En qué se diferencian la IA generativa y la IA analítica, y cuándo usar cada una
P
ara tomar decisiones sobre la importancia relativa y el valor de la IA generativa y la IA analítica, las organizaciones primero deben comprender las diferencias entre ambas tecnologías, así como los distintos beneficios y riesgos asociados con cada una de ellas.
¿En qué se diferencian la IA generativa y la IA analítica?
Distintos propósitos y capacidades.
El propósito principal de la IA generativa es utilizar modelos de redes neuronales de aprendizaje profundo para generar contenido nuevo, como imágenes, texto, música, código de programación o incluso obras de arte completas, que imiten la creación humana. La IA analítica, por otro lado, se refiere a los sistemas de inteligencia artificial basados en el aprendizaje automático estadístico, diseñados para tareas específicas como clasificación, predicción o toma de decisiones basadas en datos estructurados.
Distintos métodos algorítmicos.
En términos de métodos algorítmicos, la IA generativa suele emplear técnicas complejas como transformadores, mecanismos de atención, redes generativas antagónicas y codificadores automáticos variacionales para generar contenido. La IA analítica utiliza una variedad de enfoques de aprendizaje automático generalmente más simples, incluidos el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo, así como diversas arquitecturas de redes neuronales adaptadas a tareas específicas.
Distintos tipos de datos.
La IA generativa utiliza texto, imágenes y otros formatos de datos relativamente no estructurados, todos en una secuencia que puede usarse para predecir otras secuencias. La IA analítica emplea datos estructurados, normalmente filas y columnas de números.
Distintos retornos de inversión.
En términos generales, la IA generativa tiene más probabilidades de generar ahorros de costos gracias al aumento de la productividad en la generación de contenido, mientras que la IA analítica puede generar mejores decisiones, ahorros de costos e incrementos en las ventas.
Distintos riesgos.
Las preocupaciones de seguridad en torno a la IA generativa y la IA analítica pueden diferir en función de sus respectivas aplicaciones, capacidades y riesgos potenciales.
Cómo pueden las empresas encontrar el equilibrio adecuado entre la IA generativa y la IA analítica
Las empresas deberán determinar cómo asignar la atención de la dirección, las inversiones y el talento a estos dos ámbitos distintos de la inteligencia artificial. Una consideración principal es cuán familiarizados están los actores clave con los dos tipos de IA. En general, la IA generativa es la que abre puertas. Genera entusiasmo sobre la IA en ejecutivos y profesionales no técnicos, y ofrece pocas barreras de uso. La IA analítica requiere una mayor orientación estadística para utilizarse de manera eficaz, por lo que su audiencia principal son los científicos de datos o personas con perfil cuantitativo. Es probable que esa base de usuarios siempre sea más pequeña que la de la IA generativa, aunque las interfaces de IA generativa pueden facilitar que las personas no técnicas realicen formas simples de modelos analíticos. Sin embargo, los ejecutivos de empresas con grandes volúmenes de datos estructurados, como los servicios financieros, el comercio minorista y las empresas de telecomunicaciones, probablemente estén familiarizados con la IA analítica.
Los factores que describimos a continuación pueden servir como guía para determinar el énfasis relativo en la IA generativa o analítica dentro de una empresa o industria.
Considere su estrategia y modelo de negocio.
¿La actividad principal de la empresa implica crear, vender o distribuir contenido? Si es así, la IA generativa debería ser su enfoque principal.
Considere el formato de los activos de datos exclusivos y patentados.
Si los activos de datos de la empresa son principalmente contenido no estructurado (como texto, imágenes o video), la IA generativa debería tener prioridad. Si, por otro lado, la mayoría de los datos de la empresa son estructurados y numéricos, debería inclinarse hacia la IA analítica.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
To make decisions about the relative importance and value of generative AI and analytical AI, organizations must first understand the differences between the two technologies, and the different benefits and risks associated with each.
HOW DO GENERATIVE AND ANALYTICAL AI DIFFER?
DIFFERENT PURPOSES AND CAPABILITIES: The primary purpose of generative AI is to use deep learning neural network models to generate new content — such as images, text, music, programming code, or even entire pieces of artwork — that mimic human creation. Analytical AI, on the other hand, refers to AI systems based on statistical machine learning that are designed for specific tasks, such as classification, prediction, or decision-making based on structured data.
DIFFERENT ALGORITHMIC METHODS: In terms of algorithmic methods, generative AI often employs complex techniques such as transformers, attention mechanisms, generative adversarial networks, and variational autoencoders to generate content. Analytical AI utilizes a range of generally simpler machine learning approaches including supervised learning, unsupervised learning, and reinforcement learning, as well as various neural network architectures tailored to specific tasks.
DIFFERENT TYPES OF DATA: Generative AI uses text, images, and other relatively unstructured data formats, all in a sequence that can be used to predict other sequences. Analytical AI employs structured data — typically rows and columns of numbers.
DIFFERENT RETURNS ON INVESTMENT: Broadly speaking, generative AI is more likely to yield cost savings from increased productivity in content generation, and analytical AI can yield better decisions, cost savings, and increased sales.
DIFFERENT RISKS: Security concerns around generative AI and analytical AI can differ based on their respective applications, capabilities, and potential risks.
HOW COMPANIES CAN STRIKE THE RIGHT BALANCE BETWEEN ANALYTICAL AND GENERATIVE AI
Companies will need to determine how to allocate management attention, investments, and talent to these two different domains of AI. A primary consideration is how familiar the relevant stakeholders are with the two types of AI. In general, generative AI is the door-opener. It gets non-technical executives and professionals excited about AI and offers few barriers to use. Analytical AI requires more of a statistical orientation to use effectively, so its primary audience is data scientists or quantitative people. That will probably always be a smaller user base than for generative AI, although generative AI interfaces can make it easier for nontechnical people to do simple forms of analytical models. Executives at companies with a large amount of structured data, however, such as financial services, retail, and telecom businesses, are likely to be familiar with analytical AI.
The factors we describe below can provide a guide to the relative emphasis of analytical or generative AI within a company and industry.
CONSIDER YOUR STRATEGY AND BUSINESS MODEL: Does the company’s primary business involve creating, selling, or distributing content? If so, generative AI should be its major focus.
CONSIDER THE FORMAT OF PROPRIETARY AND UNIQUE DATA ASSETS: If the company’s data assets are primarily unstructured content like text, images, or video, generative AI should take precedence. If, on the other hand, most of the company’s data is structured and numerical, it should gravitate toward analytical AI.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
