Guía Completa de Inteligencia Artificial
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
Qué es la IA, cómo se relaciona con el machine learning y la IA generativa, dónde se aplica, qué riesgos tiene y cómo la regulan los marcos internacionales y Argentina.
Resumen de la guía: la inteligencia artificial (IA) es el conjunto de técnicas que permite que un sistema informático infiera, a partir de los datos que recibe, cómo generar resultados (predicciones, contenidos, recomendaciones o decisiones) que influyen en un entorno. En esta guía vas a encontrar cómo se organiza el campo, cómo aprende un modelo, dónde se usa, qué riesgos plantea y qué dicen la OCDE, la UNESCO, el NIST, la Unión Europea y la normativa argentina.
¿Qué es la Inteligencia Artificial?
No hay una única definición, pero la más usada en política pública es la de la OCDE, que la actualizó en noviembre de 2023 y que la Unión Europea tomó como base para su ley de IA.
Según esa definición, un sistema de IA es un sistema basado en máquina que, para objetivos explícitos o implícitos, infiere a partir de la información que recibe cómo generar resultados (predicciones, contenidos, recomendaciones o decisiones) que pueden influir en entornos físicos o virtuales. Además, los sistemas de IA varían en su nivel de autonomía y de capacidad de adaptación una vez puestos en uso.
La palabra clave es “inferir”: el sistema no se limita a ejecutar reglas escritas una por una por una persona, sino que obtiene patrones de los datos y los aplica a situaciones nuevas.
Una breve línea de tiempo
1950
Alan Turing plantea la pregunta “¿pueden pensar las máquinas?” y propone su famosa prueba.
1956
En la conferencia de Dartmouth se acuña el término “inteligencia artificial”.
Décadas de 1970 y 1980
Sistemas expertos y los llamados “inviernos de la IA”, con períodos de menor financiamiento.
2012 en adelante
El aprendizaje profundo despega gracias a más datos, más poder de cómputo y mejores algoritmos. En 2017 aparece la arquitectura transformer, base de los modelos de lenguaje actuales.
2022 en adelante
La IA generativa llega al público masivo.
Si preferís una introducción en video antes de seguir, este material resume los conceptos básicos que desarrollamos a continuación.
IA, Machine Learning, Deep Learning e IA generativa: cómo se relacionan
Se usan como sinónimos, pero son capas incluidas una dentro de otra.
Inteligencia Artificial
Cualquier sistema que realiza tareas asociadas a capacidades cognitivas: percibir, razonar, decidir, generar lenguaje.
Machine Learning
Sistemas que aprenden patrones desde datos, sin que alguien escriba cada regla.
Deep Learning
Redes neuronales de muchas capas, muy potentes con imágenes, audio y texto.
IA generativa
Modelos que producen texto, imágenes, audio o código nuevos a partir de lo aprendido.
Ejemplo de las diferencias. Sistema de reglas: SI el ingreso supera cierto monto Y el puntaje es alto, ENTONCES aprobar el crédito. Machine learning: un modelo que aprende de miles de casos históricos cuáles son los mejores predictores de pago. Deep learning: una red que analiza texto, imágenes y series de tiempo a la vez. IA generativa: un asistente que redacta la respuesta al cliente.
Para profundizar cada capa tenés la guía de Machine Learning y la guía de IA generativa. Y si querés ver cómo se conecta todo con el trabajo con datos, la guía de Ciencia de Datos.
- ¿Todo el machine learning es IA? ¿Toda la IA es machine learning?
Ver respuesta
El machine learning es una parte de la IA. Hay IA que no aprende de datos (un sistema experto con reglas fijas), aunque casi toda la IA actual usa machine learning.
Tipos de IA
Hay dos formas habituales de clasificarla: por su alcance y por la técnica que usa.
Por alcance
| Tipo | Qué es | Estado actual |
|---|---|---|
| IA estrecha (ANI) | Resuelve tareas específicas: traducir, clasificar imágenes, recomendar contenido. | Es toda la IA que existe hoy en uso real. |
| IA general (AGI) | Hipotético sistema capaz de aprender cualquier tarea intelectual humana. | No existe; su definición y su viabilidad se debaten. |
| Superinteligencia | Hipotético sistema que supere al humano en prácticamente todo. | Especulativa; se discute sobre todo en seguridad de la IA. |
Por técnica o rama
Aprendizaje automático
Aprende patrones desde datos para predecir o clasificar.
