La petición llega con mucha ilusión: «queremos un agente de IA que prevea la demanda». Adjunto, un Excel con tres años de ventas por referencia y por semana. El plan implícito es pegarle esa tabla a un modelo de lenguaje y pedirle que adivine el mes que viene. Funcionará en la demo. Dará una cifra distinta cada vez que preguntes. Y nadie sabrá explicar por qué ha pedido 400 unidades en vez de 250.
La tesis en una línea: la mitad de los problemas que hoy se presupuestan como «proyecto de IA generativa» los resuelve mejor un modelo de machine learning de los de siempre, entrenado con tu histórico. No por nostalgia técnica: porque es más barato por predicción, da la misma respuesta ante el mismo dato y se puede explicar a un auditor. El LLM gana cuando el dato es lenguaje. Elegir bien no va de qué tecnología está de moda, va de qué forma tiene lo que quieres predecir.
LLM vs machine learning: la pregunta está mal planteada si no miras el dato
Un modelo de lenguaje es una máquina extraordinaria para leer, resumir, redactar y razonar sobre texto que no tiene estructura fija. Un modelo clásico —un árbol de decisión potenciado, una regresión, un modelo de series temporales— es una máquina extraordinaria para encontrar patrones en columnas: miles de filas con las mismas variables y un resultado conocido. Son herramientas distintas para formas de dato distintas, y la mayoría de errores de arquitectura nacen de usar la de moda para la forma equivocada.
| Si lo que tienes es… | Suele ganar | Por qué |
|---|---|---|
| Una tabla con histórico y resultado conocido (ventas, impagos, bajas) | Machine learning clásico | Aprende de tus propios casos, es barato de ejecutar y estable |
| Texto libre: correos, contratos, tickets, notas de llamada | LLM | Entiende lenguaje sin que alguien defina antes cada columna |
| Documentos con formato caótico | LLM (a menudo junto a OCR) | Lee estructura variable; el clásico necesita plantilla |
| Una regla que cabe en una frase | Ni uno ni otro: una regla de negocio | Lo más barato y explicable es no entrenar nada |
Esto no es una opinión de consultor. En 2022, un equipo de investigadores de Inria y Sorbonne Université comparó modelos de árboles con redes profundas en 45 conjuntos de datos tabulares de tamaño medio (del orden de 10.000 filas) y concluyó que los árboles seguían siendo el estado del arte en ese terreno (Grinsztajn, Oyallon y Varoquaux, NeurIPS 2022). Ese trabajo no comparaba LLM, pero dice algo útil: en datos tabulares, lo más sofisticado no es lo que mejor predice.
Tres trabajos donde el modelo clásico gana sin discusión
Previsión de demanda
Es el caso de la escena inicial. En la competición M5 de previsión —42.840 series de ventas diarias por unidad de Walmart—, la mayoría de las soluciones que quedaron en cabeza se apoyaron en LightGBM, un modelo de árboles potenciados (Makridakis, Spiliotis y Assimakopoulos, International Journal of Forecasting, 2022). Ningún ganador le pidió a un chat que leyera la tabla. Existen ya modelos fundacionales específicos para series temporales y merece la pena probarlos como línea base; pero son otra familia, no un asistente de texto al que le pegas un Excel.
Scoring y clasificación de casos
Probabilidad de impago, de baja de un cliente, de que un lead acabe comprando, de que una factura se pague tarde. Todo eso es clasificación sobre columnas, y es el terreno natural de los modelos de árboles. Entrenados con tus casos cerrados, te dan una probabilidad, el peso de cada variable en esa probabilidad y la misma respuesta mañana ante el mismo cliente.
Detección de anomalías
Un pago que no encaja con el patrón del proveedor, un consumo que se dispara, un pedido con un margen imposible. Revisar millones de transacciones con un LLM es caro y lento. Un modelo estadístico o de árboles lo hace en milisegundos por fila y deja al LLM, si acaso, la tarea de redactar la alerta para la persona que tiene que decidir.
Dónde gana el LLM (y por mucho)
El otro lado es igual de claro. Un modelo clásico no lee un correo de reclamación, no entiende que «lo de siempre pero sin la caja grande» es un pedido, no extrae la cláusula de penalización de un contrato de cuarenta páginas. Ahí el LLM no compite: es la única opción razonable. También gana cuando no tienes histórico —un proceso nuevo, sin casos cerrados de los que aprender— y cuando lo que necesitas como salida es lenguaje: una respuesta, un resumen, un borrador.
