Qué es la IA generativa para una empresa (y qué no es)

La IA generativa es el tipo de inteligencia artificial que produce contenido nuevo —texto, resúmenes, imágenes, código— a partir de una instrucción escrita, en lugar de limitarse a clasificar, predecir o ejecutar reglas sobre información que ya existe. Cuando le pides algo a ChatGPT, a Microsoft 365 Copilot o a Gemini, no están buscando una respuesta guardada en ningún archivo: generan el texto que les resulta más plausible, según los patrones aprendidos durante su entrenamiento y según lo que tú acabas de escribir.

Esa diferencia —generar lo plausible en vez de recuperar lo correcto— parece un matiz técnico y no lo es. Explica casi todo lo que la IA generativa hace bien en una empresa y casi todo lo que hace mal. Explica también por qué tantos equipos que llevaban años hablando de «IA» —reglas en el ERP, cuadros de mando, modelos de previsión— se descolocan cuando llega esta otra cosa y se comporta de una manera que no se parece en nada a lo anterior.

Este artículo es el escalón previo a cualquier decisión sobre herramientas, licencias o formación: qué es exactamente, en qué se diferencia de lo que ya llamabas IA en tu empresa, qué puede y qué no puede hacer por naturaleza, y qué implica eso al decidir dónde ponerla a trabajar. Si lo que buscas ya es el paso siguiente —quién enseña a un equipo a usarla con criterio—, eso está en la formación en IA para empresas.

La definición, sin rodeos

«Generativa» describe literalmente lo que hace: genera. Un modelo de lenguaje recibe un texto de entrada y produce un texto de salida construido pedazo a pedazo, eligiendo en cada paso la continuación más plausible dado todo lo anterior. No consulta una base de datos con la verdad dentro, no razona sobre hechos verificados y no distingue por sí mismo entre una frase cierta y una frase que simplemente suena bien.

De esa mecánica salen tres consecuencias que se notan enseguida en el trabajo real:

• Produce siempre algo. Nunca te devuelve «no hay resultados». Si le pides un dato del que no dispone, escribirá una respuesta con la misma seguridad con la que escribe lo que sí puede sostener.
• No es determinista. La misma instrucción puede dar respuestas distintas en dos intentos seguidos. No es una avería: es cómo funciona.
• Trabaja solo con lo que le des. Su contexto es tu instrucción y el resto de la conversación. Lo que no le cuentes, lo rellenará por su cuenta o lo resolverá de forma genérica.

De ahí sale la regla de trabajo que vale para todas las herramientas: la calidad de lo que obtienes depende sobre todo de la calidad de lo que pides. Esa es la habilidad concreta que se entrena, y está desarrollada en qué es un prompt y por qué importa cómo lo escribes.

Qué no es: la «IA» que tu empresa ya tenía

Aquí está el malentendido más caro de todos. Muchas empresas llevan años con proyectos que llamaban «inteligencia artificial» y que no se parecen a esto: reglas automatizadas en el ERP, cuadros de mando que resumen ventas, modelos que estiman demanda o probabilidad de fallo. Nada de eso es IA generativa, y confundirlos lleva a pedirle a una herramienta lo que hace bien la otra.

Mi experiencia profesional mezcla datos, automatización y entornos industriales, así que no planteo la IA igual en una planta que en una pyme puramente administrativa. Y en buena parte de las primeras conversaciones, antes de hablar de herramientas, hay que deshacer esa mezcla de conceptos. Esta tabla es la forma más rápida de hacerlo:

Fíjate en la última columna, porque es la que cambia la forma de trabajar. En las tres primeras filas, cuando algo falla, se nota: el proceso se para, el dato no cuadra, la previsión se desvía de lo real. En la cuarta, el fallo llega presentable. Un párrafo inventado tiene exactamente el mismo aspecto que uno correcto, y por eso la revisión humana no es una precaución opcional: es parte del método.

