IA: los siete Patrones

Los patrones de IA son un marco simple para entender qué tipo de inteligencia estás construyendo y por qué eso cambia la forma de gestionar.

Durante décadas hablamos de “inteligencia artificial” como si fuera una cosa bien definida. No lo es. El término existe desde 1956, pero nunca tuvo una definición aceptada universalmente. Informáticos, psicólogos, economistas y especialistas en negocios lo han usado para describir problemas, técnicas y soluciones muy diferentes. El resultado es un nombre poderoso, omnipresente… y profundamente ambiguo.

Esa ambigüedad no es un problema académico: es un problema práctico. Cuando en una organización se dice “queremos hacer IA”, rara vez todos entienden lo mismo. Unos piensan en automatización, otros en chatbots, otros en predicción, otros en robots. Sin un lenguaje común, planificar, gestionar y evaluar iniciativas de IA se vuelve confuso y riesgoso.

De esa necesidad surge el enfoque de los 7 Patrones de la IA: un marco simple y operativo para describir qué tipo de capacidad se está intentando construir, qué datos requiere, qué riesgos implica y qué beneficios puede generar. No intenta responder la pregunta profunda “¿qué es la IA?”, sino una mucho más útil: ¿qué problema concreto estamos resolviendo con IA?

Tres componentes de la inteligencia

Para ordenar el tema, conviene retroceder un paso y revisar qué entendemos por “inteligencia”. Una forma práctica de hacerlo es pensarla como la combinación de tres capacidades fundamentales: percepción, predicción y planificación.

La percepción es la capacidad de captar señales del entorno e interpretarlas: imágenes, sonidos, movimiento, texto, contexto. Cuando caminamos por una calle, percibimos simultáneamente autos, peatones, semáforos y ruidos. En IA, esta capacidad aparece en la visión por computadora, el reconocimiento de voz, la clasificación de imágenes o el análisis de texto.

La predicción es la capacidad de anticipar lo que puede ocurrir o inferir lo que no observamos directamente. Predecimos cuándo cruzar la calle, estimamos si un objeto se moverá, completamos una frase antes de que termine. En IA, esto incluye modelos que estiman valores futuros, generan recomendaciones, completan texto o anticipan comportamientos.

La planificación es la capacidad de decidir una secuencia de acciones para alcanzar un objetivo, adaptándose al contexto y aprendiendo de la experiencia. Caminar por una ciudad desconocida es un ejemplo: no conocemos todas las calles, pero entendemos el sistema y podemos movernos. En IA, esto incluye sistemas de decisión, búsqueda de estrategias, control, inferencia y agentes.

Estas tres capacidades funcionan en un ciclo continuo: percibir > predecir > planificar > actuar > aprender del resultado. Durante décadas, la investigación en IA se concentró en mejorar estas capacidades por separado o combinadas. Con el tiempo, esos avances se agruparon bajo la etiqueta general de “IA”, aunque los problemas y las soluciones fueran muy distintos entre sí.

Por qué necesitamos patrones para comprender la IA

Sin IA, la única forma de decirle a una máquina qué hacer es escribir reglas explícitas. Eso funciona bien en tareas determinísticas: misma entrada, misma salida. Pero hay enormes clases de problemas donde eso es imposible: reconocimiento de rostros, comprensión de lenguaje, conducción autónoma, detección de anomalías, recomendaciones personalizadas.

En esos casos, la única alternativa es que la máquina aprenda patrones a partir de datos. Y aquí aparece una dificultad central: no todos los sistemas aprenden de la misma manera, ni sirven para los mismos fines, ni implican los mismos riesgos. Hablar simplemente de “IA” es demasiado grueso para gestionar esa diversidad.

A partir del análisis de cientos – y luego miles – de soluciones reales de mercado, se observó que todas podían clasificarse de forma consistente en siete patrones de uso. El hallazgo se publicó inicialmente en 2019 y, lejos de quedar obsoleto, se volvió aún más relevante con la explosión reciente de aplicaciones de IA.

Los siete patrones

Las aplicaciones de IA existentes pueden entenderse como combinaciones de estos siete patrones fundamentales:

1. Conversation & Human Interaction
2. Recognition
3. Patterns & Anomalies
4. Predictive Analytics & Decision Support
5. Hyper-personalization
6. Autonomous Systems
7. Goal-Driven Systems

Un mismo sistema puede incorporar varios patrones a la vez. Lo importante no es la lista en sí, sino lo que permite hacer: nombrar con precisión el tipo de problema que se está resolviendo.

Este enfoque fue adoptado internacionalmente. La definición oficial de IA de la OECD, utilizada luego como base para el EU AI Act, describe a la IA como sistemas basados en máquinas que, para objetivos definidos por humanos, realizan predicciones, recomendaciones o decisiones que afectan a entornos reales o virtuales, y reconoce explícitamente que dichos sistemas pueden incorporar uno o más de estos siete patrones.

Por qué identificar el patrón correcto importa

Reconocer qué patrón está en juego en un caso concreto permite evitar errores costosos: sobredimensionar soluciones simples, subestimar riesgos, elegir tecnologías inadecuadas o prometer beneficios imposibles.

También aclara qué datos se necesitan, qué riesgos regulatorios existen, cómo debe evaluarse el resultado y cómo debe comunicarse qué hace realmente el sistema. En la práctica, saber qué patrón se está aplicando es casi equivalente a saber qué tipo de IA se está construyendo.

Sin esa claridad, la IA deja de ser una herramienta poderosa para el operar y se convierte en una fuente constante de confusión.

Conclusiones

Hablar de IA sin distinguir de qué tipo de capacidad estamos hablando es una receta segura para el malentendido. La expresión “hacer IA” ya no alcanza. Lo que importa es qué patrón estamos aplicando, para qué problema, con qué datos, con qué riesgos y con qué impacto sobre el operar real de la organización.

Los siete patrones no son una taxonomía académica. Son una herramienta práctica para pensar, diseñar y gestionar iniciativas de IA con mayor lucidez. Ayudan a formular mejor los casos de uso, a ordenar expectativas, a anticipar dificultades y a sostener conversaciones más productivas entre quienes definen, desarrollan, implementan y utilizan estas soluciones.

Este artículo deja planteado el mapa. En los siete artículos que siguen, recorreré cada patrón por separado, mostrando qué tipo de problemas aborda, cómo suele implementarse y qué implica para la gestión del trabajo.

No me interesa describir tecnología, sino ayudar a entender cómo estos patrones transforman – o pueden transformar – la forma en que hacemos posible el operar. Comprender esas implicancias es también un paso necesario para entender la contribución de P4Mf como marco para encararlas y resolverlas.

No me aceptes. Discurre. Si utilizas o estás por utilizar algo de IA, ¿podrías identificar qué patrón o patrones entran en juego?