¿Qué es la IA generativa?

En los cursos anteriores aprendiste qué es la IA y cómo usarla en el día a día. Ahora nos adentramos en uno de sus campos más apasionantes: la IA generativa, es decir, la inteligencia artificial que crea contenidos nuevos. Textos, imágenes, vídeos, música, código, modelos 3D: la IA generativa puede producir todo eso, y en los últimos años la calidad ha alcanzado un nivel que hace poco era impensable.

Pero ¿qué significa exactamente «generativa»? ¿Y en qué se diferencia la IA generativa de otras formas de inteligencia artificial? En esta lección obtienes la visión general que necesitas para entender a fondo las siguientes lecciones de este curso.

¿Qué significa «generativa»? La palabra «generativa» viene del latín «generare»: producir, crear. La IA generativa designa los sistemas de IA capaces de producir contenidos nuevos y originales que no existían como tales en los datos de entrenamiento. A diferencia de la IA analítica, que clasifica datos existentes o reconoce patrones, la IA generativa crea algo nuevo. Cuando le pides a ChatGPT que escriba una historia o haces que Midjourney genere una imagen, estás trabajando con IA generativa.

Modelos generativos frente a modelos discriminativos

Para entender de verdad la IA generativa, conviene saber de qué se diferencia. En la investigación en IA se distinguen dos tipos fundamentales de modelos:

Modelos discriminativos

Analizan y clasifican datos existentes. Responden a la pregunta: «¿Qué es esto?»

Ejemplos:

Filtro de spam: ¿este correo es spam o no?
Reconocimiento de imágenes: ¿la foto muestra un gato o un perro?
Evaluación de créditos: ¿esta solicitud es arriesgada?
Diagnóstico médico: ¿la imagen muestra una anomalía?

Los modelos discriminativos toman decisiones sobre datos existentes, pero no producen contenidos nuevos.

Modelos generativos

Producen datos nuevos parecidos a los datos de entrenamiento. Responden a la pregunta: «¿Qué podría existir?»

Ejemplos:

ChatGPT/Claude: producen textos nuevos que suenan humanos
ChatGPT/Midjourney: producen imágenes nuevas a partir de descripciones de texto
Veo/Kling: producen vídeos nuevos a partir de prompts
Suno: produce piezas musicales nuevas

Los modelos generativos aprenden la estructura y los patrones de los datos de entrenamiento y, a partir de ellos, pueden crear algo nuevo.

¿Qué contenidos puede producir la IA generativa?

Hoy el abanico de la IA generativa es enorme. Estos son los tipos de contenido más importantes que los sistemas de IA ya pueden producir:

Generación de texto

Los grandes modelos de lenguaje (Large Language Models, LLM) como ChatGPT, Claude, Gemini o Llama producen textos de todo tipo: artículos, correos, resúmenes, traducciones, escritura creativa, análisis. Hoy la calidad es tan alta que a menudo ya no se pueden distinguir los textos generados por IA de los escritos por personas.

Situación en 2026: textos de hasta varios miles de palabras con calidad constante, compatibilidad con más de 100 idiomas, memoria del contexto a lo largo de conversaciones extensas.

Generación de imágenes

Herramientas como ChatGPT, Midjourney, Nano Banana (Google), Stable Diffusion y FLUX producen imágenes fotorrealistas, ilustraciones, arte y diseños a partir de descripciones de texto. De fotos de producto a pinturas artísticas. La calidad ya supera la de muchas fotos de stock profesionales.

Situación en 2026: fotorrealismo de nivel profesional, personajes coherentes, reproducción fiable de texto en las imágenes, resoluciones de hasta 4K+.

Generación de vídeo

Los modelos text-to-video como Veo (Google), Runway, Kling y Pika pueden producir videoclips cortos a partir de descripciones de texto. La evolución es vertiginosa: todavía en 2023 los resultados apenas eran utilizables; en 2026 están listos para producción en muchos casos de uso.

Situación en 2026: clips que suelen durar entre 5 y 15 segundos en HD, a menudo con sonido adecuado, mejor coherencia física, control de cámara, escenas con varios planos.

Generación de audio y música

La IA puede producir voz, música y efectos de sonido. Los modelos text-to-speech (TTS) como ElevenLabs producen voces que suenan naturales. Los generadores de música como Suno crean canciones completas con voz cantada en distintos géneros.

Situación en 2026: TTS casi indistinguible de voces reales, clones de voz personalizados, canciones completas con arreglos y voz cantada con calidad de estudio.

Generación de código

Los asistentes de IA como GitHub Copilot, Claude Code y Cursor escriben código funcional en decenas de lenguajes de programación. Pueden generar funciones completas, tests, documentación e incluso pequeñas aplicaciones completas.

