Han pasado pocos años desde el anuncio de ChatGPT por OpenAI en 2022 y tanto usuarios como expertos en su desarrollo coinciden en que seguirle el rastro a diario y adaptarse a su rápida evolución es francamente imposible.
El índice de IA de la Universidad de Stanford dice que la GenAI, conocida en español como inteligencia artificial generativa, será en el futuro la tecnología más transformadora del siglo XXI por un simple motivo: no existen precedentes sobre el impacto que tuvo en los modos de producción de sentido de la sociedad.
Índice de temas
A qué nos referimos cuando hablamos de GenAI
La presencia disruptiva de la GenAI se compara con lo que fue en su momento la de internet o la correspondiente a la telefonía móvil. Según proyecciones de Statista, el volumen del mercado de IA generativa alcanzará los US$ 442.07 mil millones para 2031, con una CAGR del 37%.
Como OpenAI existen muchas más. Bard, de Google; Claude, de Anthropics; Stable Diffusion, de Runway y LMU Múnich. Cada una de ellas reciben a diario miles y millones de solicitudes para redactar texto, modificar código o resolver análisis de grandes cantidades de datos. Pero ¿qué es GenAI conceptualmente?
Definición de IA generativa
A diferencia de los modelos tradicionales de IA, que se avocan en mayor medida a analizar y predecir datos, la GenAI tiene la capacidad de crear contenido original.
La Universidad de Negocios ISEC define a la inteligencia artificial generativa como “un tipo de inteligencia artificial que utiliza modelos estadísticos y redes neuronales profundas para crear nuevo contenido a partir de datos existentes”. Se concentra en crear imágenes, video, audio o texto.
La nomenclatura “generativa” deviene de la capacidad de la IA de crear algo nuevo, agrega la Real Academia Española (RAE), basándose en información o un conjuntos de datos proporcionados. Está diseñada para interactuar en conversaciones con millones de los datos con los que ha sido entrenada.
Historia y evolución de la inteligencia artificial generativa
Como se mencionó al principio, la evolución de la inteligencia artificial generativa es tal que resulta imposible trazar una línea de tiempo sin ser conscientes de que, una vez publicado este artículo, la innovación más reciente ya haya sido reemplazada por un nuevo avance técnico.
Sin embargo, el pasado está ahí para ser descubierto por quienes aún no saben que antes de ChatGPT existieron otros nombres propios cuyos inventos fueron tan disruptivos que hasta contribuyeron al cese de la Segunda Guerra Mundial.
El pasado
En el siglo XX, dos nombres son claves para comprender la inteligencia artificial de hoy día. Por un lado, John McCarthy, científico a quien se le atribuye haber fundado el campo de la inteligencia artificial como tal.
Según su biografía en la Universidad de Stanford, McCarthy sentó las bases para algunas de las tecnologías más transformadoras del mundo: lenguajes de programación, internet, la web y robots. Además, acuñó el término artificial intelligence en la Conferencia de Dartmouth del año 1956.
De todas formas, él no fue el único de su talla. Varios años antes de que existiera tal fenómeno como inteligencia artificial, un joven matemático británico conocido como Alan Turing resolvía un modelo teórico de computación abstracta conocido como la Máquina de Turing.
En 1935, Turing desarrolló un modelo inteligente para la época que, equipado con una memoria y un escáner, tenía la capacidad de identificar una serie de símbolos en una cinta y procesarlos de acuerdo con las instrucciones almacenadas en su memoria; adaptando así su propio algoritmo.
Si bien es cierto que Turing contribuyó a descifrar los mensajes encriptados de los alemanes durante la Segunda Guerra Mundial, Enigma no es creación del matemático.
Ambos dispositivos están conectados en la historia de la criptografía y la Segunda Guerra Mundial, pero cumplen funciones opuestas y distintas:
- Enigma fue una máquina electromecánica de cifrado utilizada por Alemania para codificar mensajes secretos. Su propósito era encriptar y desencriptar mensajes para proteger la comunicación militar
- La Máquina de Turing fue la herramienta que ayudó a los aliados a automatizar la búsqueda de configuraciones de Enigma. Esto facilitó el descifrado de mensajes codificados
El presente
En los últimos cinco años, desarrolladores con más prestigio en el mercado de la inteligencia artificial han impulsado mejoras en sus modelos de lenguaje, capacidad de cómputo y disponibilidad de grandes volúmenes de datos. Se destacan los modelos de OpenAI, Google, Microsoft y High-Flyer en China.
