Decís "IA" en una conversación y automáticamente todos crean que hablan de lo mismo.
Problema: no es así.
Un ingeniero piensa en algoritmos. Tu jefe piensa en productividad. Un director de cine piensa en generación de video. Tu mamá piensa en robots. Todos dicen "IA", todos hablan de cosas distintas.
La clasificación que importa no es la que te enseñan en universidades de investigación. Es la que te ayuda a saber qué herramienta agarrar hoy.
El espectro narrow ↔ general (el que todos confunden)
Toda la IA que existe hoy — y que probaste — es narrow: especialista. Excelente en una tarea, incapaz en otra.
Claude escribe. DALL-E dibuja. GitHub Copilot codea. Ninguna hace las tres como lo hace un humano. Y ese NO es un problema de calidad que "eventualmente se arreglará". Es estructural. Están entrenadas así, para eso.
¿AGI? Inteligencia general artificial. Una máquina que haría todo lo que vos hacés, sin reentrenamiento, adaptándose a lo nuevo. No existe. Algunos investigadores piensan que podría llegar en 10 años. Otros dicen que es especulación. Hoy, no importa.
Lo que importa: cuando abrás Claude, no estás usando AGI. Estás usando un sistema excelente para generar texto en contexto, leer archivos, integrar con herramientas. Eso es narrow y está bien. Es lo que precisás hoy.
Generativa vs analítica: no es lo mismo
Una genera. Escribe, dibuja, codea desde cero.
La otra analiza. Busca patrones en datos, identifica anomalías, extrae insights de lo que ya existe.
La confusión es clásica: "Pedile a Claude que analice mi Excel". Técnicamente puede hacerlo (la capacidad existe). Pero no es su fortaleza. Una base de datos hecha para eso, con índices, es más rápida y más barata.
Generativa es mejor para: crear versiones nuevas, escribir, explorar posibilidades, prototipado rápido.
Analítica es mejor para: volúmenes masivos, datos estructurados, alertas automáticas, dashboards.
¿Querés contar historias? Generativa.
¿Querés saber por qué caen las ventas? Analítica.
Usar la equivocada es como intentar cortar un tomate con un martillo. El martillo funciona bien — para clavar. Para el tomate, es al pedo.
Local vs cloud: no es solo una cuestión de precio
Esta es la que menos gente entiende.
Cloud: Claude en la web, en Cowork, con todo habilitado. Cuesta dinero (por token). Integra con Gmail, Drive, Google Calendar. Lee archivos que subís. Tiene contexto de conversaciones anteriores. Accede a información en tiempo real.
Local: Claude en tu computadora (Claude Desktop). Corre sin internet. Es gratis o bajo costo. Usa menos datos. Privado de verdad.
¿Cuál es "mejor"? Depende del trabajo.
Para trabajar en tiempo real con tus herramientas (analizar un email, revisar una presentación, responder en contexto): cloud.
Para procesar documentos confidenciales que no querés que salgan de tu máquina: local.
Para prototipado rápido donde la velocidad importa: cloud.
Para un programa que corre 24/7 sin intervención: local.
No es cloud > local. Es "cuál resuelve tu problema".
¿Y por qué importa saber esto?
Porque cuando alguien te dice "IA no puede hacer X", vos podés preguntar:
¿Narrow o general? ¿Generativa o analítica? ¿Dónde corre?
Y probablemente descubrís que sí puede hacer X — solo que no con esa herramienta, o no en esa modalidad.
Claude es text-first, multimodal (texto + imagen + código en la misma conversación), narrow y cloud. No porque sea "incompleta" — porque está optimizada para eso. Y esa combinación resuelve casi todo en tu flujo de trabajo.
Lo que ves en las películas (AGI, omnicompetente, todopoderoso) no existe. Lo que tenés en el escritorio es mejor: una herramienta simple, precisa, confiable, lista para trabajar.
¿Y a vos?
¿Qué tareas estás intentando resolver hoy? ¿Podrían beneficiarse de una herramienta generativa? ¿O necesitás analítica pura?
Escribime, respondé en los comentarios, contame qué tipo de IA te falta en tu flujo de trabajo. Es el feedback que me ayuda a saber qué artículos escribir próximo.
Decís "IA" y todos pensamos en lo mismo, ¿verdad?
Mal.
