No existe una clasificación de la inteligencia artificial: existen cuatro ejes que se usan simultáneamente. Por capacidad: estrecha —todo lo que hay hoy—, general e superinteligencia, las dos últimas hipotéticas. Por técnica: simbólica, aprendizaje automático y generativa. Por alcance: modelo de uso general, sistema de uso general y propósito específico, con definición legal en el Reglamento europeo. Y por riesgo: inaceptable, alto, de transparencia y mínimo, que es el único eje con consecuencias jurídicas concretas. Un asistente de chat es las cuatro cosas a la vez: estrecho, generativo, de uso general y sujeto a deber de transparencia.
Ver índice de contenidos
Por qué no hay una sola clasificación
Buscá «tipos de inteligencia artificial» y vas a encontrar listas de cuatro elementos que ponen en la misma fila cosas como «máquinas reactivas», «IA estrecha» y «IA generativa». Suenan ordenadas y no lo están: mezclan categorías de clasificaciones distintas, como una lista de tipos de vehículo que dijera «rojo, eléctrico, familiar y usado».
La forma honesta de responder es reconocer que la IA se clasifica por varios ejes a la vez, y que cada eje contesta una pregunta diferente:
| Eje | La pregunta que responde | Para qué sirve en la práctica |
|---|---|---|
| Capacidad | ¿Qué tan amplio es lo que puede hacer? | Ubicar el debate público y detectar exageraciones |
| Técnica | ¿De dónde sale su comportamiento? | Entender qué esperar, y si se puede explicar una decisión |
| Alcance | ¿Sirve para muchas tareas o para una? | Saber quién responde por qué cosa |
| Riesgo | ¿Qué puede salir mal y a quién afecta? | Cumplir la ley y priorizar controles |
Eje 1: por capacidad
Es la clasificación más difundida y, para tomar cualquier decisión práctica, la menos útil. Vale conocerla porque estructura casi todo el debate público.
IA estrecha o débil
Resuelve una tarea acotada. «Acotada» no quiere decir simple ni pequeña: un modelo que escribe, traduce, resume y programa sigue siendo estrecho, porque cada una de esas capacidades vive dentro del dominio para el que fue entrenado y no se transfiere fuera de él. Toda la inteligencia artificial que existe hoy es estrecha, sin excepciones, incluidos los modelos más grandes y más capaces que puedas nombrar.
IA general
Sería un sistema capaz de igualar a una persona en cualquier tarea intelectual, no en una lista de tareas. No existe. Y hay un problema anterior a construirla: no hay acuerdo sobre cómo se la mediría si apareciera, lo que vuelve difícil de evaluar cualquier anuncio sobre su llegada. Conviene tratarla como una hipótesis de trabajo, y desconfiar de quien la use como argumento de venta.
Superinteligencia
Superaría a las personas en todo. Es terreno de la filosofía y del análisis de riesgos a largo plazo, no de la ingeniería ni de la normativa vigente. Tenerla en la conversación no está mal; confundirla con el estado actual de la tecnología, sí.
Porque dos de sus tres casillas están vacías y la palabra «general» empezó a usarse comercialmente para describir modelos que son, en rigor, estrechos y versátiles. Cuando alguien dice que un producto es «casi IA general», está haciendo una afirmación sin criterio de verificación. Los otros tres ejes, en cambio, tienen definiciones que se pueden comprobar.
Eje 2: por técnica
Este eje sí cambia lo que podés esperar de un sistema, porque describe de dónde sale su comportamiento.
IA simbólica
Fue el paradigma dominante durante décadas y sigue muy viva. Funciona con reglas, lógica y búsqueda: representa el problema como estados y posibilidades, y explora ese espacio aplicando un criterio. Los algoritmos de juego son el ejemplo clásico: minimax evalúa jugadas suponiendo que el rival juega lo mejor posible, y la poda alfa-beta descarta ramas que ya no pueden cambiar el resultado.
La serie de fundamentos de IA del foro de Underc0de, publicada por Andrey en 2017 y 2018, recorre precisamente ese territorio: árbol de juego, factor de ramificación, funciones de evaluación, poda alfa-beta, expectimax. Es un buen recordatorio de algo que la conversación actual olvida: hay inteligencia artificial que no aprende de datos, y se sigue usando donde hacen falta garantías y decisiones auditables.