“El propósito de la IA debe ser ampliar la inteligencia humana, no reemplazarla”, Yoshua Bengio, Profesor de Ciencias de la Computación, Universidad de Montreal y director científico de MILA
Pese a su avance, aún queda mucho por hacer en materia de seguridad y legislación. En México, el Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (INAI) promueve recomendaciones que garanticen a empresas e individuos un uso responsable y ético de la inteligencia artificial.
El futuro
El impacto de la inteligencia artificial generativa en todos los aspectos de la vida humana está en constante crecimiento. Si bien presenta beneficios significativos en términos de eficiencia y productividad, también plantea desafíos importantes, como la pérdida de empleo y la ética en su uso.
Es esencial abordar estos desafíos de manera proactiva y garantizar un uso responsable y ético de la tecnología. IBM pronostica que, de aquí a 2034, la IA se convertirá en un elemento fijo en muchos aspectos de nuestra vida personal.
Sin embargo, como sociedad será necesario abordar su impacto en materia de:
- Crisis climática: hoy, las inteligencias artificiales demandan mucha energía
- Interrupción laboral: la automatización desplazará muchos trabajos
- Deepfakes: cada vez los resultados parecen más reales
- Impacto emocional: concientizar sobre la antropomorfización de la IA
México tiene por delante la oportunidad de convertirse en un referente en inteligencia artificial en Latinoamérica “para impulsar la innovación y la transformación digital en los modelos de negocio, convirtiéndose en un pilar fundamental para la competitividad empresarial en la era digital”.
Así lo afirma la comunidad de emprendedores Endeavor México, quien a su vez afirma que, con una inversión de US$ 500 millones entre 2022-2023 el país está posicionado como un hub de innovación en este ámbito.
Sin embargo, aún hay retos: hoy, 37% de las empresas ofrecen servicios, mientras un 72% adquieren conocimientos de terceros.
Ejemplos de aplicaciones y funcionalidades
- Deep Agency: es capaz de crear todo tipo de contenido visual de alta calidad de manera totalmente digital: este estudio demuestra cómo la IA puede transformar la creación de contenido visual.
- Fliki: da vida a textos mediante la generación de videos con voces realistas y una impresionante capacidad de ofrecer sus servicios en hasta 75 idiomas diferentes.
- Wonder Studio: se destaca por su capacidad para integrar personajes y animaciones generadas por computadora (CGI). Agrega elementos visuales sorprendentes a sus producciones, sin largos procesos de postproducción
- Suno: utiliza inteligencia artificial para transformar cualquier texto en música. Analiza el contenido y genera composiciones musicales únicas que reflejan el tono y el significado del texto original
- Virtual Wardrobe: emplea algoritmos de AI para crear y recomendar un conjunto de moda personalizados. Ayuda a los usuarios a explorar y experimentar con diferentes combinaciones de ropa sin tener que probárselas realmente
Tipos de Gen AI: unimodal o multimodal
La GenAI se presenta en dos modalidades distintas, las cuales definen su capacidad para procesar y generar contenido más versátil:
| Modalidad | Descripción |
| Unimodal | Se centra en un solo tipo de entrada, generalmente texto. |
| Usa solo texto para producir resultados, como respuestas o generación de contenido escrito. | |
| Es eficaz para tareas específicas que requieren un solo tipo de información para su procesamiento. | |
| Multimodal | Permite procesar varios tipos de entradas: texto, imágenes, audio o video. |
| Combina diferentes tipos de datos para generar contenido más completo y rico. | |
| Ejemplo: analiza una imagen y un texto para crear narración visual o subtítulos automáticos. | |
| Refleja la complejidad del mundo real con información en múltiples formas. | |
| Permite a la AI generar respuestas más precisas y contextualmente relevantes. |
El impacto de GenAI en diversos sectores
En la superficie, las capacidades de la inteligencia artificial suelen demostrarse en casos como la generación de imágenes, videos y texto escrito. Sin embargo, su impacto va mucho más allá, tomando partido inclusive en disciplinas como la salud.