Cuando alguien menciona inteligencia artificial podría estar hablando de tres cosas completamente distintas. Conocer cuál es cada una es la diferencia entre pensar que Claude es poco potente y saber exactamente para qué usarlo.
Primero: dónde estamos hoy
Toda la IA que probaste — Claude, ChatGPT, DALL-E, Copilot — es narrow AI (IA estrecha). Hace bien UNA cosa: escribe, dibuja, analiza, codea. Pero no maneja. No ordena tu casa. No te reemplaza en la reunión.
La ciencia ficción te habla de AGI (Artificial General Intelligence): una máquina que hace todo lo que vos hacés. Eso no existe. Puede que llegue, puede que no. Hoy no.
¿Por qué importa? Porque significa que cada herramienta que usás tiene límites bien dibujados. Claude no es Claude porque no te hizo café — porque no está entrenada para eso. La limitación es el punto.
Segundo: generativa vs analítica
IA generativa crea. Un prompt, una imagen, un video, código nuevo.
IA analítica busca patrones en datos que ya tenés. Te muestra tendencias, anomalías, oportunidades.
Confundís las dos y pedís a Claude que haga análisis como si fuera una base de datos — y te frustra. No porque no pueda, sino porque es la herramienta equivocada para esa tarea.
Tercero: dónde corre
Cloud: accede a internet, usa recursos enormes, cuesta plata.
Local: corre en tu computadora, sin conexión, gratis o de baja inversión.
Claude en la nube (web + Cowork) > Claude Desktop (local). No por capacidad raw — por contexto que puede traer, herramientas que integra, memoria de conversación.
Lo que tenés que saber
Cuando abrás Claude, escribí un prompt cualquiera. Eso que acabás de hacer es IA generativa, narrow, text-first, corriendo en cloud. Cada palabra describe lo que tenés en la mano.
Y lo más importante: cada característica es una ventaja para ciertos trabajos, no una limitación universal.
¿Identificaste ya dónde entra Claude en tu flujo de trabajo?
Decís "IA" en una conversación y automáticamente todos crean que hablan de lo mismo.
Problema: no es así.
Un ingeniero piensa en algoritmos. Tu jefe piensa en productividad. Un director de cine piensa en generación de video. Tu mamá piensa en robots. Todos dicen "IA", todos hablan de cosas distintas.
La clasificación que importa no es la que te enseñan en universidades de investigación. Es la que te ayuda a saber qué herramienta agarrar hoy.
El espectro narrow ↔ general (el que todos confunden)
Toda la IA que existe hoy — y que probaste — es narrow: especialista. Excelente en una tarea, incapaz en otra.
Claude escribe. DALL-E dibuja. GitHub Copilot codea. Ninguna hace las tres como lo hace un humano. Y ese NO es un problema de calidad que "eventualmente se arreglará". Es estructural. Están entrenadas así, para eso.
¿AGI? Inteligencia general artificial. Una máquina que haría todo lo que vos hacés, sin reentrenamiento, adaptándose a lo nuevo. No existe. Algunos investigadores piensan que podría llegar en 10 años. Otros dicen que es especulación. Hoy, no importa.
Lo que importa: cuando abrás Claude, no estás usando AGI. Estás usando un sistema excelente para generar texto en contexto, leer archivos, integrar con herramientas. Eso es narrow y está bien. Es lo que precisás hoy.
Generativa vs analítica: no es lo mismo
Una genera. Escribe, dibuja, codea desde cero.
La otra analiza. Busca patrones en datos, identifica anomalías, extrae insights de lo que ya existe.
La confusión es clásica: "Pedile a Claude que analice mi Excel". Técnicamente puede hacerlo (la capacidad existe). Pero no es su fortaleza. Una base de datos hecha para eso, con índices, es más rápida y más barata.
Generativa es mejor para: crear versiones nuevas, escribir, explorar posibilidades, prototipado rápido.
Analítica es mejor para: volúmenes masivos, datos estructurados, alertas automáticas, dashboards.
¿Querés contar historias? Generativa.
¿Querés saber por qué caen las ventas? Analítica.
Usar la equivocada es como intentar cortar un tomate con un martillo. El martillo funciona bien — para clavar. Para el tomate, es al pedo.
Local vs cloud: no es solo una cuestión de precio
Esta es la que menos gente entiende.
Cloud: Claude en la web, en Cowork, con todo habilitado. Cuesta dinero (por token). Integra con Gmail, Drive, Google Calendar. Lee archivos que subís. Tiene contexto de conversaciones anteriores. Accede a información en tiempo real.
