IA predictiva frente a IA generativa: por qué la predicción puede ganar en 2027

Casi toda la atención sobre la IA fluye hacia los modelos generativos, pero Eric Siegel mira hacia otro lado y se niega a suavizar su afirmación: la mayoría de las organizaciones debería invertir en IA predictiva al menos tanto como en IA generativa. A su juicio, el desequilibrio actual no es una moda sino un error de cartera. Los focos iluminan una tecnología mientras el trabajo rentable se cocina en la cocina de otra, y esa brecha se ensancha cada trimestre.

La afirmación más visible está en el título del vídeo: la IA predictiva superará a la generativa en 2027. El presentador Geoff Nielson plantea la profecía a Siegel sin rodeos, y el invitado no retrocede; explica que, coincidiendo con el episodio, publicó un artículo en una revista de directivos que documenta con cifras cómo la inversión de riesgo se apila sobre lo generativo. La afirmación se presenta así como la defensa oral de una tesis escrita, no como una broma.

El escaparate sobrecargado y la cocina infracargada

Conocer a los protagonistas aclara el cuadro. Eric Siegel es conocido por su superventas sobre analítica predictiva y por The AI Playbook, publicado bajo el sello MIT Press; esa obra de 256 páginas de febrero de 2024 sostiene que el despliegue, y no el modelado, constituye el arte raro del aprendizaje automático. Frente a él, el presentador Geoff Nielson produce el programa Digital Disruption dentro de Info-Tech Research Group, en nombre de un equipo que ha guiado a cientos de organizaciones en su estrategia de IA. El libro publicado con MIT Press martilla la misma idea: no compiten los modelos, compiten las puestas en producción.

La distinción cabe en una frase: la IA generativa redacta contenido mientras la predictiva escribe un número sobre cada caso. Un modelo predictivo no completa un correo; puntúa y clasifica cada transacción, cada cliente, cada solicitud. Cuál es fraude, quién está por irse, quién pagará su factura: cada pregunta recibe un puntaje de probabilidad , y la empresa decide según ese puntaje. Una cuenta historias, la otra reparte las apuestas.

Siegel adopta un tono casi alegre al explicar el mecanismo, y describe el aprendizaje mismo como un milagro doblemente sorprendente. El concepto se llama inducción : derivar de muestras limitadas generalizaciones válidas para situaciones inéditas. Millones de filas de entrenamiento siguen siendo una muestra minúscula frente a todo lo que el mundo puede presentar; aun así el modelo produce sobre casos nunca vistos afirmaciones que resultan verdaderas. Para el ponente, esa es exactamente la magia de aprender de los datos, descubierta mucho antes que los modelos generativos.

Por qué todos corren hacia lo generativo

Si el dinero real está en la cocina, ¿por qué la multitud se agolpa ante el escaparate? La respuesta de Siegel tiene dos capas: la economía de la atención y la economía del dinero. Las demos generativas son espectaculares; ofrecen un truco de magia que cualquiera puede probar, mientras la salida de un modelo predictivo es apenas un puntaje discreto en un panel. Siegel defiende este desequilibrio con cifras en su columna de Forbes: mientras la IA generativa acapara titulares, los proyectos predictivos se multiplican en silencio dentro de los departamentos de TI y compiten de igual a igual en número de proyectos. Espectacular no es sinónimo de valioso.

La crítica se endurece a medida que avanza la charla. Siegel dice que la avalancha de promesas milagrosas tiene un motivo: esas promesas dan mucho dinero a algunos, inflan valoraciones y enriquecen a los mercaderes del bombo. El chiste de que los críticos del bombo parecen inteligentes mientras sus promotores se enriquecen suena como una observación amarga. En su entrevista con The CTO Club, Siegel critica el bombo generativo en términos aún más crudos e insta a las instituciones a no dejarse seducir por los proyectos de escaparate.

El marco de las tres preguntas

La sección más útil reduce un proyecto predictivo a tres preguntas: qué se predice, con qué precisión y qué se hace con el resultado. La predicción y la acción definen juntas el proyecto: qué cliente se irá, para enviarle una oferta de retención; qué transacción parece fraudulenta, para mandarla a revisión; qué batería de pozo fallará, para inspeccionar el satélite. La tercera pregunta, la precisión, calibra las expectativas; el modelo no es un oráculo, reparte probabilidades, y la empresa debe aprender a jugarlas.

Los ejemplos abundan porque la lista forma una cola casi infinita. El marketing, la gestión de riesgos y la detección de fraude son las tres paradas más antiguas; el modelado del abandono se suma como un clásico aparte. Nadie puede repartir un cupón de descuento a toda la base de clientes; la respuesta es puntuar al grupo con más probabilidad de irse y concentrar allí la intervención. La misma lógica vale para solicitudes de crédito, siniestros de seguros y mantenimiento; cada predicción se ata a una acción.