Procesamiento de lenguaje natural
Entiende y genera lenguaje humano: traducción, resumen, asistentes.
Visión por computadora
Interpreta imágenes y video: diagnóstico por imágenes, control de calidad.
Robótica
Combina percepción, decisión y acción en el mundo físico.
Sistemas de recomendación
Sugieren productos, contenidos o rutas según el comportamiento.
Tenés el detalle de cada una en la guía de ramas de la IA.
Cómo aprende un sistema de IA
Un modelo de machine learning ajusta sus parámetros internos comparando sus predicciones con ejemplos. Según el tipo de ejemplos que tenga, se habla de tres grandes paradigmas.
| Paradigma | Datos | Ejemplo típico |
|---|---|---|
| Supervisado | Ejemplos con la respuesta correcta (etiquetas). | Detectar fraude en transacciones, predecir precios. |
| No supervisado | Datos sin etiquetas; el modelo busca estructura. | Segmentar clientes, detectar anomalías. |
| Por refuerzo | Un agente prueba acciones y recibe recompensas. | Juegos, robótica, optimización de rutas. |
El flujo de trabajo, en seis pasos
Definir el problema
Qué se quiere predecir o generar y cómo se va a medir si funciona.
Reunir y limpiar los datos
La calidad de los datos define el techo de lo que el modelo puede lograr.
Entrenar
El algoritmo ajusta sus parámetros con los datos de ejemplo.
Evaluar
Se mide el desempeño con datos que el modelo no vio durante el entrenamiento.
Poner en uso
El modelo se integra a un producto o proceso real.
Monitorear
Se vigila que siga funcionando cuando cambian los datos o el contexto.
Si los datos están sesgados, incompletos o desactualizados, el modelo reproduce esos problemas, por más sofisticado que sea el algoritmo.
Aplicaciones reales de la IA
La IA ya no es una promesa: está en procesos cotidianos de casi todos los sectores.
Salud
Apoyo al diagnóstico por imágenes, análisis de señales biomédicas, descubrimiento de fármacos.
Agro y ambiente
Predicción de cosechas, monitoreo satelital, detección de deforestación.
Finanzas y comercio
Detección de fraude, scoring, recomendaciones y pronóstico de demanda.
Industria y logística
Mantenimiento predictivo, control de calidad, optimización de rutas.
Educación y servicios
Asistentes conversacionales, traducción, resumen y búsqueda de información.
Proyectos reales con datos abiertos
En el Laboratorio de Datos del Instituto hay proyectos reales que muestran cómo se aplican estas técnicas de punta a punta:
Herramientas y lenguajes
Las herramientas cambian rápido; los fundamentos (estadística, manejo de datos, evaluación de modelos) cambian mucho más despacio y son los que conviene priorizar.
| Categoría | Ejemplos |
|---|---|
| Lenguaje | Python es el estándar de facto por su ecosistema; R se usa mucho en estadística. |
| Datos | pandas, NumPy, SQL. |
| Machine learning | scikit-learn, XGBoost. |
| Deep learning | PyTorch, TensorFlow, Keras. |
| Lenguaje natural y generativa | Hugging Face Transformers, APIs de modelos de lenguaje, bases de datos vectoriales. |
| Entorno | Jupyter, Google Colab, Git. |
Si querés ver cómo se ubican estas herramientas dentro de cada rol profesional, mirá la guía de roles y especialidades en datos.
Riesgos y ética de la IA
La IA puede equivocarse, reproducir sesgos, afectar la privacidad y generar contenido falso convincente. Conocer estos riesgos es parte de usarla bien.
Si los datos de entrenamiento reflejan desigualdades, el modelo las reproduce y puede amplificarlas.
Los modelos se entrenan y se usan con datos personales que requieren base legal y cuidado.
Los modelos generativos pueden afirmar con seguridad cosas falsas que suenan plausibles.
Algunos modelos son difíciles de explicar, lo que complica auditar sus decisiones.
