Inteligencia Artificial

¿Qué es la inteligencia artificial?

Nota editorial: este artículo fue publicado originalmente en julio de 2024 y revisado en junio de 2026 para actualizar referencias, matizar herramientas, añadir contexto sobre IA generativa y conectar el contenido con la evolución hacia los agentes de IA. Los conceptos básicos siguen siendo válidos, pero el uso real de la IA ha cambiado mucho en muy poco tiempo.

La inteligencia artificial, o IA, es una rama de la informática que busca crear sistemas capaces de realizar tareas que normalmente asociamos a la inteligencia humana: aprender, razonar, reconocer patrones, entender lenguaje, generar contenido, tomar decisiones o ayudar a resolver problemas.

Dicho así suena muy académico. En la práctica, la IA es algo bastante más cercano: el filtro que detecta spam, el sistema que recomienda una serie, el asistente que te ayuda a programar, el modelo que resume un documento o la herramienta que analiza logs cuando algo falla.

La IA ha pasado de ser una promesa de futuro a una herramienta de trabajo diaria.

Y sí, es tan útil como dicen.

Pero solo si sabes usarla con criterio.

Porque la IA no sustituye automáticamente el conocimiento. Lo amplifica. Si tienes criterio, te hace más rápido. Si no lo tienes, puede hacer que te equivoques con mucha seguridad.

Por eso me interesa la IA desde dos lados: como herramienta práctica para trabajar mejor y como tecnología que hay que gobernar con cabeza. No basta con probar el modelo de moda. Hay que entender qué datos toca, qué decisiones apoya, qué errores puede cometer y quién revisa el resultado.

---

IA clásica, IA generativa, copilotos y agentes

Antes de hablar de herramientas, conviene ordenar conceptos.

Hoy se mete todo en el mismo saco de “inteligencia artificial”, pero no todo es lo mismo.

IA clásica

Es la IA que lleva años funcionando en segundo plano.

• Filtros antispam.
• Sistemas de recomendación.
• Detección de fraude.
• Clasificación de imágenes.
• Modelos predictivos.
• Reconocimiento de voz.

No siempre genera texto ni conversa contigo, pero resuelve problemas concretos de forma muy eficaz.

IA generativa

Es la que ha hecho explotar el interés público por la IA.

Modelos capaces de generar texto, código, imágenes, audio, vídeo, resúmenes, traducciones, análisis o borradores a partir de instrucciones en lenguaje natural.

Aquí entran herramientas como ChatGPT, Claude, Gemini, Copilot, Perplexity, Midjourney, DALL·E, modelos locales con Ollama o LM Studio, y muchas otras.

Copilotos

Un copiloto es una IA integrada en una herramienta concreta para ayudarte dentro de un flujo de trabajo.

• GitHub Copilot en el IDE.
• Microsoft Copilot en Microsoft 365.
• Copilotos de seguridad en plataformas SOC.
• Asistentes dentro de CRMs, ERPs o herramientas de soporte.

No siempre son “agentes” autónomos. Muchas veces son asistentes contextuales: te ayudan, sugieren, redactan o resumen, pero sigues siendo tú quien decide.

Agentes de IA

Los agentes son el siguiente paso.

No solo responden. Pueden usar herramientas, dividir una tarea en pasos, mantener contexto, pedir información, ejecutar acciones y coordinarse con otros sistemas.

Un agente bien diseñado no es una IA haciendo lo que quiera. Es un sistema con instrucciones, herramientas, permisos, límites, trazabilidad y supervisión humana cuando hace falta. Cuanto más cerca esté de correo, calendario, archivos, tickets o sistemas internos, más importante es controlar qué puede hacer y qué no.

La diferencia resumida sería esta:

IA clásica      → detecta, clasifica o predice
IA generativa   → crea contenido o respuestas
Copiloto        → ayuda dentro de una herramienta
Agente          → actúa usando herramientas y objetivos

Esta distinción importa mucho, porque no se gobiernan igual, no tienen los mismos riesgos y no sirven para lo mismo.

---

Tipos de inteligencia artificial

También se suele clasificar la IA en tres niveles: IA estrecha, IA general y superinteligencia.

1. IA débil o estrecha

Es la IA que existe hoy.

Está diseñada para tareas concretas: traducir idiomas, recomendar música, detectar spam, clasificar imágenes, resumir texto, generar código o responder preguntas.

