La mayoría de las veces que una empresa dice "estamos usando IA" en realidad se refiere a cosas muy distintas entre sí, con niveles de riesgo y necesidades de gobierno que no tienen nada que ver. No es un problema de vocabulario técnico: es un problema práctico, porque la política de uso, el nivel de supervisión y las obligaciones del AI Act dependen de qué tipo de IA es realmente la que se está usando. Este glosario cubre los cuatro pares de términos que generan más confusión — y más decisiones mal tomadas — en la práctica.
IA ofimática vs. IA analítica
La IA ofimática es la que ayuda a una persona con una tarea individual, dentro de herramientas ya conocidas: redactar un email, resumir un documento, generar una presentación o revisar un texto. Su alcance es la productividad de una persona en un momento concreto, y el resultado normalmente lo revisa esa misma persona antes de usarlo. Un ejemplo típico es un asistente integrado en el correo o en el procesador de textos que sugiere una redacción o resume un hilo largo.
La IA analítica es distinta: se aplica a datos de negocio para generar un resultado que se usa en una decisión, muchas veces sin que una persona revise cada caso individual. Un modelo de scoring crediticio, una previsión de demanda que alimenta la compra de stock, o un sistema de recomendación de precios son ejemplos de IA analítica. La confusión entre ambas importa porque el nivel de riesgo, de gobierno y de supervisión que necesita cada una es muy distinto — tener una política sólida para el uso de IA ofimática no cubre, ni de lejos, lo que necesita un modelo de scoring que decide sobre clientes reales.
Agente vs. chatbot
Un chatbot responde dentro de una conversación: recibe una pregunta y genera una respuesta, sin ejecutar acciones por su cuenta fuera de ese intercambio. Un agente de IA va más allá — ejecuta acciones multi-paso de forma autónoma, con herramientas y permisos propios, pudiendo consultar sistemas, modificar datos o iniciar procesos sin que una persona apruebe cada paso. Esa autonomía es exactamente lo que exige un gobierno distinto, con permisos, auditoría y escalado bien definidos — lo desarrollamos en detalle en gobernanza de agentes de IA autónomos.
IA generativa vs. IA predictiva
La IA generativa crea contenido nuevo que antes no existía: texto, imágenes, código o audio, a partir de un prompt o una instrucción. La IA predictiva hace lo contrario: no crea nada nuevo, sino que estima un valor o una clasificación a partir de datos históricos — un score de riesgo, una previsión de demanda, la probabilidad de que un cliente cancele. Un chatbot que redacta respuestas es generativo; un modelo que calcula la probabilidad de impago de un cliente es predictivo.
Lo importante desde el punto de vista de gobierno es que ambas pueden ser sistemas de IA de alto riesgo bajo el AI Act, y lo que determina el nivel de riesgo no es el tipo de modelo (generativo o predictivo), sino el uso al que se destina. Un modelo predictivo usado para decidir contrataciones o accesos a crédito puede ser de alto riesgo; el mismo tipo de modelo usado para prever el consumo eléctrico de un almacén, no.
"Modelo de IA" vs. "sistema de IA"
Es habitual usar "modelo de IA" y "sistema de IA" como sinónimos, pero el AI Act distingue entre ambos, y esa distinción es la que determina qué se regula. El artículo 3.1 del Reglamento (UE) 2024/1689 define un sistema de IA como "un sistema basado en una máquina que está diseñado para funcionar con distintos niveles de autonomía y que pueda mostrar capacidad de adaptación tras el despliegue, y que, para objetivos explícitos o implícitos, infiere de la información de entrada que recibe la manera de generar resultados de salida, como predicciones, contenidos, recomendaciones o decisiones, que pueden influir en entornos físicos o virtuales".
La idea clave para una empresa es esta: el AI Act no regula el modelo en abstracto (por ejemplo, un modelo de lenguaje genérico), sino el sistema desplegado con un propósito concreto — el modelo más su integración, su caso de uso y su contexto de despliegue. Eso significa que el mismo modelo puede ser de bajo riesgo en un uso (un asistente de redacción interno) y de alto riesgo en otro (el mismo modelo integrado en un sistema de selección de personal). No se puede clasificar el riesgo de "un modelo" sin saber primero para qué sistema y con qué propósito se está usando — ver cómo clasificar sistemas de IA por riesgo.
Resumen: los 4 pares de términos
| Términos | La diferencia en una frase |
|---|---|
| IA ofimática vs. IA analítica | Ayuda a una persona con una tarea vs. genera un resultado que alimenta una decisión de negocio |
| Agente vs. chatbot | Ejecuta acciones multi-paso con permisos propios vs. responde dentro de una conversación |
| IA generativa vs. IA predictiva | Crea contenido nuevo vs. estima un valor o clasificación a partir de datos históricos |
| Modelo de IA vs. sistema de IA | El modelo en abstracto vs. el modelo desplegado con un propósito concreto — lo que regula el AI Act |
Si no tienes claro en qué nivel de riesgo del AI Act cae un sistema concreto de tu empresa, el siguiente paso es clasificar sistemas de IA por riesgo — la clasificación es lo que determina qué obligaciones aplican, no el nombre que le pongas al sistema.