Local: Claude en tu computadora (Claude Desktop). Corre sin internet. Es gratis o bajo costo. Usa menos datos. Privado de verdad.
¿Cuál es "mejor"? Depende del trabajo.
Para trabajar en tiempo real con tus herramientas (analizar un email, revisar una presentación, responder en contexto): cloud.
Para procesar documentos confidenciales que no querés que salgan de tu máquina: local.
Para prototipado rápido donde la velocidad importa: cloud.
Para un programa que corre 24/7 sin intervención: local.
No es cloud > local. Es "cuál resuelve tu problema".
¿Y por qué importa saber esto?
Porque cuando alguien te dice "IA no puede hacer X", vos podés preguntar:
¿Narrow o general? ¿Generativa o analítica? ¿Dónde corre?
Y probablemente descubrís que sí puede hacer X — solo que no con esa herramienta, o no en esa modalidad.
Claude es text-first, multimodal (texto + imagen + código en la misma conversación), narrow y cloud. No porque sea "incompleta" — porque está optimizada para eso. Y esa combinación resuelve casi todo en tu flujo de trabajo.
Lo que ves en las películas (AGI, omnicompetente, todopoderoso) no existe. Lo que tenés en el escritorio es mejor: una herramienta simple, precisa, confiable, lista para trabajar.
¿Y a vos?
¿Qué tareas estás intentando resolver hoy? ¿Podrían beneficiarse de una herramienta generativa? ¿O necesitás analítica pura?
Escribime, respondé en los comentarios, contame qué tipo de IA te falta en tu flujo de trabajo. Es el feedback que me ayuda a saber qué artículos escribir próximo.
La taxonomía de inteligencia artificial que enseñan en departamentos de investigación es útil para clasificar sistemas. Para el profesional que necesita trabajar, requiere traducción.
La clasificación que importa es la que podés mapear en un espacio tridimensional: capacidad (narrow ↔ general), tipo de salida (generativa ↔ analítica), y arquitectura de despliegue (cloud ↔ local). Cada punto en ese espacio define una herramienta distinta con un conjunto diferente de trade-offs.
Narrow vs general: fundamentos y estado actual
Hoy estamos en narrow AI. Sistemas especializados. Cada uno es excelente en una tarea porque fue entrenado así, con arquitectura y datos ajustados a ese objetivo específico.
Es importante notar que "narrow" no significa "débil". Claude puede escribir memorandos mejor que la mayoría de los humanos. Pero no puede montar una bicicleta. No porque le falte entrenamiento — porque no tiene cuerpo, no tiene experiencia sensoriomotora, no fue diseñada para eso. La limitación es arquitectónica, no temporal.
AGI (Artificial General Intelligence), como la define el Stanford AI Index Report, es el punto en el que un sistema aprende conceptos transversales, se adapta a tareas nunca vistas, generaliza de forma cercana a cómo lo hace un humano. No existe. Hay especulación sobre cuándo llegará — algunos investigadores sugieren 2030-2040, otros son más conservadores — pero hoy, en 2026, no existe.
Lo relevante es que esta distinción te ayuda a modelar las limitaciones reales. No es "Claude no puede hacer X porque aún no es lo suficientemente buena". Es "Claude no hace X porque no fue entrenada para eso, y eso es arquitectónico, no temporal".
Generativa vs analítica: estructuras distintas para problemas distintos
La confusión aquí es profunda porque ambas usan IA moderna, ambas pueden procesar datos, ambas pueden dar respuestas. Pero las estructuras subyacentes son radicalmente distintas.
Generativa predice secuencias. Un LLM predice el siguiente token basado en distribuciones de probabilidad aprendidas de patrones estadísticos. Es regresión de distribución. Excelente para síntesis, exploración, creatividad, prototipado. Mala para análisis de volumen, detección de anomalías estadísticas, predicción de series temporales donde se requiere exactitud.
Analítica busca patrones estructurales en datos. Usa álgebra lineal, estadística, algoritmos de clustering, regresión. Es determinista (o pseudo-determinista con intervalos de confianza). Excelente para decisiones donde precisás probar, para modelos de riesgo, para dashboards operacionales. Mala para generar variaciones creativas, para escribir, para exploración abierta.