ChatGPT, Claude, Gemini, Siri, Alexa, Google Assistant, GitHub Copilot, los sistemas de recomendación de Netflix o Spotify y los filtros antispam entran en esta categoría.

Algunos modelos actuales son muy flexibles y pueden hacer muchas tareas distintas, pero siguen sin ser una inteligencia general humana. No tienen comprensión del mundo como una persona, no tienen intención propia y pueden equivocarse con una seguridad tremenda.

2. IA general

La IA general, o AGI, sería un sistema capaz de entender, aprender y aplicar conocimiento de forma amplia, comparable a un ser humano en múltiples dominios.

No existe hoy como producto real.

Hay empresas investigando en esa dirección, pero conviene separar investigación, marketing y realidad. Que un modelo sea impresionante no significa que sea AGI.

3. Superinteligencia

La superinteligencia sería una IA que superase ampliamente a los humanos en prácticamente todos los ámbitos cognitivos.

Es un concepto especulativo, pero plantea debates serios sobre seguridad, alineamiento, control y gobernanza.

Para el día a día de un departamento de TI, no es la preocupación práctica inmediata.

La preocupación práctica es otra: cómo usar bien la IA que ya existe sin introducir riesgos innecesarios.

---

IA en el día a día de un departamento de TI

Aquí está el valor real.

La IA no es solo un tema de laboratorios, startups o grandes tecnológicas. Ya está cambiando cómo trabaja un departamento de TI normal.

No porque sustituya al equipo. Sino porque reduce fricción en tareas que antes consumían mucho tiempo.

Generación de código y scripts

Herramientas como ChatGPT, GitHub Copilot, Claude o Gemini pueden ayudarte a crear scripts en Bash, Python, PowerShell o SQL.

Esto es especialmente útil para:

• Automatizar tareas repetitivas.
• Crear scripts de mantenimiento.
• Generar consultas SQL.
• Escribir pequeñas utilidades internas.
• Documentar código existente.
• Convertir scripts entre lenguajes.

Pero aquí hay una regla básica: no ejecutes código generado por IA sin entenderlo.

La IA puede ahorrarte tiempo, pero también puede inventar comandos, usar librerías obsoletas, ignorar casos límite o proponer soluciones inseguras.

Úsala como copiloto, no como piloto automático.

Análisis de logs e incidencias

Uno de los usos más prácticos en TI es pasar logs, errores o trazas a una IA para que ayude a encontrar patrones.

Puede ayudarte a responder preguntas como:

• ¿Qué error se repite?
• ¿Qué cambió antes de la caída?
• ¿Qué servicio parece estar fallando?
• ¿Qué hipótesis de diagnóstico tiene más sentido?
• ¿Qué comandos puedo ejecutar para comprobarlo?

La IA no sustituye la observabilidad, ni Prometheus, ni Grafana, ni los logs bien estructurados. Pero puede acelerar mucho la lectura inicial, sobre todo cuando tienes demasiada información y necesitas una primera hipótesis.

Si los logs contienen datos sensibles, cuidado: no los pegues en una herramienta externa sin revisar antes qué estás enviando.

Documentación técnica

Este es uno de los usos menos espectaculares y más rentables.

La IA ayuda a:

• Convertir notas sueltas en documentación.
• Crear procedimientos paso a paso.
• Resumir cambios técnicos.
• Generar checklists.
• Redactar documentación para usuarios no técnicos.
• Actualizar documentación antigua.

Y aquí se nota muchísimo.

Porque todos sabemos que la documentación es importante. Y también sabemos que suele ser lo primero que se queda atrás.

Ciberseguridad

La IA ya aparece en muchas herramientas de seguridad: detección de anomalías, priorización de alertas, análisis de vulnerabilidades, generación de informes, resumen de incidentes o ayuda al analista.

Pero hay que tener cuidado con una idea peligrosa: “como tiene IA, detectará más”.

No necesariamente.

Una herramienta con IA puede reducir ruido y acelerar análisis, pero si está mal configurada, si no tiene buenos datos o si nadie revisa sus resultados, solo cambia el formato del problema.

En seguridad, la IA debe ayudar a priorizar y explicar. No sustituir el criterio.

Atención al usuario y service desk

Los asistentes con IA pueden resolver dudas frecuentes, guiar al usuario, generar tickets mejor estructurados y proponer soluciones a incidencias conocidas.

Esto puede descargar mucho al equipo de soporte.