Las tres primeras filas siguen existiendo y siguen siendo, en muchas empresas, donde está el ahorro grande. La IA generativa no las sustituye. Ocupa un hueco que antes no cubría ningún sistema: el trabajo de redactar, sintetizar y reformular información, que hasta ahora solo podía hacer una persona sentada delante del documento.

Qué puede hacer bien, por naturaleza

Si la mecánica es «generar la continuación más plausible a partir de lo que tiene delante», lo que mejor se le da es transformar información que ya existe en otra forma. Lo que más tiempo ahorra de verdad es convertir material que ya tienes en una primera versión utilizable:

• Resumir un documento largo, un hilo de correo o unas notas de reunión.
• Reescribir un texto cambiando el registro, la extensión o el destinatario.
• Extraer y estructurar: sacar de un texto corrido los datos que te interesan y ponerlos en una lista o una tabla.
• Traducir y adaptar a otro idioma o a otro nivel de detalle.
• Explicar un texto denso —un pliego, una normativa, un informe técnico— en lenguaje llano.
• Dar la primera versión de algo que después vas a corregir: un guion, un correo difícil, el índice de una propuesta.

El patrón se repite en los seis casos: el material de partida lo pones tú. Cuanto más completo sea lo que le entregas, mejor sale el resultado, porque el modelo tiene menos huecos que rellenar por su cuenta. Cuando ese material ya vive dentro de las aplicaciones de la empresa, lo que cambia sobre todo es la comodidad de dárselo, y de eso va para qué sirve Microsoft 365 Copilot. Si prefieres ver el patrón aplicado a tareas concretas de oficina, están en 10 usos de ChatGPT que ahorran horas en administración.

Qué no puede hacer, por naturaleza

No son limitaciones que se arreglen aprendiendo un truco. Son consecuencias directas de cómo está construida:

• No sabe lo que no le has contado. No conoce vuestros precios, vuestros procesos ni lo que se decidió en la reunión de marzo, salvo que se lo des en la conversación o que la herramienta esté conectada a esos documentos.
• No verifica. No hay una comprobación interna que separe lo que puede sostener de lo que no. Por eso hay que revisar cifras, nombres, fechas y referencias antes de que el resultado salga de casa.
• No tiene criterio sobre tu negocio. Puede redactar una recomendación impecable y desastrosa a la vez, porque no sabe qué está en juego ni qué precedente estáis sentando.
• No ejecuta. Escribe el correo, pero no lo envía; propone la fórmula, pero no toca el sistema. Que algo ocurra solo, sin que una persona lo lance, ya no es IA generativa: es integración.
• No rinde igual desde cero que desde material existente. Lo que menos funciona es pedirle «hazme todo el informe» partiendo de nada: la revisión posterior suele comerse el supuesto ahorro, y a veces lo supera.

Esa última es la que más decepciones causa en las primeras semanas. Dicho corto: cuanto más se parece la tarea a transformar algo que ya existe, mejor sale; cuanto más se parece a inventar algo que no existe, más caro sale revisarlo.

IA generativa: ejemplos en una empresa

Traducido a funciones concretas, siempre con la misma lógica de material de partida:

• Administración. Convertir notas sueltas en un acta ordenada; sacar los datos clave de un contrato largo; unificar el formato de textos que llegan de sitios distintos.
• Comercial. Reescribir una propuesta para un cliente con otro perfil; preparar el resumen de una cuenta antes de una visita; redactar el seguimiento a partir de las notas de la llamada.
• Dirección. Resumir documentación extensa antes de un comité; contrastar la redacción de una decisión ya tomada; preparar las preguntas incómodas antes de una reunión.
• Comunicación. Adaptar un mismo mensaje a varios canales y destinatarios sin volver a escribirlo entero.
• Atención al cliente. Redactar respuestas a incidencias frecuentes partiendo de la documentación interna, para que una persona las revise y las envíe.

Ninguno de estos ejemplos sustituye a la persona: le quitan la parte mecánica y le dejan la parte de criterio. Esa separación es lo que se trabaja, con documentos reales de cada equipo, en el curso de ChatGPT para empresas.