Aprendizaje automático
En lugar de reglas escritas, ajusta parámetros a partir de ejemplos. Domina el campo desde hace más de una década y es lo que la mayoría de la gente quiere decir cuando dice «IA». Cómo funciona por dentro, con sus tres modalidades de aprendizaje, está en la introducción al machine learning.
IA generativa
Es un subconjunto del aprendizaje automático, no un tercer paradigma paralelo: la diferencia es qué produce. Un modelo generativo emite contenido nuevo —texto, imagen, audio, video, código— en lugar de una etiqueta o un número. Toda la IA generativa de hoy es aprendizaje automático; no todo el aprendizaje automático es generativo.
Lo que más se malinterpreta de este eje
Que las categorías no compiten: los sistemas reales son híbridos. Un detector de fraude típico usa un modelo para estimar cuán sospechosa es una operación y un conjunto de reglas escritas para decidir qué hacer con esa estimación —aprobar, pedir verificación, bloquear—. El modelo aporta la estimación; las reglas aportan las garantías y la posibilidad de explicar la decisión.
Eje 3: por alcance
Acá las categorías no las inventó nadie para explicar: están definidas en el Reglamento (UE) 2024/1689, y determinan quién tiene qué obligaciones. Vale citarlas.
«Un modelo de IA, también uno entrenado con un gran volumen de datos utilizando autosupervisión a gran escala, que presenta un grado considerable de generalidad y es capaz de realizar de manera competente una gran variedad de tareas distintas, independientemente de la manera en que el modelo se introduzca en el mercado, y que puede integrarse en diversos sistemas o aplicaciones posteriores.»
«Un sistema de IA basado en un modelo de IA de uso general y que puede servir para diversos fines, tanto para su uso directo como para su integración en otros sistemas de IA.»
La distinción entre las dos es la que más consecuencias tiene y la que más se pasa por alto:
- El modelo es el motor. Lo entrena y lo publica quien lo desarrolla, y esa organización responde por sus características.
- El sistema es lo que se construye encima: la interfaz, los filtros, las instrucciones fijas, las herramientas conectadas. Quien lo arma y lo pone a disposición responde por cómo se comporta en su contexto.
Por eso «el modelo se equivocó» rara vez es una respuesta completa cuando algo sale mal en un producto: buena parte del comportamiento la define el sistema construido alrededor.
La tercera casilla del eje son los sistemas de propósito específico: hechos para una tarea concreta —detectar fraude, leer una radiografía, estimar demanda, filtrar correo—. Son mayoría en producción, aunque no sean los que aparecen en las noticias, y suelen dar mejores resultados que un modelo general en su tarea puntual.
Eje 4: por riesgo
Este es el eje que conviene conocer si trabajás con IA en algo que afecte a personas, porque es el único que trae obligaciones legales. El Reglamento europeo organiza los sistemas en cuatro niveles según lo que pueden causar, no según qué tan avanzados sean.
| Nivel | Qué implica | Ejemplos que da la Comisión |
|---|---|---|
| Riesgo inaceptable | Prohibido | Puntuación social, manipulación dañina basada en IA, identificación biométrica remota en tiempo real por parte de las fuerzas del orden en espacios públicos |
| Alto riesgo | Obligaciones estrictas antes y después de salir al mercado | Software de clasificación de candidaturas laborales, puntuación crediticia, sistemas de puntuación educativa, infraestructuras críticas |
| Riesgo de transparencia | Deber de informar a las personas | Avisar que se está interactuando con un chatbot; etiquetar contenido generado o manipulado por IA |
| Riesgo mínimo o nulo | Sin obligaciones específicas | Filtros de correo no deseado, videojuegos con IA. Es la mayoría de los sistemas en uso |
Dos datos de calendario, porque el reglamento se aplica por etapas: entró en vigor el 1 de agosto de 2024, las prohibiciones del nivel inaceptable rigen desde el 2 de febrero de 2025, y la aplicación general llega el 2 de agosto de 2026, con plazos posteriores para varias categorías de alto riesgo.