GenAI en el sector salud
Dice la Secretaría de Salud de México que la salud se hace de la GenAI para agilizar ciertas tareas operativas, como es el caso de la atención al cliente con el uso de chatbots. Sin embargo, esta tecnología tiene también lugar:
- Análisis de datos predictivo: predecir la demanda de los servicios de salud e identificar posibles problemas en los procesos de atención a la salud.
- Reconocimiento de imágenes: puede ser útil para tareas como la seguridad, el mantenimiento de las unidades y el diagnóstico de enfermedades
- Gestión de inventario: predecir la demanda de insumos y medicamentos, automatizar la reposición y optimizar los niveles de inventario
Desarrolladores TI y su alianza con la IA
Otro sector con grandes expectativas de impacto es el de los capacitadores digitales, es decir, empresas que proporcionan tecnologías, herramientas y servicios para el desarrollo de aplicaciones basadas en Gen AI.
No es casualidad que, en el último reporte del Foro Económico Mundial titulado “The Future of Jobs Report”, del año 2025; los cinco primeros empleos de más rápido crecimiento pertenecen a esta área de trabajo:
Estas empresas impulsan la innovación y la adopción de la inteligencia artificial generativa en una amplia gama de industrias y aplicaciones. Por contrario, los servicios postales, cajeros y telemarketers son algunos de los empleos que están desapareciendo gradualmente; según el Foro Económico Mundial.
Fábricas y la optimización de ROI con inteligencia artificial
El tercer sector clave se compone de empresas que logran aumentar su productividad y rentabilidad gracias a la optimización de costos derivada del uso de Gen AI. Estas empresas pueden automatizar procesos, mejorar la eficiencia operativa y ofrecer productos y servicios más competitivos en el mercado.
Por otro lado, es importante mencionar a las empresas en riesgo de disrupción, aquellas que pueden verse afectadas negativamente por GenAI debido a la disminución significativa de ingresos o a la inviabilidad de su modelo de negocio tradicional.
Ventajas y desafíos de la GenAI
Ventajas
Las ventajas ofrecidas por la inteligencia artificial generativa son diversas y significativas:
- Creación de contenido de calidad: La GenAI tiene la capacidad de generar contenido de alta calidad en diversas formas, como música, imágenes y multimedia, que se asemeja a lo producido por los humanos. Esto es especialmente útil en campos como el arte, el diseño y la producción de medios, donde la creatividad y la calidad son fundamentales.
- Generación de datos simulados: Puede producir datos que se asemejan a los reales, lo que resulta útil para ciertos tipos de investigaciones, como simulaciones, sin necesidad de recopilar datos reales. Esto facilita la realización de experimentos y análisis en entornos controlados y predecibles.
- Innovación y eficiencia: La capacidad de GenAI para realizar tareas altamente complejas en períodos de tiempo reducidos impulsa la innovación y mejora la eficiencia en una variedad de campos. Desde la automatización de procesos hasta la optimización de operaciones, Gen AI ofrece soluciones rápidas y precisas.
Desafíos
Existen desafíos y inconvenientes asociados con el uso de GenAI:
- Calidad de los datos de entrenamiento: Los datos utilizados para entrenar los algoritmos de Gen AI pueden ser falsos, imprecisos, sesgados, engañosos o desactualizados. Por lo tanto, la calidad de la información suministrada para la generación de contenido es un factor crucial a tener en cuenta, ya que puede afectar la precisión y la fiabilidad de los resultados generados.
- Propiedad intelectual y derechos de autor: El contenido generado por GenAI generalmente se considera de dominio público, lo que puede entrar en conflicto con los conceptos de propiedad privada o restringida, así como con la confidencialidad. Los problemas relacionados con la propiedad intelectual, los derechos de autor, las patentes y los secretos industriales representan desafíos significativos que deben abordarse para garantizar un uso ético y legal de la tecnología.
En uno de los artículos sobre ética de la IA más influyentes de los últimos tiempos, Timnit Gebru —coautora del escrito y hoy cofundadora del Instituto de investigación sobre IA distribuida (DAIR, por sus siglas en inglés)— expone que los sesgos tan presentes en los grandes modelos lingüísticos no fueron accidentales, sino el resultado de una decisión intencional de priorizar la velocidad sobre la seguridad. Esto resalta la urgencia de balancear innovación con cautela ética.