Pero no pondría una cifra universal del tipo “resuelve el 70% de incidencias” salvo que tengas datos reales de tu organización. Depende muchísimo de la calidad de la base de conocimiento, la integración con herramientas internas, el tipo de usuario y el nivel de automatización.

La versión honesta es esta: un buen asistente puede reducir mucho el ruido del service desk, pero necesita buen conocimiento interno y una escalada clara a humanos.

---

Herramientas de IA útiles para TI

No todas las herramientas de IA sirven para lo mismo. Y los planes cambian constantemente, así que no conviene basar un artículo evergreen en precios exactos.

Herramienta	Para qué encaja	Comentario
ChatGPT	Asistente general, código, análisis, redacción, automatización y razonamiento	Muy versátil. Útil para TI, documentación, scripts y análisis.
Claude	Análisis de documentos largos, redacción, razonamiento y flujos con herramientas	Muy fuerte en contexto largo y trabajo con texto técnico.
Gemini	Asistente multimodal e integración con ecosistema Google	Interesante si trabajas mucho con Google Workspace.
GitHub Copilot	Programación dentro del IDE, sugerencias de código y agentes de desarrollo	Muy cómodo para desarrollo. Tiene plan gratuito limitado y planes de pago.
Microsoft Copilot	Integración con Microsoft 365, Windows y herramientas empresariales	Útil si tu organización vive en Teams, Outlook, Word, Excel y SharePoint.
Perplexity	Búsqueda asistida con fuentes	Buena herramienta para investigación rápida, siempre revisando fuentes.
DeepSeek	Modelos orientados a razonamiento, código y tareas técnicas	Interesante por coste/rendimiento y disponibilidad de modelos abiertos o accesibles vía API.
Ollama	Ejecución de modelos locales	Ideal para homelab, privacidad y pruebas con modelos open source.
LM Studio	Probar modelos locales con interfaz visual	Muy cómodo para comparar modelos, cuantizaciones y uso de GPU.
Open WebUI	Interfaz web para modelos locales	Buen complemento para Ollama en un homelab.
Midjourney / DALL·E / herramientas de imagen	Generación y edición de imágenes	Útiles para contenido visual, prototipos e ideas creativas.

Mi consejo: no intentes usarlas todas.

Empieza con una herramienta generalista, una herramienta de código si programas y una opción local si te interesa privacidad o homelab.

Por ejemplo:

ChatGPT o Claude  → trabajo general, análisis y redacción
GitHub Copilot   → programación diaria
Ollama/LM Studio → modelos locales y pruebas privadas

Con eso ya tienes más que suficiente para empezar en serio.

---

IA local: por qué merece la pena

Una de las tendencias más interesantes para perfiles técnicos es la IA local.

Ejecutar modelos en tu propio equipo o servidor con herramientas como Ollama, LM Studio u Open WebUI tiene varias ventajas:

• Más privacidad.
• Sin coste por token.
• Control sobre modelos y versiones.
• Posibilidad de trabajar sin depender siempre de un proveedor externo.
• Experimentación en homelab.

Pero también tiene límites:

• Necesitas hardware suficiente.
• Los modelos locales pequeños no siempre igualan a los mejores modelos cloud.
• La velocidad depende mucho de CPU, GPU, VRAM, cuantización y contexto.
• La instalación y mantenimiento corren de tu parte.

Mi enfoque es usar ambos mundos.

Modelos cloud cuando necesito máxima calidad o capacidades avanzadas. Modelos locales cuando quiero privacidad, control, pruebas o integración con mi homelab.

No es una guerra entre local y cloud. Es saber cuándo usar cada uno.

---

IA y ciberseguridad: la cara menos cómoda

No todo son ventajas.

La IA también está en manos de los atacantes, y desde la perspectiva de seguridad hay que tenerlo claro.

• Phishing más creíble: mensajes mejor redactados, personalizados y sin errores evidentes.
• Deepfakes: voz o vídeo sintético para fraudes, suplantación o presión social.
• Automatización de reconocimiento: resumen de información pública, perfiles de empleados y preparación de ataques.
• Generación de código malicioso: no convierte a cualquiera en experto, pero puede reducir barreras.
• Prompt injection: ataques contra aplicaciones que usan LLMs para manipular instrucciones o extraer información.
• Fuga de datos: usuarios pegando información sensible en herramientas externas sin control.
• Exceso de confianza: aceptar respuestas incorrectas porque suenan bien.

Esto no significa que debamos tener miedo a la IA.

