Llevo más de siete años trabajando en proyectos de optimización con empresas de logística, energía, retail, industria y pharma. Y hay una conversación que se repite casi siempre al principio de cada proyecto: la empresa llega convencida de que necesita inteligencia artificial, pero no tiene claro qué tipo ni para qué.

No es un problema de ignorancia. Es un problema de mercado. Hemos pasado los últimos años hablando de la IA como si fuera una sola cosa, cuando en realidad estamos hablando de tecnologías con naturalezas, lógicas y aplicaciones completamente distintas. Y esa confusión tiene un coste real: empresas que invierten en la herramienta equivocada para el problema que tienen, obtienen resultados mediocres y sacan la conclusión de que la IA no funciona.

Este artículo es un intento de poner orden en esa conversación.

Dos tecnologías, dos lógicas distintas

Cuando hablamos de IA en el entorno empresarial, hay dos grandes categorías que conviene distinguir: la IA Generativa, o GenAI, y la IA encargada de mejorar la toma de decisiones, que en Baobab AI llamamos Decision AI.

La GenAI es la que la mayoría conoce. Es la tecnología detrás de herramientas como ChatGPT: le haces una pregunta, interpreta el contexto y genera una respuesta. Funciona a partir de modelos de lenguaje entrenados con enormes volúmenes de datos, y su fortaleza está en la fluidez: es capaz de redactar, resumir, traducir, responder preguntas y generar contenido de forma rápida y natural. Es, como me gusta decir, como tener un asistente que sabe de todo y al que puedes preguntar cualquier cosa en cualquier momento.

Su valor en el día a día es innegable. Un equipo comercial que usa GenAI para preparar propuestas, un departamento de marketing que la usa para generar borradores o un directivo que la usa para resumir informes largos en minutos, todos están obteniendo un retorno real. La GenAI hace las cosas más rápido. Eso es un gran avance.

Pero tiene un límite claro: no está diseñada para resolver problemas operativos complejos. Y aquí es donde entra la Decision AI.

La Decision AI trabaja desde una lógica completamente diferente. Su base son los modelos de programación lineal entera mixta, una rama de las matemáticas aplicadas con décadas de desarrollo detrás. Lo que estos modelos hacen, sin entrar en los detalles más técnicos, es representar un sistema real con todas sus variables, restricciones y objetivos, y explorar el espacio de soluciones posibles para encontrar la óptima. No solo aprende de datos históricos para replicar un comportamiento. Entiende las reglas del sistema y las usa para mejorar el resultado más allá de lo que cualquier persona podría conseguir manualmente.

El ejemplo que más ayuda a entenderlo

Imagina una empresa de paquetería que mueve 400.000 envíos al día. Tiene una flota de vehículos, una red de almacenes, ventanas de entrega comprometidas con los clientes y un coste de combustible que no para de subir. Cada mañana, alguien tiene que decidir qué vehículo hace qué ruta, en qué orden, con qué carga.

Una herramienta de GenAI puede ayudar a ese equipo a comunicarse mejor, a resumir incidencias o a preparar el informe de fin de día. Pero no puede decirte cuál es la combinación óptima de rutas y vehículos que minimiza el coste total mientras cumple todos los compromisos de entrega. Las combinaciones posibles son millones. Un humano no puede evaluarlas todas. Un modelo de Decision AI sí.

Y cuando hablamos de empresas con facturaciones de decenas o cientos de millones de euros, una mejora del 5% o del 10% en la eficiencia de las rutas no es un detalle. Es un impacto que justifica la inversión muchas veces.

He trabajado en proyectos de rutas de vehículos, gestión de stocks, cadenas de suministro de petróleo a nivel nacional, calendarios universitarios y distribución marítima. Problemas muy distintos entre sí, pero con algo en común: todos tenían un sistema con reglas definibles, un objetivo claro y un margen de mejora que la solución manual no podía capturar. Ese es exactamente el terreno de la Decision AI.

¿Qué tecnología de IA es más transparente?

Hay una distinción entre GenAI y Decision AI que va más allá de lo técnico y que en mi experiencia es la que más resuena: la transparencia del proceso.

La GenAI funciona como una caja negra. Sabemos lo que le preguntamos y sabemos lo que nos responde, pero el proceso intermedio no es auditable. Esto no es un problema cuando usamos la herramienta para generar un borrador o resumir un documento. Pero sí lo es cuando la decisión tiene consecuencias operativas y económicas relevantes, y necesitamos saber exactamente por qué el sistema llegó a esa conclusión.

La Decision AI funciona al revés. Cada restricción del modelo está explícitamente definida por el equipo que lo construye. Cada variable es visible. Cada resultado es trazable. Si el modelo recomienda cerrar un almacén o cambiar la frecuencia de reposición de un producto, podemos señalar exactamente qué datos y qué reglas llevaron a esa recomendación. Puedes estar de acuerdo o no, pero puedes cuestionarlo con fundamento.

Para una empresa que opera en sectores regulados, que tiene que rendir cuentas ante un consejo de administración o que simplemente quiere entender y controlar lo que hace su tecnología, esa transparencia no es un lujo. Es un requisito.

¿Son compatibles? No solo eso: se complementan

Una pregunta que se hace a menudo es si tiene sentido implementar las dos tecnologías a la vez. La respuesta es sí, y además creo que esa combinación es hacia donde va el mercado.

Cada tecnología tiene su campo natural. La GenAI es extraordinaria para todo lo que implica lenguaje, comunicación y eficiencia en tareas del conocimiento. La Decision AI es insustituible cuando el problema es operativo, complejo y tiene un impacto económico claro. No compiten. Se complementan.

De hecho, ya estamos viendo las primeras aplicaciones donde ambas trabajan juntas de forma integrada: un modelo de optimización resuelve un problema complejo de planificación y sus resultados, que en bruto serían tablas y parámetros matemáticos, son interpretados por una IA generativa que los convierte en un informe en lenguaje natural que cualquier directivo puede leer, entender y usar para tomar decisiones. Lo mejor de cada mundo.

Qué preguntarse antes de la próxima inversión en IA

Si estás pensando en incorporar IA a tu operativa, la pregunta que más te va a ayudar no es «¿qué herramienta de IA existe en el mercado?» sino «¿qué tipo de problema estoy intentando resolver?».

Si el problema es de comunicación o generación de contenido, GenAI. Si el problema es una decisión operativa compleja, con múltiples variables, restricciones reales y un impacto económico significativo, Decision AI. Y si no tienes claro en cuál de las dos categorías cae tu problema, ese es exactamente el punto de partida: identificar dónde están las decisiones más costosas de tu operativa, cuáles se siguen tomando de forma manual y cuáles dependen de una sola persona cuyo conocimiento no está sistematizado en ningún sitio.

Esa conversación, en mi experiencia, es la más valiosa que puede tener una empresa antes de invertir un solo euro en tecnología.