inteligencia artificial
Antes de aplicar la IA al marketing hay que entender qué es, cómo aprende una máquina, qué necesita, qué puede hacer y qué no, y en qué marco ético y legal se usa. Este módulo te da ese mapa.
El programa oficial es de noviembre de 2020, dos años antes de ChatGPT (noviembre de 2022). Desde entonces la IA generativa (modelos de lenguaje, imágenes, vídeo y agentes) ha cambiado por completo el marketing, y la Unión Europea ha aprobado el Reglamento de Inteligencia Artificial (2024). Se mantienen todos los contenidos del programa y se añade lo imprescindible de hoy, marcado como NUEVO o ACTUALIZADO.
Resultados de aprendizaje
- Caracterizar la IA y usar con propiedad su nomenclatura.
- Identificar los recursos (datos, cómputo, talento) que requiere un proyecto de IA.
- Situar los hitos de su evolución y las escuelas simbólica y conexionista.
- Distinguir las técnicas de aprendizaje automático y profundo, y la IA generativa.
- Valorar aplicaciones, requisitos y limitaciones.
- Analizar el contexto ético y legal: conciencia, críticas, propiedad intelectual, RGPD y Reglamento de IA.
No hay una definición única. Dos útiles:
Tipos según su alcance
| Tipo | Descripción | ¿Existe? |
|---|---|---|
| IA estrecha (débil) | Resuelve tareas concretas: recomendar productos, clasificar imágenes, pujar en una subasta publicitaria. | Sí: es toda la IA actual |
| IA de propósito general | Modelos que hacen muchas tareas distintas (los grandes modelos de lenguaje). El Reglamento europeo los llama «modelos de IA de uso general». | Sí, con limitaciones |
| IA general (AGI) | Igualaría a una persona en cualquier tarea intelectual. | No; hay debate sobre si y cuándo llegará |
Qué hace la IA en una empresa: cuatro verbos
| Término | Significado | Ejemplo en marketing |
|---|---|---|
| Dato / conjunto de datos (dataset) | Ejemplos con los que aprende el sistema | Historial de compras de 1.500 clientes |
| Variable / característica (feature) | Cada atributo de un ejemplo | Número de pedidos, días desde la última compra |
| Etiqueta / variable objetivo (label) | Lo que queremos predecir | ¿Volverá a comprar en 90 días? (sí/no) |
| Algoritmo | Procedimiento de aprendizaje | Regresión logística, árbol de decisión |
| Modelo | El resultado del entrenamiento: una función que hace predicciones | Modelo de propensión de recompra |
| Entrenamiento / inferencia | Aprender de los datos / usar el modelo con datos nuevos | Entrenar con 2025, puntuar clientes en 2026 |
| Parámetros / hiperparámetros | Lo que aprende el modelo / lo que configuras tú antes | Pesos de la red / profundidad máxima del árbol |
| Sobreajuste (overfitting) | Memorizar los datos de entrenamiento y fallar con datos nuevos | Acierta el 99 % en 2025 y el 60 % en 2026 |
| Sesgo (bias) | Error sistemático, a menudo heredado de los datos | Un modelo que nunca recomienda a mayores de 60 años |
| Token | Trozo de texto que procesa un modelo de lenguaje (≈ ¾ de palabra) | Un correo de 300 palabras ≈ 400 tokens |
| Prompt | Instrucción que se da a un modelo generativo | «Escribe 5 asuntos de email para Black Friday…» |
| Embedding | Representación numérica del significado de un texto o imagen | Buscar reseñas parecidas aunque usen otras palabras |
| Agente NUEVO | Sistema de IA que planifica y ejecuta acciones con herramientas | Agente que analiza la campaña y ajusta pujas |
para usar la IA
Comprar, adaptar o construir
| Opción | Ejemplo | Cuándo |
|---|---|---|
| Usar IA integrada | Smart Bidding de Google Ads, Advantage+ de Meta, Copilot en Office | Casi siempre: es lo más rápido |
| Adaptar un modelo existente | Un asistente con tus documentos, ajuste fino, plantillas no code | Necesidad específica sin equipo técnico grande |
| Construir a medida | Modelo de propensión propio con tus datos (Módulo 3) | Ventaja competitiva basada en datos propios |
hitos y escuelas
Cronología
| Año | Hito |
|---|---|
| 1943 | McCulloch y Pitts proponen la neurona artificial. |