El reglamento es europeo, pero alcanza a quien pone sistemas a disposición en ese mercado, así que en la práctica funciona como referencia para muchos productos que se venden en varios países. Y más allá de la obligación legal, la clasificación por riesgo es útil por sí misma: ordena la pregunta «¿cuánto control necesita esto?» mejor que cualquier discusión sobre qué tan avanzado es el modelo.
Otras etiquetas que vas a escuchar
No son ejes completos, pero aparecen todo el tiempo y conviene tenerlas ubicadas.
- Agentes. El glosario de Google los define como software que puede razonar sobre las entradas del usuario para planificar y ejecutar acciones en su nombre. La diferencia con un asistente no es la inteligencia: es que actúa —usa herramientas, encadena pasos, produce efectos—. Eso cambia el perfil de riesgo por completo, porque un error deja de ser una respuesta que podés ignorar y pasa a ser una acción ejecutada.
- Multimodal. Un modelo que procesa más de un tipo de entrada o salida: texto e imagen, o texto y audio. Es una capacidad, no una categoría de IA.
- Modelos de razonamiento. Modelos configurados para producir pasos intermedios antes de responder. Suelen andar mejor en problemas de varios pasos y consumen más tiempo y más tokens; para tareas simples, no aportan.
- Abiertos y cerrados. Se refiere a si los pesos del modelo se pueden descargar y ejecutar en tu propio equipo, o solo se accede por API. Es una distinción de licencia y despliegue —relevante para la privacidad y el costo—, no de capacidad.
- IA embebida o en el borde. Modelos que corren en el dispositivo en lugar de en un servidor: el teclado que predice, el reconocimiento de voz sin conexión. Cambia dónde viajan tus datos, que suele ser lo que más importa.
Cómo ubicar un sistema concreto
La utilidad de los cuatro ejes se ve al aplicarlos. Tomemos tres sistemas y ubiquémoslos:
| Sistema | Capacidad | Técnica | Alcance | Riesgo |
|---|---|---|---|---|
| Un asistente de chat | Estrecha | Generativa | Sistema de uso general | Transparencia |
| Un filtro de correo no deseado | Estrecha | Aprendizaje automático | Propósito específico | Mínimo |
| Un clasificador de candidaturas laborales | Estrecha | Aprendizaje automático | Propósito específico | Alto |
Las tres filas empiezan igual en el eje de capacidad, y ahí se ve por qué ese eje no ayuda a decidir nada. La diferencia que importa está en la última columna: el clasificador de candidaturas y el filtro de correo son técnicamente parientes cercanos, y sin embargo uno cae en el nivel de alto riesgo y el otro no tiene obligaciones. Lo que los separa no es la tecnología: es a quién puede perjudicar un error.
Errores frecuentes
- Mezclar ejes en una sola lista. «Los tipos de IA son: reactiva, estrecha, generativa y superinteligente» es una lista incoherente, aunque se repita mucho.
- Creer que generativa es sinónimo de IA. Es la parte más visible, no el conjunto. La mayoría de la IA en producción no genera nada.
- Suponer que la IA simbólica quedó obsoleta. Donde hacen falta garantías, decisiones auditables u optimización exacta, sigue siendo la herramienta correcta.
- Confundir modelo con sistema. Es la confusión con más consecuencias prácticas, porque de ella depende quién responde cuando algo sale mal.
- Clasificar por lo avanzado en lugar de por el impacto. El eje de riesgo no mira el tamaño del modelo: mira a quién afecta un error.
- Tratar «agente» como una etiqueta de marketing. La diferencia entre responder y actuar es real y cambia qué controles hacen falta.
Preguntas frecuentes
¿Cuántos tipos de inteligencia artificial hay?
La pregunta no tiene un número como respuesta, porque depende del eje por el que se clasifique, y hay cuatro ejes que se usan en serio: por capacidad, por técnica, por alcance y por riesgo. Un mismo sistema ocupa simultáneamente una posición en cada uno. Las listas de «los cuatro tipos de IA» que circulan mezclan categorías de ejes distintos, y por eso suenan ordenadas pero no sirven para decidir nada. Preguntar de qué tipo es un sistema sin aclarar según qué eje es como preguntar de qué tamaño es un país.
