7 min de lectura
Una empresa de seguros llevaba meses evaluando implementar "inteligencia artificial" para predecir el abandono de clientes. La demo del proveedor era convincente, el contrato se firmó, y seis meses después el sistema está en producción con tres variables de entrada. El modelo funciona bien. Lo que lleva es una regresión logística, que existe desde los años cincuenta.
La regresión logística puede ser exactamente la herramienta correcta para ese problema. El comprador no podía distinguir entre lo que el mercado llama "IA" y lo que realmente recibió, y esa distinción importa más de lo que parece cuando llega la cuenta de mantenimiento.
El mercado ha colapsado tres cosas bajo el mismo nombre. Estadística, Data Science e IA son herramientas con perfiles de costo distintos y capacidades distintas para capturar distintos tipos de patrón. Mezclarlas bajo un solo nombre hace invisible una decisión que tiene consecuencias reales.
Estadística: relaciones entre variables, explicadas
La estadística clásica trabaja sobre relaciones entre variables con supuestos explícitos. Un modelo de regresión lineal expresa que la relación entre las variables de entrada y el resultado tiene una forma conocida, y devuelve cuánto pesa cada variable en esa relación.
La propiedad más valiosa de los modelos estadísticos es la interpretabilidad directa. Si el modelo indica que la probabilidad de abandono sube doce puntos cuando el cliente lleva más de 45 días sin contacto, el equipo que tiene que actuar sobre él puede leer ese resultado directamente.
El costo de mantenimiento es bajo. Los supuestos son explícitos, la validación es directa, y cuando las relaciones del mercado cambian, el modelo se puede reentrenar en horas con datos actualizados.
El límite es el tipo de patrón que pueden capturar. Si la relación entre las variables de entrada y el resultado es lineal o aproximadamente lineal, estadística hace el trabajo. Cuando el patrón tiene interacciones complejas entre variables, no lineales y dependientes del contexto, los modelos estadísticos pierden rendimiento y las predicciones se degradan.
Data Science: predicción a escala con patrones no lineales
El debate que el mercado plantea como "estadística vs. IA" deja fuera lo que hay en el medio. Los modelos de machine learning, el núcleo del trabajo de Data Science, no asumen una forma funcional para la relación entre variables. Un árbol de decisión aprende a partir de los datos qué combinación de variables separa mejor los clientes que se quedan de los que se van. Un modelo de gradient boosting combina cientos de árboles, cada uno corrigiendo los errores del anterior.
El resultado es que pueden capturar patrones no lineales, interacciones entre variables y dependencias de contexto que los modelos estadísticos no alcanzan. La pérdida es de interpretabilidad. Un modelo de LightGBM con cientos de variables y miles de árboles no devuelve coeficientes directos. Puede indicar qué variables importan más en las predicciones, pero no cuánto pesa cada una de forma aditiva y verificable.
El costo de mantenimiento es mayor. El modelo aprende los patrones específicos de los datos con los que fue entrenado. Cuando esos patrones cambian, la degradación no siempre es visible de inmediato, lo que exige monitoreo activo de las métricas en producción. Un modelo de gradient boosting que funciona bien en enero puede estar emitiendo predicciones mediocres en octubre si el comportamiento de los clientes cambió, y sin monitoreo explícito nadie lo nota.
Data Science tiene su lugar cuando el problema tiene suficientes datos históricos y cuando la complejidad del patrón justifica la inversión en mantenimiento. La regresión logística para tres variables no necesita gradient boosting.
IA: qué está detrás del nombre que el mercado usa para todo
Cuando el mercado dice "IA", puede estar refiriéndose a cualquiera de los dos anteriores. Y también a lo que técnicamente merece el nombre, que son las redes neuronales profundas y los modelos de lenguaje de gran escala.
Las redes neuronales profundas dominan en problemas donde los datos tienen estructura que los modelos tabulares no capturan bien, como imágenes o texto no estructurado a escala. Los modelos de lenguaje añaden la capacidad de razonar sobre contexto extenso, lo que abre aplicaciones que los modelos tabulares o los árboles de decisión no podían abordar.
El costo de mantenimiento de estos sistemas es de otro orden. Un modelo de lenguaje en producción requiere infraestructura de inferencia específica y mecanismos de evaluación continua de las salidas. Cuando el proveedor actualiza el modelo base, el comportamiento de la aplicación puede cambiar sin que nadie lo haya programado explícitamente, lo que genera regresiones inesperadas en producción. El ciclo de evaluación es continuo y no opcional.
El problema no es que ninguno de los tres sea mejor. El problema es que "IA" cubre a los tres. Una empresa puede pedir una "solución de IA para retención" y recibir desde una regresión logística hasta un sistema de embeddings, sin información sobre qué hay debajo. Esa ambigüedad hace imposible evaluar si lo que se recibe es lo que el problema necesita, y a qué costo de mantenimiento.
El criterio de elección: complejidad y mantenimiento
Elegir entre los tres depende de qué tipo de patrón tiene el problema y de cuánto cuesta mantener la solución en producción a lo largo del tiempo.
Si el patrón es lineal o aproximadamente lineal, estadística hace el trabajo con el menor costo de mantenimiento. Si el patrón es no lineal y hay suficientes datos históricos, los modelos de machine learning justifican la complejidad adicional. Si el problema involucra imágenes o texto no estructurado a escala, las arquitecturas de deep learning son las herramientas adecuadas.
El error más frecuente es elegir hacia arriba por defecto. Un problema que estadística resuelve bien no necesita gradient boosting. Un problema que gradient boosting resuelve bien no necesita un modelo de lenguaje. Cada paso hacia arriba en complejidad tiene un costo de mantenimiento que persiste después de que el proyecto termina y el proveedor sale de escena.
El segundo error es no presupuestar el mantenimiento. Un modelo en producción no es un entregable estático. Los datos de entrada cambian con el tiempo y el comportamiento del mercado los sigue. El modelo que funcionaba bien hace doce meses puede estar emitiendo predicciones degradadas sin señal clara, y el tipo de herramienta determina cuánto cuesta detectar y corregir esa degradación.
Una pregunta antes de firmar
El nombre "IA" no informa sobre qué herramienta está debajo ni sobre su perfil de costo. Una regresión logística y un transformer tienen perfiles de costo y capacidades que no son comparables.
Preguntar qué tipo de modelo está debajo y qué requiere para mantenerse útil cuando el contexto cambia son preguntas que tienen respuesta técnica concreta. Los proveedores que pueden responderlas con precisión son los que entienden la diferencia entre las tres. Con esa información, es posible evaluar si la herramienta propuesta es la adecuada para el problema, con el costo total que implica.