El error de partida: tratarla como si fuera Google

De todos los errores que veo al empezar, el más extendido —y el más fácil de corregir— es tratar ChatGPT o Claude como si fueran un buscador. Se escriben cuatro palabras sueltas, se espera la respuesta correcta, llega un párrafo genérico y se concluye que «esto no sirve para lo nuestro».

La comparación falla en lo esencial. Un buscador indexa documentos que existen y te devuelve el enlace, con su fuente y su fecha, para que juzgues tú. Un modelo generativo no te devuelve un documento: te devuelve una redacción construida en ese momento. Si le das cuatro palabras, redacta para cuatro palabras. Y como siempre produce algo, la respuesta pobre llega igual de bien escrita que la buena, lo que despista todavía más.

El cambio de hábito es fácil de enunciar y cuesta unas cuantas repeticiones: en lugar de una consulta, se le entrega un encargo con contexto, material y formato de salida. La misma persona que sacaba respuestas planas empieza a sacar borradores utilizables sin cambiar de herramienta. Y cuando ya toque elegir herramienta, el mapa está en qué IA encaja mejor en tu empresa.

Dónde acaba usarla y dónde empieza implantarla

Esta frontera se confunde constantemente, y conviene dejarla clara justo aquí, porque es donde se cruza. Todo lo anterior es usar la IA generativa: una persona abre la herramienta, le da contexto, revisa el resultado y lo aprovecha en su trabajo. Eso se aprende, y es lo que hago desde aquí.

Que un sistema lea vuestros documentos por su cuenta, que un asistente interno consulte la documentación de la empresa, que los datos de una factura acaben en el ERP sin que nadie los teclee o que un flujo se ejecute cada noche es otra cosa: es implantación, con su análisis previo, sus permisos, su mantenimiento y su propio riesgo técnico. Esa parte no la abordo desde aquí, la trabajo desde Meridian Data, la consultora de datos e IA desde la que hago los proyectos técnicos.

Confundir las dos cosas sale caro en ambas direcciones: montar una integración para un volumen que una persona resuelve en veinte minutos es tirar dinero, y formar a un equipo para que haga a mano lo que debería estar automatizado tampoco arregla el problema de fondo.

Qué cambia esto al decidir dónde usarla

Si te llevas una sola idea, que sea esta: la IA generativa no se decide por herramienta, se decide por tarea. El criterio de partida cabe en cuatro preguntas.

1. ¿Existe ya el material de partida? Si la información está —notas, correos, documentos, plantillas—, es buen candidato. Si hay que inventarla, no lo es.
2. ¿La revisión es rápida? Si comprobar el resultado cuesta menos que hacerlo desde cero, hay ahorro real. Si cuesta lo mismo, no lo hay, por bien redactado que salga.
3. ¿Qué pasa si el resultado es plausible pero falso? Si la respuesta es «se corrige y ya está», adelante. Si es «se va a un cliente, a un juzgado o a una nómina», el circuito de revisión tiene que estar definido antes, no después.
4. ¿Es una tarea de redacción o una tarea de proceso? Redacción y síntesis, IA generativa. Ejecución fiable y repetible, automatización de la de siempre.

Con estas cuatro preguntas se descartan la mayoría de los proyectos que fracasan por planteamiento y quedan los que rinden desde la primera semana. Es también el punto de partida de mi metodología de trabajo: antes de tocar herramientas, decidir dónde tiene sentido usarlas.

A partir de ahí, el paso siguiente depende de quién lo tenga que dar. Si hace falta que un equipo entero salga sabiendo usarla con criterio en su propio puesto, eso es la formación en IA para empresas. Si quien necesita ordenar el criterio es la persona que decide —qué priorizar, qué no comprar todavía, cómo plantearlo a la plantilla—, encaja mejor la mentoría en IA para directivos.

Y si prefieres resolverlo hablando, reserva media hora y repasamos esas cuatro preguntas con tareas reales de tu empresa, no con ejemplos genéricos.