¿Ya existe la inteligencia artificial general?
No. Todo lo que existe hoy, incluidos los modelos más grandes y capaces, entra en la categoría de IA estrecha: resuelve tareas acotadas, aunque el conjunto de tareas sea amplio y las haga muy bien. Tampoco hay acuerdo sobre cómo se mediría la IA general si apareciera, lo que hace que los anuncios sobre su llegada sean difíciles de evaluar. Conviene tratar el término como una hipótesis de trabajo y desconfiar de cualquiera que lo use como argumento de venta.
¿Toda la inteligencia artificial usa aprendizaje automático?
No, aunque hoy sea lo dominante. La IA simbólica —reglas, lógica y algoritmos de búsqueda como minimax y la poda alfa-beta— es inteligencia artificial y no aprende de datos: explora posibilidades y elige según un criterio escrito. Sigue en uso donde hacen falta garantías y explicabilidad: planificación, optimización de rutas, verificación, motores de juego. Y muchos sistemas reales son híbridos: un modelo estima y un conjunto de reglas decide qué hacer con esa estimación.
¿Qué diferencia hay entre IA generativa e IA en general?
La IA generativa es un subconjunto: produce contenido nuevo —texto, imagen, audio, video, código— en lugar de limitarse a clasificar, predecir un número o recomendar. Toda la IA generativa que se usa hoy es aprendizaje automático, pero no todo el aprendizaje automático es generativo. Un modelo que decide si un correo es no deseado, otro que estima el precio de una casa y otro que detecta una anomalía en una transacción son aprendizaje automático y no generan nada: emiten una etiqueta o un número.
¿Qué es un modelo de IA de uso general?
Es una categoría con definición legal en el Reglamento europeo: un modelo que presenta un grado considerable de generalidad, es capaz de realizar de manera competente una gran variedad de tareas distintas y puede integrarse en diversos sistemas o aplicaciones posteriores. La distinción importante es con el sistema: el modelo es el motor, y el sistema de IA de uso general es lo que se construye encima y con lo que interactúa una persona. Esa diferencia determina quién tiene qué obligaciones cuando algo sale mal.
¿Qué es un agente de IA?
El glosario de Google lo define como software que puede razonar sobre las entradas del usuario para planificar y ejecutar acciones en su nombre. La diferencia con un asistente de chat es que no se limita a responder: usa herramientas, encadena pasos y produce efectos —crea archivos, manda peticiones, modifica cosas—. Eso cambia el perfil de riesgo por completo, porque un error deja de ser una respuesta equivocada que podés ignorar y pasa a ser una acción ya ejecutada. Por eso los agentes exigen límites de permisos explícitos.
Fuentes
Normativa, documentación oficial y material de la comunidad consultados para esta guía. Fecha de consulta: 27 de julio de 2026.
Aportes de la comunidad Underc0de
- Underc0de, foro. Índice de la sección IA y BioHacking, por Andrey, 12 de abril de 2018. Índice de la serie de fundamentos de IA de la comunidad: minimax, poda alfa-beta, funciones de evaluación y expectimax.
- Underc0de, foro. 1.4 Factor de ramificación, por Andrey, 12 de octubre de 2017. Ejemplo concreto de IA simbólica basada en búsqueda.
- Underc0de, foro. Sección Inteligencia Artificial y BioHacking. Hilos de la comunidad sobre IA.
Normativa y documentación oficial
- Unión Europea. Reglamento (UE) 2024/1689 (Reglamento de Inteligencia Artificial). Definiciones de los artículos 3.63 y 3.66, citadas textualmente.
- Comisión Europea. AI Act: marco regulador de la inteligencia artificial. Los cuatro niveles de riesgo, sus ejemplos y el calendario de aplicación.
- OCDE. Recommendation of the Council on Artificial Intelligence. Niveles de autonomía y adaptación de los sistemas de IA.
- Google. Machine Learning Glossary. Definición de agente y de modelo generativo.