Por eso el criterio de elegir modelo nunca es «cuál es mejor», sino para qué tarea. Es la misma lógica que aplicamos dentro de un sistema con agentes cuando decidimos qué modelo usar en un agente según la tarea, la latencia y el coste por caso: el que encabeza el ranking rara vez es el que conviene en cada paso.
El patrón que gana en producción: el LLM convierte texto en columnas, el clásico decide
La versión madura de este debate no es elegir bando. Es encadenar. El LLM lee lo desestructurado —el correo del cliente, el albarán escaneado, la nota del comercial— y lo convierte en campos: motivo, importe, urgencia, producto. Esos campos alimentan un modelo clásico que puntúa, prevé o detecta. Y una persona revisa lo que cae fuera del corredor.
Cada pieza hace lo que mejor sabe hacer, y el sistema es auditable por tramos: sabes qué leyó el LLM, qué columnas generó y qué variable pesó más en la decisión. Ya vimos ese mismo híbrido al comparar OCR clásico y modelos multimodales para leer documentos: en producción gana la combinación, no el empate técnico. Y la frontera de qué revisa una persona no se improvisa; se diseña con criterios de humano en el bucle en la automatización con IA.
Cuando la decisión afecta a una persona, explicar no es opcional
Hay un argumento que no es técnico y suele decidir solo. Si tu modelo puntúa a personas —crédito, contratación, precios, acceso a un servicio—, tendrás que explicar por qué. En la Unión Europea, el Tribunal de Justicia resolvió en diciembre de 2023 que calcular una puntuación de solvencia puede ser en sí una decisión automatizada del artículo 22 del RGPD cuando un tercero se apoya de forma determinante en ella (TJUE, asunto C-634/21, SCHUFA, comunicado de prensa). Eso arrastra deberes de transparencia sobre la lógica aplicada.
Un modelo de árboles te deja señalar qué variables movieron la puntuación de cada caso. Un LLM puede generar una explicación que suena razonable, pero eso no es lo mismo que la razón por la que decidió. Para cualquier decisión con consecuencias sobre una persona, esa diferencia es la que sostiene o tumba tu sistema ante un regulador. Y conviene que cada decisión quede registrada con su porqué: es justo lo que resuelve la trazabilidad de decisiones de IA.
Cuándo NO montar un modelo clásico
Llevar la contraria a la moda no es llevársela siempre. Un modelo clásico es mala idea en estos casos:
- No tienes histórico con resultado. Sin casos cerrados no hay nada de lo que aprender. Un LLM con buenas instrucciones o una regla te dan algo útil desde el primer día; el modelo clásico, nada.
- Tienes muy pocas filas. Con unas decenas de ejemplos, cualquier patrón que encuentre el modelo es ruido con buena presencia.
- El proceso cambia cada mes. Si las reglas del negocio se mueven más rápido de lo que acumulas datos, el modelo siempre irá con el mapa del trimestre pasado.
- Lo resuelve una regla. «Si la factura supera X y el proveedor es nuevo, revisar» no necesita entrenamiento. Es la opción más barata, más rápida y más explicable de las tres.
Cuatro preguntas antes de pedir presupuesto
- ¿Lo que quiero predecir cabe en una columna con respuesta conocida en mi histórico?
- ¿Cuántos casos cerrados tengo y cuánto se parecen los de hoy a los de hace dos años?
- ¿Alguien tendrá que explicar cada decisión a un cliente, a un auditor o a un regulador?
- ¿Mi entrada es una tabla, un texto o las dos cosas?
Si contestas «sí, muchos, sí, tabla», el proyecto no es de IA generativa, y quien te lo venda como tal te está cobrando por la palabra. Si contestas «no, pocos, no, texto», el LLM es tu herramienta. Y si sale un poco de todo —lo normal—, lo que necesitas es una arquitectura que ponga cada modelo en su sitio. Para ordenar por dónde empezar sirve la guía de qué procesos automatizar con IA; para montar la pieza entera, con datos, modelos y supervisión, está nuestro servicio de infraestructura de IA empresarial.
La IA no se elige por el titular. Se elige por la forma del dato. Y a veces la respuesta más moderna es un modelo de hace diez años bien entrenado con tus números.