| 1950 | Alan Turing publica «Computing Machinery and Intelligence» y plantea el juego de la imitación (test de Turing). |
| 1956 | Conferencia de Dartmouth: nace el término «inteligencia artificial». |
| 1958 | Perceptrón de Rosenblatt. |
| 1966 | ELIZA, primer chatbot. |
| 1970s y finales de los 80 | Inviernos de la IA: expectativas incumplidas y recortes de financiación. |
| 1980s | Auge de los sistemas expertos en empresas; retropropagación popularizada (1986). |
| 1997 | Deep Blue (IBM) vence a Kaspárov al ajedrez. |
| 2011 | Watson gana en Jeopardy!; Siri llega al iPhone. |
| 2012 | AlexNet arrasa en ImageNet: despega el aprendizaje profundo con GPU. |
| 2016 | AlphaGo vence a Lee Sedol al go. |
| 2017 | Google publica la arquitectura Transformer («Attention is all you need»). |
| 2020 | GPT-3 (año del programa oficial de este curso). |
| 2022 | Generadores de imágenes (DALL·E 2, Midjourney, Stable Diffusion) y ChatGPT (noviembre). |
| 2023-2024 | Modelos multimodales (texto, imagen, audio), IA en buscadores, suites ofimáticas y plataformas publicitarias; Reglamento europeo de IA (2024). |
| 2025-2026 | Modelos de razonamiento y agentes que usan herramientas; vídeo generativo realista; aplicación progresiva del Reglamento de IA. |
Escuelas de pensamiento
Hoy se combinan (IA neurosimbólica): por ejemplo, un modelo de lenguaje que consulta reglas de negocio o una base de datos antes de responder.
El aprendizaje automático (machine learning, ML) es la rama de la IA en la que el sistema mejora a partir de datos en lugar de programarse regla a regla.
| Tipo de aprendizaje | Cómo aprende | Tareas | Marketing |
|---|---|---|---|
| Supervisado | Con ejemplos etiquetados (entrada → respuesta correcta) | Clasificación (sí/no, categorías) y regresión (un número) | Propensión de compra o baja, previsión de ventas, lead scoring |
| No supervisado | Sin etiquetas: busca estructura | Agrupamiento (clustering), reducción de dimensiones, anomalías | Segmentación de clientes, cesta de la compra, fraude |
| Por refuerzo | Prueba acciones y recibe recompensas | Decisiones secuenciales | Pujas en tiempo real, bandits para tests A/B, precios dinámicos |
| Autosupervisado | Crea sus propias etiquetas a partir de los datos (predecir la palabra siguiente) | Preentrenamiento de grandes modelos | Base de los modelos de lenguaje |
Algoritmos que debes conocer
El ciclo de un proyecto de ML
Es la metodología CRISP-DM. Los datos se dividen en entrenamiento y prueba (por ejemplo, 80/20): el modelo se evalúa con datos que no ha visto.
aprendizaje profundo
Cómo funciona una red neuronal
- Cada neurona recibe números, los multiplica por unos pesos, los suma y aplica una función de activación.
- Las neuronas se organizan en capas: entrada, ocultas y salida.
- Al entrenar, la red compara su predicción con la correcta (función de pérdida) y ajusta los pesos hacia atrás (retropropagación y descenso del gradiente), repitiéndolo durante varias épocas.
Aprendizaje automático frente a aprendizaje profundo
| Aprendizaje automático «clásico» | Aprendizaje profundo (deep learning) | |
|---|---|---|
| Modelo | Regresiones, árboles, bosques | Redes neuronales con muchas capas |
| Datos | Tablas; funciona con miles de filas | Imágenes, texto, audio; necesita muchos datos |
| Características | Las diseña una persona (ingeniería de variables) | Las aprende la propia red |
| Cómputo | Un portátil basta | GPU o TPU |
| Explicabilidad | Alta o media | Baja («caja negra») |
Arquitecturas
tecnologías de apoyo
Modelos de lenguaje (LLM)
Un gran modelo de lenguaje se preentrena con enormes cantidades de texto para predecir el siguiente token; después se ajusta con instrucciones y preferencias humanas para conversar y seguir órdenes. Ejemplos: GPT (OpenAI), Gemini (Google), Claude (Anthropic), Llama (Meta), Mistral (Francia). Conceptos clave:
- Ventana de contexto: cuánto texto puede tener en cuenta a la vez.
- RAG (generación aumentada por recuperación): el modelo busca en tus documentos antes de responder; reduce las invenciones.