Significa que hay que usarla con gobierno.

En una organización, eso implica como mínimo:

• Política clara de uso de IA.
• Qué datos se pueden y no se pueden introducir.
• Herramientas autorizadas.
• Revisión humana en decisiones críticas.
• Formación a empleados.
• Control de proveedores.
• Evaluación de riesgos.

La postura buena no es prohibir por defecto ni abrir la puerta sin control.

La postura buena es la adopción informada.

---

Primeros pasos si quieres empezar con IA

Si todavía no usas IA en tu día a día técnico, yo empezaría así:

1. Usa una herramienta generalista

Prueba ChatGPT, Claude, Gemini o la herramienta que prefieras.

No le pidas solo “explícame esto”. Pídele cosas reales:

• Explícame este error.
• Revisa este script.
• Convierte estas notas en documentación.
• Hazme una checklist de despliegue.
• Resume este log.
• Dame hipótesis para esta incidencia.

2. Integra IA en tu entorno de desarrollo

Si programas, prueba GitHub Copilot u otra herramienta similar en tu IDE.

No para que programe por ti, sino para acelerar tareas repetitivas, generar esqueletos, explicar código y ayudarte con pruebas.

3. Prueba IA local

Si tienes curiosidad técnica, instala Ollama o LM Studio y prueba un modelo pequeño.

Por ejemplo:

• Un modelo 7B para pruebas rápidas.
• Un 14B si tienes hardware decente.
• Un modelo de razonamiento si quieres experimentar con tareas más complejas.

La IA local te enseña mucho: modelos, cuantización, contexto, GPU, límites y costes reales.

4. Automatiza algo pequeño

No empieces con “voy a automatizar mi empresa”.

Empieza con algo pequeño:

• Clasificar correos.
• Resumir alertas.
• Generar borradores.
• Crear una checklist semanal.
• Analizar logs copiados manualmente.

Si quieres un ejemplo práctico, puedes leer el artículo sobre cómo automatizar Gmail sin perder la cabeza.

5. Mantente al día sin vivir en el hype

Esto cambia rápido. Muy rápido.

Pero no todo lo nuevo merece entrar en producción.

Mi filtro personal es este:

• ¿Qué problema resuelve?
• ¿Qué riesgo introduce?
• ¿Qué datos necesita?
• ¿Quién lo mantiene?
• ¿Qué pasa si falla?
• ¿Se puede medir el resultado?

Si no puedes responder esas preguntas, quizá todavía no toca adoptarlo.

---

De asistentes a agentes

La evolución natural de la IA generativa son los agentes.

Un asistente responde. Un agente puede actuar usando herramientas.

Por ejemplo, un agente puede:

• Leer documentación.
• Consultar una API.
• Revisar logs.
• Crear un archivo.
• Generar un ticket.
• Pedirte confirmación.
• Ejecutar una acción si tiene permisos.

Esto abre posibilidades enormes, pero también exige más control.

Un agente conectado a correo, calendario, archivos o servidores debe tener límites claros. No debería poder hacer cualquier cosa sin supervisión.

Mi regla es simple:

Primero observar.
Luego recomendar.
Después pedir confirmación.
Y solo al final ejecutar.

Si quieres profundizar, puedes leer el artículo sobre qué son los agentes de IA y cómo probarlos en tu propio servidor con OpenClaw.

---

¿Y ahora qué?

Este artículo es una introducción general.

Para seguir profundizando, te recomiendo:

• Agentes de IA: qué son, tipos y cómo usarlos.
• Instalar OpenClaw en tu homelab con Telegram.
• Corre modelos de IA locales en tu homelab con Ollama.
• Ollama vs LM Studio: guía práctica para elegir tu IA local.
• Automatizar Gmail sin perder la cabeza.
• Ciberseguridad hoy.

---

En resumen

La inteligencia artificial ya no es una promesa lejana. Es una herramienta real para profesionales de TI, seguridad, desarrollo, soporte, documentación y automatización.

Pero no todas las IA son iguales. No es lo mismo un filtro antispam, un modelo generativo, un copiloto dentro de una herramienta o un agente con permisos para actuar.

Mi forma de verlo es sencilla: primero entender, luego probar y después decidir dónde aporta valor de verdad.

La IA no va de sustituir criterio. Va de aumentarlo.

Y cuanto más técnica sea tu responsabilidad, más importante es entender tanto sus posibilidades como sus límites.