Más allá de los LLM: pensar la IA como sistema
En los últimos años, hablar de inteligencia artificial se ha convertido, casi automáticamente, en hablar de modelos de lenguaje.
Desde la irrupción de ChatGPT, muchas conversaciones han simplificado la IA hasta reducirla a una sola categoría: los LLM.
Pero esa equivalencia es incompleta. Y, en muchos casos, también engañosa.
Un modelo de lenguaje es solo una pieza dentro de un espacio mucho más amplio de capacidades. Cuando identificamos IA únicamente con generación de texto, corremos dos riesgos a la vez: sobreestimamos lo que pueden hacer los modelos generativos e infravaloramos otras capacidades que ya están aportando valor de forma decisiva, como la percepción, la predicción o la toma de decisiones.
Porque una parte muy relevante de la IA que hoy funciona en empresas e industrias ni conversa ni escribe. Detecta fraude, estima riesgos, recomienda productos, optimiza rutas, interpreta imágenes o automatiza decisiones. No siempre genera contenido, pero sí transforma operaciones.
Por eso, para entender bien la IA, ya no basta con pensar en modelos aislados. Hay que empezar a pensar en sistemas: qué capacidades activan y cómo operan.
La IA no es una sola cosa
Una forma útil de ordenar este debate es distinguir las capacidades funcionales que puede activar un sistema de IA.
- La primera es la percepción. Aquí entran los sistemas que interpretan señales del entorno, como imágenes, audio o sensores, para extraer estructura. No “entienden” en sentido humano, pero sí detectan patrones con eficacia. Es el terreno de la visión artificial, el reconocimiento de voz o el procesamiento de señales.
- La segunda es la inferencia. En este caso, el sistema estima clases, probabilidades o estados futuros a partir de los datos. Decide, por ejemplo, si una transacción es fraudulenta, qué cliente tiene mayor propensión de compra o qué valor puede tomar una variable en el tiempo. Es la base de modelos predictivos, scoring y clasificación.
- La tercera es la generación. Aquí sí aparecen los LLM, pero no están solos. Generar significa producir nuevos artefactos, texto, imagen, código o audio, a partir de patrones aprendidos o de un objetivo dado. Es una capacidad importante, pero no agota el mapa de la IA.
- La cuarta es la decisión y ejecución. Son sistemas capaces de seleccionar acciones y aplicarlas para lograr un objetivo. Desde un motor de recomendación hasta un sistema autónomo, aquí la IA no solo analiza o propone: también interviene.
La pregunta clave, por tanto, no es si un sistema “usa IA”, sino qué combinación de estas capacidades está activando realmente.
Tan importante como el qué, es el cómo
Describir una solución de IA exige ir un paso más allá. No solo importa qué hace, sino cómo lo hace.
Ahí entran tres dimensiones operativas que ayudan a entender mejor el perfil de un sistema.
La primera es la representación del conocimiento. Algunos sistemas aprenden patrones de forma puramente estadística, distribuyendo el conocimiento en sus parámetros, como ocurre con muchas redes neuronales. Otros operan sobre estructuras explícitas, como reglas, ontologías o grafos, en un enfoque más simbólico. Y cada vez es más habitual encontrar enfoques híbridos, donde lo estadístico aporta flexibilidad y lo simbólico añade control, validación o capacidad de razonamiento estructurado.
La segunda dimensión es el grado de autonomía. No es lo mismo una herramienta que responde a una petición puntual que un asistente que acompaña el trabajo humano, un agente que planifica acciones o un sistema autónomo que opera en bucle cerrado. Bajo la misma etiqueta de IA pueden convivir realidades muy distintas.
La tercera es el locus de intervención, es decir, dónde impacta la salida del sistema. En algunos casos, la IA solo informa a una persona, que sigue tomando la decisión final. En otros, actúa directamente sobre sistemas digitales, APIs o procesos empresariales. Y en los escenarios más avanzados, puede incluso afectar al mundo físico, controlando dispositivos o interactuando con el entorno material.
Estas tres dimensiones, representación, autonomía y locu, son las que de verdad definen el perfil operativo de una solución.
Un marco para mapear sistemas de IA
Con esta idea de fondo, proponemos una herramienta sencilla para estructurar el análisis: la AI Functional Matrix (AFM).
Su valor no está solo en la visualización, sino en la disciplina que introduce. La matriz cruza, por un lado, las capacidades funcionales de un sistema —percepción, inferencia, generación y decisión/ejecución— y, por otro, las dimensiones bajo las que opera: representación, autonomía y locus de intervención.
El resultado no es una puntuación, sino un mapa cualitativo del sistema.
Esto permite descomponer soluciones complejas, detectar huecos funcionales, identificar incoherencias y comparar sistemas con un lenguaje mucho más preciso que el habitual. En lugar de decir simplemente “esto lleva IA”, podemos describir con más rigor qué capacidades activa, cómo se implementan y hasta qué punto el sistema actúa o solo asiste.
Es, en definitiva, una forma de pasar del discurso genérico al análisis estructurado.
La clave ya no es el modelo, sino el sistema
La AI Functional Matrix permite describir un sistema de IA por lo que hace y por cómo está configurado.
Y eso nos lleva a una idea de fondo cada vez más importante: la inteligencia artificial no se define solo por el modelo que utiliza, sino por el sistema que construye alrededor de él.
Ese cambio de enfoque, de modelos a sistemas, y de capacidades a configuración operativa, es el que permite diseñar soluciones de IA más robustas, más realistas y, sobre todo, más valiosas.
Porque la conversación sobre IA será mucho más útil cuando dejemos de preguntarnos únicamente qué modelo usar y empecemos a preguntarnos qué sistema necesita realmente el problema.