La escala se mide con datos de mercado. La firma BCC Research valora el mercado mundial de analítica predictiva en 11,1 mil millones de dólares en 2022 y lo proyecta en 23,9 mil millones para 2027, con un crecimiento anual compuesto del 16,5 por ciento. Aunque la meta 2029 de la misma firma para la IA global se sitúa en el nivel del billón de dólares, el crecimiento de dos dígitos del segmento predictivo demuestra que la cocina tiene un motor independiente del escaparate.

El despliegue es un trabajo de consultoría

La frase más citada de Siegel llega aquí: producir valor es una labor de consultoría, no una instalación técnica. Como los proyectos predictivos tocan el corazón de las operaciones a gran escala, modeladores y áreas de negocio deben sentarse a la misma mesa y hablar el mismo idioma. Todos necesitan una comprensión semitécnica; si no, el modelo brilla en el laboratorio y se llena de polvo en el campo. El equipo de proyecto escribe, pues, más alineamiento que código: con qué umbral intervenir, quién responde, cómo se mide el éxito.

El ejemplo del equipo antifraude da cuerpo al principio abstracto. El modelo escribe una probabilidad de fraude sobre cada transacción y su rendimiento se mide; pero esa cifra jamás dicta si hay que reducir o ampliar el equipo. Quizá el equipo se achica y ahorra, quizá crece y gana más atrapando más fraudes. Las cifras iluminan la decisión sin ordenarla. La aritmética pertenece a la tecnología, la decisión a la empresa, y el puente entre ambas es exactamente ese trabajo de consultoría.

La trampa de la herramienta universal y el enigma de la productividad

¿Acaso la IA generativa no vale nada? Siegel es justo aquí y reconoce el mérito de la herramienta universal: igual que un edificio necesita suficientes ordenadores, todos se benefician de un potente instrumento de producción a mano. Pero la advertencia llega de inmediato: cuando solo tienes un martillo, todo parece un clavo, y la organización se convierte en una fiesta del martillo. Lanzar cada problema a un modelo generativo, sin pensar jamás en casos de uso representativos, es venerar la caja de herramientas. Las herramientas son generales; las propuestas de valor siempre son específicas.

El debate sobre el valor se endurece con datos. El estudio del MIT difundido por Fortune revela que el 95 por ciento de los pilotos de IA generativa no produce un crecimiento medible de ingresos; solo alrededor del 5 por ciento logra una aceleración rápida. La misma investigación indica que comprar a proveedores especializados y forjar alianzas tiene éxito en cerca del 67 por ciento de los casos, mientras las construcciones internas se quedan cerca de un tercio. La mayoría de los proyectos de escaparate siguen siendo escaparate; la minoría que llega a la cocina suele hacerlo con una receta externa.

La paradoja de la productividad es la parada más filosófica de la charla. ¿Medimos mal o falta realmente el valor? Siegel no oculta su intuición: quizá el 5 por ciento del valor cacareado sea real, el resto un deseo inscrito en las valoraciones. Nuevas encuestas a directivos respaldan la sospecha: la firma EY, en su encuesta de octubre de 2026, informa que la mitad de los consejeros delegados cita la IA como primera fuente de ganancias de productividad, pero el 23 por ciento tiene dificultades para convertir esas ganancias en resultados financieros. Solo el 16 por ciento dice ver el retorno de la IA con claridad y en tiempo real.

También corresponde una nota sobre el anfitrión: los talleres de estrategia de IA de Info-Tech se presentan a mitad del episodio como un producto de consultoría que promete cerrar justo esa brecha. El anuncio ocupa una pequeña porción del episodio y no orienta todo el contenido; aun así, el oyente debe distinguir qué frase es charla y cuál es venta. Como apunte del narrador: la idea del taller responde a una necesidad genuina, pero es este episodio quien le pone nombre.

El cuadro final se forma donde se cruzan dos estudios. Los datos del MIT ponen precio al costo de la tozudez de construirlo todo dentro, mientras los de EY miden la brecha de talento: el 72 por ciento de los directivos espera mayor escasez de talento, y el 47 por ciento dice que sus equipos no se forman con suficiente rapidez. Las organizaciones juegan así la canasta equivocada mientras carecen del oficio de la correcta. La receta de Siegel converge aquí: conozcan los casos de uso representativos, hagan las tres preguntas, nunca modelen sin estrechar la mano del negocio, y midan el éxito por el trabajo desplegado.

La frase de cierre vuelve al gancho inicial y da vuelta la mesa. Hoy lo generativo se lleva la parte del león de la atención y la inversión; sin embargo, la mayoría silenciosa de proyectos, mercados y casos documentados crece del lado predictivo. Lean 2027 no como profecía de calendario sino como advertencia de cartera: la brecha entre escaparate y cocina se cerrará, y ganarán quienes hayan aprendido a cablear los puntajes de probabilidad en las operaciones. La tesis subversiva de Siegel suena destructiva al primer oído; al segundo, suena a sentido común.