Funcionamiento de la inteligencia artificial generativa: algoritmos y modelos
La inteligencia artificial generativa opera mediante una serie de pasos y técnicas específicas:
- Entrada de información: La GenAI utiliza una entrada inicial que puede ser un comando, una instrucción o incluso una imagen.
- Comparación de parámetros: Luego, compara esta entrada con millones de parámetros precargados, buscando patrones y características relevantes.
- Aprendizaje automático y generación de contenido: A través de algoritmos de aprendizaje automático, Gen AI es capaz de aprender de la entrada proporcionada y generar nuevo contenido de manera autónoma.
El aprendizaje y entrenamiento son aspectos cruciales en el funcionamiento de Gen AI. Se requiere una intervención humana mínima, especialmente en la etapa de preparación del sistema, donde se proporcionan los datos de entrenamiento y se realizan ajustes necesarios.
Los modelos generativos pueden entrenarse de diversas formas, siendo las redes neuronales y las Generative Adversarial Networks (GAN) algunas de las más utilizadas. Estos modelos están formados por múltiples capas interconectadas que aprenden de los datos introducidos previamente y utilizan ese conocimiento para predecir y generar nuevos datos.
Los LLM son ejemplos notables de modelos transformadores que utilizan redes neuronales para aprender y generar contenido a partir de conjuntos de datos masivos. Estos modelos aceleran el procesamiento del lenguaje natural y tienen aplicaciones en traducción, chatbots y asistentes de inteligencia artificial.
Ética y responsabilidad en el uso de la inteligencia artificial generativa
Aunque la inteligencia artificial generativa ofrece numerosos beneficios, también plantea desafíos éticos y de responsabilidad. Es crucial abordar cuestiones como la privacidad, la seguridad, la transparencia y la equidad en el desarrollo y uso de esta tecnología.
La ética de la AI se centra en la prevención de sesgos y la garantía de la diversidad y veracidad de los datos de entrenamiento. La propiedad intelectual, los derechos de autor y la información falsa son preocupaciones adicionales que requieren una atención cuidadosa.
Para mitigar el riesgo de sesgos, es fundamental establecer y supervisar la diversidad y representatividad de los datos utilizados en el entrenamiento de sistemas de Gen AI.
Casos de uso exitosos de GenAI
La GenAI se ha utilizado con éxito en una amplia variedad de industrias y aplicaciones. Desde ventas y marketing hasta telemedicina y entretenimiento, las posibilidades son diversas y prometedoras.
En el campo de la producción de contenido, herramientas como ChatGPT permiten la generación automática de texto para chatbots y asistentes virtuales. En el ámbito del entretenimiento, la creación de avatares digitales hiperrealistas y la generación de audio basada en IA están revolucionando la industria.
Preguntas frecuentes sobre IA generativa
¿Cómo implementar GenAI en empresas asegurando cumplimiento con regulaciones de privacidad y protección de datos?
Se recomienda integrar políticas de gobernanza de datos que cumplan con normativas locales e internacionales, utilizando plataformas de IA que ofrezcan controles de privacidad y auditorías continuas para garantizar un uso seguro y ético.
¿Qué técnicas se aplican para minimizar sesgos y garantizar diversidad en los datos de entrenamiento de GenAI?
Se utilizan estrategias como el muestreo balanceado, auditorías de sesgos algorítmicos y la incorporación de datasets representativos diversos, combinadas con revisiones humanas para mejorar la equidad en modelos generativos.
¿Cuál es el impacto económico esperado al adoptar GenAI para optimizar procesos operativos en las empresas?
GenAI puede reducir costos hasta un 30% al automatizar tareas repetitivas y mejorar la eficiencia, aumentando la productividad y permitiendo un mejor retorno sobre la inversión en innovación tecnológica.
¿Qué frameworks o plataformas son recomendadas para integrar GenAI en soluciones empresariales?
Plataformas como OpenAI API, Google Vertex AI y Microsoft Azure Cognitive Services ofrecen SDKs robustos, escalabilidad y soporte para integración multimodal, facilitando el desarrollo rápido y seguro de aplicaciones GenAI.