Hay overlap: un LLM puede hacer análisis mediante prompt engineering y razonamiento emergente. Una base de datos analítica puede generar reportes sintéticos. Pero el costo cognitivo y computacional es diferente. Es ineficiente usar la herramienta equivocada porque ambas "técnicamente pueden".
Con Claude analizando un dataset de 50k registros (generativa, prompt-based) vs una query SQL sobre una tabla indexada (analítica, estructura relacional) — la segunda es más rápida, más barata, más confiable. La primera es más flexible, más exploratoria.
Elegiría generativa cuando el problema es "qué oportunidades hay aquí" (abierto). Elegiría analítica cuando es "¿cuántas unidades se vendieron por región?" (cerrado).
Cloud vs local: arquitectura vs nostalgia
Claude en cloud (web, Cowork) vs Claude Desktop local. El debate no es "qué es más rápido", es "qué arquitectura resuelve tu restricción".
Cloud implica conectividad, servidor centralizado, capacidad de escala ilimitada, acceso a contexto global (web, APIs), persistencia de conversación, integración con 100+ herramientas. Costo: token pricing, latencia de red, datos transitan por servidores de Anthropic.
Local implica cómputo en máquina del usuario, sin dependencia de red, costo marginal cero (después de la instalación), máxima privacidad (nada sale), ninguna integración automática. Limitación: GPU/CPU local es finita, no hay acceso a actualizaciones en real time, no hay memoria multiconversación persistente.
Para trabajo en tiempo real (writing, análisis rápido, integración con herramientas cotidianas): cloud es obligatorio.
Para procesamiento de documentos confidenciales (legal, médico, datos regulados): local tiene sentido (aunque la máquina local probablemente también está comprometida, pero eso es otro análisis).
Para sistemas autónomos que corren continuamente: local o hybrid (local con checkpoints en cloud).
No hay "mejor". Hay "mejor para tu restricción".
La matriz completa y cómo mapear herramientas
Mapear el espacio tridimensional:
- Narrow + Generativa + Cloud = Claude, GPT-4o, Gemini. El mainstream. Bien para 95% del trabajo hoy.
- Narrow + Generativa + Local = Llama (Meta), Mixtral. Menos potencia, más privacidad.
- Narrow + Analítica + Cloud = Palantir, Databricks, sistemas OLAP escala. Big data, machine learning.
- Narrow + Analítica + Local = Pandas/DuckDB en tu laptop. Análisis rápido de datos medianos.
(AGI no aparece en la matriz porque no existe. Si apareciera, sería transformacional.)
Lo que la mayoría no ve en evaluaciones de herramientas
Cuando evaluás una herramienta de IA, mirás el benchmark: "¿qué puntaje en MMLU?" Eso es weak signal.
Lo que importa es: ¿en qué punto del espacio (narrow/general, generativa/analítica, cloud/local) cae esta herramienta? ¿Resuelve MI problema, no el de alguien más?
Claude hoy es excelente en su punto del espacio: narrow, generativa, cloud-first. Si tu problema requiere AGI, esperá. Si requiere analítica pura, usa SQL. Si requiere local + privacidad, la hay.
Pero si tu problema es "necesito escribir 50 emails en 2 horas, analizando contexto de cada cliente" — eso es narrow + generativa + cloud + Cowork, y no hay nada mejor.
Trayectoria a corto y medio plazo
A corto plazo: multiplicación de especializaciones. Modelos narrow cada vez más afinados para tareas específicas (medicina, código, legal). No es mala señal — es realista.
A medio plazo: sistemas híbridos. Generativa + analítica en el mismo producto. Claude ya empieza: puede escribir Y analizar archivos en la misma conversación. La barrera se disuelve.
A largo plazo: la pregunta de AGI sigue abierta. Si llega, la taxonomía cambia. Por ahora, no afecta tu trabajo de hoy.
Síntesis
Cuando alguien te dice "IA revolucionará X", antes de tragarte la afirmación, preguntá en qué punto del espacio estamos hablando. Narrow o general. Generativa o analítica. Cloud o local.
Casi siempre la respuesta es: "narrow, generativa, cloud" — y eso sí revoluciona X en contextos específicos. Pero no es magia universal. Es herramienta calibrada.
Claude, el que probás cada día, está en ese punto. No es AGI esperando pacientemente. Es narrow, generativa, cloud-first, text-first. Y esa combinación específica es exactamente lo que necesitás para trabajar mejor hoy.