Situación en 2026: generación fiable de funciones y clases, sugerencias que tienen en cuenta el contexto, corrección automática de errores, desarrollo de funcionalidades completas basado en agentes.

Generación 3D

Los modelos más recientes pueden generar objetos y escenas 3D a partir de texto o imágenes. Para el desarrollo de videojuegos, la arquitectura y el diseño de productos, es un cambio radical. Ejemplos: Meshy, Tripo, Luma AI.

Situación en 2026: modelos 3D utilizables a partir de imágenes sueltas o descripciones de texto, texturizado automático, primeros avances en personajes 3D animados.

¿Cómo funciona la generación? (explicado de forma sencilla)

Sin entrar demasiado en las matemáticas: durante el entrenamiento, los modelos generativos aprenden la estructura estadística de sus datos de entrenamiento. Construyen un modelo interno, el llamado espacio latente (latent space), que representa de forma comprimida las características y relaciones esenciales de los datos.

Cuando introduces un prompt, el modelo navega por este espacio latente y muestrea (es decir, selecciona) nuevos puntos de datos que encajan con tu petición. En los modelos de lenguaje, eso significa que se elige token a token el siguiente token, normalmente uno de los más probables. En los modelos de imagen, se construye paso a paso una imagen a partir de ruido. El resultado es un poco distinto cada vez. Por eso obtienes resultados diferentes con los mismos prompts.

Hitos de la IA generativa

La evolución fue exponencialmente rápida. Estos son los hitos más importantes:

2020: GPT-3. OpenAI publica GPT-3, con 175 000 millones de parámetros. Por primera vez, las máquinas pueden generar textos coherentes y convincentes. El mundo se asombra, pero el acceso es limitado.
2021: DALL-E y Codex. Por primera vez, la IA genera imágenes utilizables a partir de texto. Codex (la base de GitHub Copilot) demuestra que la IA también sabe programar.
2022: el año del gran avance. Stable Diffusion lleva la generación de imágenes al código abierto. Midjourney ofrece imágenes artísticas. DALL-E 2 se abre al público. Y en noviembre de 2022 llega ChatGPT y lo cambia todo. Se calcula que alcanzó 100 millones de usuarios en 2 meses.
2023: GPT-4 y multimodalidad. GPT-4 muestra capacidades muy superiores. Claude 2 y Gemini entran en escena. Los modelos se vuelven multimodales (texto + imagen).
2024: vídeo y audio. Se anuncia Sora, y los generadores de música como Suno se vuelven populares. Los modelos abiertos (Llama, Mixtral) se acercan a los modelos punteros.
2025–2026: agentes e integración. Los agentes de IA pueden realizar por sí solos tareas de varios pasos. La IA generativa se integra en sistemas operativos, paquetes ofimáticos y software sectorial. Los modelos de vídeo producen a la vez el sonido adecuado (p. ej., Google Veo, 2025), y modelos abiertos como DeepSeek R1 demuestran que el máximo rendimiento también puede costar menos.

Importancia económica

La IA generativa no es un juguete: está transformando sectores enteros. En 2023, McKinsey estimó el posible valor económico añadido de la IA generativa entre 2,6 y 4,4 billones de USD al año. Los sectores más afectados: marketing e industrias creativas, desarrollo de software, atención al cliente, educación, sanidad y asesoría jurídica. Las empresas que usan la IA generativa pronto y con inteligencia obtienen una ventaja competitiva medible.

Dato comprobado: según Sam Altman, director de OpenAI, ChatGPT alcanzó un millón de usuarios en unos cinco días (diciembre de 2022).

¿Cuál es la diferencia central entre los modelos de IA generativos y los discriminativos?

¡Correcto! Los modelos generativos producen datos nuevos (textos, imágenes, vídeos), mientras que los modelos discriminativos analizan y clasifican datos existentes (p. ej., detectar spam o categorizar imágenes).

No exactamente. La diferencia central está en la función: los modelos generativos crean contenidos nuevos (textos, imágenes, vídeos), mientras que los modelos discriminativos analizan datos existentes y los clasifican en categorías. Ambos pueden usar deep learning y existir en distintos tamaños.

Puntos clave:

La IA generativa produce contenidos nuevos y originales: textos, imágenes, vídeos, audio, código y modelos 3D.
A diferencia de los modelos discriminativos (que clasifican datos), los modelos generativos crean algo nuevo a partir de patrones aprendidos.
La generación funciona mediante un espacio latente en el que el modelo muestrea nuevos puntos de datos que encajan con tu prompt.
La evolución fue explosiva: de GPT-3 (2020) a los agentes de IA y la integración en el software de uso diario (2026), pasando por ChatGPT (2022).
El impacto económico es enorme: la IA generativa transforma a fondo sectores como el marketing, el software, la educación y la sanidad.

Esta lección forma parte de un curso con examen final y certificado. Ver el curso «IA generativa»