- Alucinaciones: respuestas falsas con apariencia segura.
- Multimodalidad: entender y generar texto, imagen, audio y vídeo.
- Modelos abiertos frente a cerrados: los abiertos se pueden ejecutar en tus servidores (más control de los datos).
Tecnologías de apoyo
| Tecnología | Qué hace | Marketing |
|---|---|---|
| Procesamiento del lenguaje natural (PLN) | Entender y generar lenguaje | Sentimiento de reseñas, clasificar consultas, generar textos |
| Visión artificial | Entender imágenes y vídeo | Búsqueda visual, detección de logotipos, control de calidad de creatividades |
| Reconocimiento y síntesis de voz | Voz ↔ texto | Asistentes de voz, transcripción de llamadas, locuciones |
| Interfaces conversacionales | Chatbots y asistentes | Atención al cliente 24/7, asistentes de compra |
| Sistemas de recomendación | Personalizar contenidos y productos | «Te puede interesar», emails personalizados |
y limitaciones
Aplicaciones actuales
Sanidad (diagnóstico por imagen), finanzas (fraude, riesgo), industria (mantenimiento predictivo), movilidad (asistencia a la conducción), administración (asistentes para trámites), comercio y marketing (recomendación, precios, publicidad, contenidos, atención al cliente).
¿Es un problema para la IA? Lista de comprobación
- ¿Hay una pregunta de negocio clara y medible?
- ¿Hay datos suficientes y de calidad, y base legal para usarlos?
- ¿Se tolera cierto margen de error? ¿Qué cuesta equivocarse?
- ¿Sería más sencillo con reglas o con un análisis en una hoja de cálculo?
- ¿Se puede medir el impacto (grupo de control, test A/B)?
Limitaciones
IA, conciencia y sentimientos
Los modelos actuales imitan el lenguaje emocional porque lo han visto en sus datos, pero no hay evidencia científica de que tengan conciencia, sentimientos ni comprensión en sentido humano. El debate filosófico (la «habitación china» de Searle, el test de Turing) sigue abierto. En marketing importa una consecuencia práctica: las personas tienden a antropomorfizar a los asistentes; por eso la ley obliga a avisar de que se está hablando con una IA.
Corrientes críticas
- Sesgos y discriminación: modelos que perjudican a grupos (anuncios de empleo mostrados solo a hombres, por ejemplo).
- Privacidad y vigilancia: perfiles cada vez más detallados.
- Manipulación y desinformación: deepfakes, persuasión personalizada, patrones oscuros.
- Empleo: automatización de tareas creativas y administrativas.
- Concentración de poder en pocas empresas con datos y cómputo.
- Impacto ambiental: energía y agua de los centros de datos.
- Riesgos a largo plazo: debate sobre el control de sistemas cada vez más capaces.
Propiedad intelectual
| Cuestión | Situación (UE y España) |
|---|---|
| ¿Quién es autor de lo que genera una IA? | La protección por derechos de autor exige una creación humana original. Un resultado generado de forma automática, sin aportación creativa humana suficiente, no suele estar protegido; sí lo puede estar la obra en la que una persona selecciona, edita y combina con criterio propio. |
| ¿Se puede entrenar con obras ajenas? | La Directiva 2019/790 permite la minería de textos y datos salvo que el titular se haya reservado el derecho (opt-out) de forma adecuada. Hay litigios abiertos en varios países. |
| Obligaciones de los proveedores de modelos | El Reglamento de IA exige a los modelos de uso general respetar el opt-out y publicar un resumen del contenido usado para entrenarlos. |
| ¿Puedo usar comercialmente lo generado? | Depende de las condiciones de uso de cada herramienta y de que el resultado no reproduzca obras o marcas ajenas. |
Reglamento europeo de Inteligencia Artificial NUEVO
Reglamento (UE) 2024/1689, en vigor desde el 1 de agosto de 2024 y de aplicación escalonada. Clasifica los sistemas por riesgo:
| Nivel | Ejemplos | Consecuencia |
|---|---|---|
| Inaceptable | Manipulación subliminal o que explota vulnerabilidades, puntuación social, reconocimiento de emociones en el trabajo o la escuela (salvo excepciones) | Prohibido (desde febrero de 2025) |
| Alto | Selección de personal, solvencia crediticia, educación, infraestructuras críticas | Requisitos estrictos: gestión de riesgos, datos, supervisión humana, registro |
| Transparencia | Chatbots, contenido generado o manipulado (deepfakes), reconocimiento de emociones | Avisar a las personas y marcar el contenido como artificial |
| Mínimo | Filtros de spam, recomendaciones, la mayoría de usos de marketing | Sin obligaciones específicas (códigos voluntarios) |
Las obligaciones para los modelos de uso general se aplican desde agosto de 2025 y la mayor parte del resto desde agosto de 2026; la Comisión propuso a finales de 2025 aplazar algunas obligaciones de alto riesgo, así que consulta el calendario vigente. En España supervisa la AESIA (Agencia Española de Supervisión de la Inteligencia Artificial). Además siguen aplicándose el RGPD (incluido el derecho a no ser objeto de decisiones exclusivamente automatizadas con efectos significativos, art. 22) y la normativa de publicidad y consumo.
