoy es excelente en su punto del espacio. Estrecha, generativa, multimodal, en la nube. Si tu problema requiere AGI, esperá. Si requiere análisis estructurado puro, usá SQL o un BI. Si requiere local con privacidad estricta, hay opciones. Pero si tu problema es "necesito escribir 50 emails personalizados en dos horas, leyendo el historial de cada cliente", eso cae exactamente en el cuadrante donde Claude domina.
Trayectoria a corto y mediano plazo
A corto plazo, multiplicación de especializaciones. Modelos estrechos cada vez más afinados para verticales específicos (medicina, código, legal, soporte). No es señal mala. Es realismo. Modelos generales para todo terminan siendo mediocres en cada cosa específica.
A mediano plazo, sistemas híbridos. Generativa más analítica en el mismo producto. Claude ya empieza con esto. Puede escribir y analizar archivos en la misma conversación. La barrera entre los dos paradigmas se está disolviendo a nivel de producto, aunque no a nivel de arquitectura interna.
A largo plazo, la pregunta de AGI sigue abierta. Si llega, la taxonomía cambia. Por ahora, no afecta lo que hacés esta semana.
La tesis del blog
Llevo años trabajando con IA aplicada y llegué a una postura que sostengo. La gente que mejor decide qué herramienta usar no es la que más sabe de modelos ni la que más sigue las novedades. Es la que aprendió a hacerse las tres preguntas correctas antes de elegir.
Estrecha o general. Generativa o analítica. En la nube o local.
Quien hace eso con disciplina toma decisiones de arquitectura mucho más sólidas que quien se deja llevar por el último anuncio. Le ahorra tiempo, plata y frustración a su equipo.
La próxima vez que alguien te diga "deberíamos usar IA para esto", parte la conversación en esos tres ejes. Vas a ver que la mitad de las veces la herramienta correcta no es la que el otro tenía en mente. Y que la otra mitad de las veces, sí lo es, pero por razones que ahora podés explicar.
Eso es la diferencia entre usar IA y entender IA. Y se nota en los resultados.