El contenido sintético (texto, imagen, audio) facilita campañas de engaño a escala.
Contrastá los datos importantes con fuentes confiables y no delegues decisiones sensibles sin supervisión humana. Profundizamos en la guía de ética y regulación en inteligencia artificial.
Marcos y regulación de la IA
Existen marcos internacionales que orientan el uso responsable de la IA y leyes que ya lo exigen en algunos territorios. Distinguir cuáles son obligatorios es lo más importante.
| Marco | Qué es | ¿Es obligatorio? |
|---|---|---|
| Principios de la OCDE sobre IA | Primer estándar intergubernamental (2019), actualizado en mayo de 2024. Promueve una IA innovadora, confiable y respetuosa de los derechos humanos. | No, son recomendaciones. |
| Recomendación de la UNESCO sobre la ética de la IA | Adoptada en noviembre de 2021 por los 193 Estados miembros. Cubre derechos humanos, transparencia, equidad y supervisión humana. | No es vinculante. |
| NIST AI Risk Management Framework 1.0 | Marco de EE. UU. (enero de 2023) para gestionar riesgos de IA, organizado en cuatro funciones: gobernar, mapear, medir y gestionar. Tiene un perfil para IA generativa (NIST AI 600-1, julio de 2024). | No, es voluntario. |
| Ley de IA de la Unión Europea (Reglamento 2024/1689) | Primera ley integral del mundo. Regula según el nivel de riesgo: prácticas prohibidas, sistemas de alto riesgo, obligaciones de transparencia y riesgo mínimo. | Sí, dentro de la UE y para quienes ofrecen sistemas en ese mercado. Se aplica por etapas. |
El cronograma de aplicación de la ley europea se modificó en 2026 con un paquete de simplificación que pospuso varias obligaciones, y las fuentes secundarias no coinciden en todas las fechas. Antes de usar un plazo concreto, confirmalo en el texto oficial en EUR-Lex y en la página de la Comisión Europea.
¿Y en Argentina?
A octubre de 2026, Argentina no tiene una ley integral de inteligencia artificial: hay varios proyectos en el Congreso y uno del Poder Ejecutivo, pero ninguno fue sancionado hasta donde pudimos verificar. Lo que sí rige:
Ley 25.326 de Protección de Datos Personales
Su artículo 20 establece que las decisiones judiciales o los actos administrativos que impliquen una valoración de conducta humana no pueden basarse únicamente en el tratamiento automatizado de datos que dé una definición del perfil de la persona, y que los actos contrarios son insanablemente nulos.
Disposición 2/2023 de la Subsecretaría de Tecnologías de la Información
Publicada en el Boletín Oficial el 2 de junio de 2023. Contiene recomendaciones, no obligatorias, para una IA confiable en el sector público.
IA y trabajo
El informe Future of Jobs 2025 del Foro Económico Mundial proyecta una transformación profunda del empleo hacia 2030.
Son proyecciones basadas en encuestas a empleadores, no certezas: sirven para ver tendencias, no para predecir un puesto en particular. Lo que sí se ve con claridad es que aparecen perfiles que combinan dominio de un área con manejo de datos. Los conocés en la guía de roles y especialidades en datos.
Fuente: Foro Económico Mundial – The Future of Jobs Report 2025.
Cómo aprender IA por tu cuenta
Un recorrido razonable para estudiar por tu cuenta, de los conceptos a la práctica.
Entender los conceptos
Qué es la IA, cómo aprende un modelo y cuáles son sus límites. Esta guía y la de ramas de la IA cubren esa base y no requieren conocimientos previos.
Programar en Python y manejar datos
Python, pandas y SQL son la base de casi cualquier trabajo con IA.
Aprender machine learning
Algoritmos, evaluación de modelos y sobreajuste, con ejercicios prácticos. Empezá por la guía de Machine Learning.
Practicar con proyectos
Trabajá con datos abiertos y documentá tus decisiones y resultados. Podés tomar como modelo los proyectos del Laboratorio de Datos.
Seguir la evolución del campo
El AI Index de Stanford publica cada año un panorama con datos.