| Término | Significado |
|---|---|
| CRISP-DM | Metodología estándar de proyectos de minería de datos y ML en seis fases. |
| Época | Una pasada completa por todos los datos de entrenamiento. |
| Función de activación | Transformación no lineal que aplica cada neurona. |
| IA de uso general | Modelo capaz de realizar muchas tareas distintas, como un LLM. |
| Inferencia | Uso de un modelo entrenado para obtener predicciones. |
| LLM | Gran modelo de lenguaje. |
| RAG | Técnica que da a un modelo información recuperada de documentos antes de responder. |
| Retropropagación | Algoritmo que ajusta los pesos de una red propagando el error hacia atrás. |
| Sobreajuste | Cuando el modelo memoriza el entrenamiento y generaliza mal. |
| Transformer | Arquitectura de red basada en el mecanismo de atención. |
¿Qué tipo de IA existe hoy en las empresas?
- IA general (AGI) consciente
- Ninguna
- IA estrecha y modelos de uso general
- Solo sistemas expertos
La AGI no existe; los LLM son de uso general pero con limitaciones.
Predecir si un cliente volverá a comprar a partir de su historial etiquetado es un problema de…
- Aprendizaje supervisado (clasificación)
- Aprendizaje no supervisado
- Aprendizaje por refuerzo
- Lógica difusa
Hay etiqueta (sí/no) y ejemplos para aprender.
Agrupar clientes por comportamiento sin categorías previas es…
- Regresión
- Clasificación
- Refuerzo
- Clustering (no supervisado)
Por ejemplo, con k-means.
Un modelo acierta el 99 % con los datos de entrenamiento y el 60 % con los nuevos. ¿Qué ocurre?
- Infraajuste
- Sobreajuste
- Deriva
- Alucinación
Ha memorizado en lugar de generalizar.
¿Qué arquitectura es la base de los grandes modelos de lenguaje?
- Perceptrón simple
- CNN
- Transformer
- Árbol de decisión
Publicada por Google en 2017.
¿Qué escuela representan los sistemas expertos basados en reglas?
- IA convencional o simbólica
- IA computacional
- Aprendizaje profundo
- IA generativa
El conocimiento se escribe con reglas explícitas.
¿Qué hito de 2012 impulsó el aprendizaje profundo?
- Deep Blue
- ChatGPT
- ELIZA
- AlexNet en ImageNet
Redes convolucionales entrenadas con GPU.
¿Para qué sirve un autoencoder en marketing?
- Para generar anuncios en vídeo.
- Para comprimir datos de clientes y detectar comportamientos anómalos.
- Para pujar en subastas.
- Para traducir textos.
Lo que reconstruye mal es atípico.
¿Qué técnica reduce las invenciones de un asistente haciendo que consulte tus documentos antes de responder?
- Overfitting
- Clustering
- RAG
- Retropropagación
Generación aumentada por recuperación.
Según el Reglamento europeo de IA, un chatbot de atención al cliente…
- Debe informar a las personas de que interactúan con una IA.
- Está prohibido.
- Es de alto riesgo siempre.
- No tiene ninguna obligación.
Obligación de transparencia.
¿Está protegida por derechos de autor una imagen generada automáticamente sin aportación creativa humana?
- Sí, el autor es la IA.
- Sí, el autor es la empresa del modelo.
- Siempre, si se paga la herramienta.
- Normalmente no: se exige creación humana original.
La aportación humana relevante sí puede protegerse.
¿Qué organismo supervisa la IA en España?
- La AEPD únicamente
- La AESIA
- El INE
- La CNMV
Agencia Española de Supervisión de la Inteligencia Artificial (la AEPD sigue supervisando los datos personales).
Tu progreso
—