Para ubicar la IA dentro del trabajo con datos, la guía de Ciencia de Datos funciona como mapa.
Glosario de IA
| Término | Qué significa |
|---|---|
| Algoritmo | Secuencia de pasos definidos para resolver un problema. |
| Modelo | Representación matemática aprendida a partir de datos, que se usa para predecir o generar. |
| Entrenamiento | Proceso de ajustar un modelo con datos de ejemplo. |
| Sobreajuste (overfitting) | Cuando un modelo memoriza los datos de entrenamiento y generaliza mal. |
| Sesgo | Error sistemático que favorece o perjudica a ciertos grupos, a menudo heredado de los datos. |
| Red neuronal | Modelo inspirado vagamente en el cerebro, formado por capas de unidades conectadas. |
| LLM (modelo de lenguaje grande) | Modelo entrenado con enormes cantidades de texto para predecir y generar lenguaje. |
| Alucinación | Respuesta que suena plausible pero es falsa o inventada por un modelo generativo. |
| RAG | Técnica que combina un modelo de lenguaje con una búsqueda en fuentes externas para fundamentar las respuestas. |
Preguntas frecuentes sobre Inteligencia Artificial
¿La IA piensa como una persona?
No. Los sistemas actuales detectan patrones estadísticos en los datos; no tienen comprensión ni conciencia en el sentido humano. Pueden resolver tareas muy bien y fallar de maneras que una persona no fallaría. Lo vemos en Tipos de IA.
¿Cuál es la diferencia entre IA y machine learning?
El machine learning es una parte de la IA: la que logra que los sistemas aprendan patrones desde datos. Casi toda la IA actual lo usa, pero existen sistemas de IA basados en reglas fijas. Ampliamos en IA, Machine Learning, Deep Learning e IA generativa.
¿La IA me va a quitar el trabajo?
Probablemente transforme muchas tareas más que reemplazar puestos completos. Las proyecciones disponibles, como las del Foro Económico Mundial, hablan de creación y desplazamiento simultáneos, con diferencias según el sector. Mirá los números en IA y trabajo.
¿Hace falta ser matemático para entender IA?
Para usarla y comprender los conceptos, no. Para desarrollar y evaluar modelos con criterio conviene manejar estadística, probabilidad y álgebra lineal a un nivel básico o intermedio, que se puede construir de a poco.
¿Puedo confiar en lo que responde una IA generativa?
Con cautela. Pueden “alucinar”, es decir, afirmar cosas falsas con seguridad. Conviene contrastar datos importantes con fuentes confiables y no delegar decisiones sensibles sin supervisión humana. Más en Riesgos y ética de la IA.
¿Hay una ley de inteligencia artificial en Argentina?
A octubre de 2026 no hay una ley integral sancionada. Rigen normas generales, como la Ley 25.326 de protección de datos personales, y recomendaciones para el sector público. Los detalles están en Marcos y regulación de la IA.
¿Qué es la ley de IA europea y me afecta desde Argentina?
Es el Reglamento (UE) 2024/1689, que regula los sistemas de IA según su nivel de riesgo. Se aplica dentro de la Unión Europea y a quienes ofrecen sistemas de IA en ese mercado, incluso desde otros países. Si vas a trabajar con clientes europeos, conviene revisar el texto y los plazos vigentes en EUR-Lex.
Cómo seguir después de esta guía
Si llegaste hasta acá, ya tenés un mapa de qué es la IA y cómo se ordena el campo. Estos son los próximos pasos:
- Profundizá la capa que más te interesa: Machine Learning, IA generativa o ramas de la IA.
- Entendé el marco responsable: leé la guía de ética y regulación.
- Armá tu primer proyecto: tomá como modelo los proyectos del Laboratorio de Datos.
Esta guía es informativa y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes oficiales consultadas: OCDE – definición actualizada de sistema de IA · UNESCO – Recomendación sobre la ética de la IA · NIST – AI Risk Management Framework · NIST AI 600-1 – Generative AI Profile · Reglamento (UE) 2024/1689 · Comisión Europea – marco regulatorio de la IA · Ley 25.326 · Disposición 2/2023 SSTI · WEF – Future of Jobs Report 2025. Consultadas en octubre de 2026.