Qué es el machine learning
El machine learning, o aprendizaje automático, es la rama de la inteligencia artificial donde un sistema aprende a hacer algo a partir de ejemplos en lugar de reglas escritas por una persona. Se le muestran datos, encuentra patrones y usa esos patrones para predecir o clasificar casos nuevos.
La diferencia con el software de siempre es más simple de lo que parece. En el software tradicional, alguien escribe la regla: si el cliente compró más de mil soles, mándale el cupón. En machine learning nadie escribe la regla: se le entregan miles de casos históricos y el sistema deduce solo qué combinación de señales anticipa una compra. Por eso puede encontrar patrones que ningún humano habría escrito, y por eso a veces se equivoca de formas que ningún humano se equivocaría.
Cómo aprende, en tres formas
- Supervisado. Se le dan ejemplos ya etiquetados: estos correos son spam, estos no. Aprende a etiquetar los siguientes. Es el más usado en negocio.
- No supervisado. Se le dan datos sin etiquetas y busca agrupaciones por su cuenta. Sirve para descubrir segmentos de clientes que nadie había definido.
- Por refuerzo. Aprende probando y recibiendo premio o castigo según el resultado. Es como aprenden a jugar los sistemas que superan a humanos en juegos complejos.
Dónde lo estás usando ya
En más lugares de los que crees. El filtro de spam de tu correo. Las recomendaciones de productos de una tienda grande. La detección de fraude de tu banco. Y uno que toca directo a tu bolsillo: los algoritmos de Meta y Google que deciden a quién mostrarle tu anuncio son machine learning puro. Cada vez que la plataforma "optimiza" tu campaña, está corriendo un modelo que aprende de las conversiones que le reportas.
Regla escrita contra patrón aprendido
Por eso alimentar bien al algoritmo importa tanto: si le reportas conversiones sucias, aprende el patrón equivocado y te trae con precisión al cliente que no compra.
Machine learning, IA y modelos de lenguaje
La inteligencia artificial es el paraguas grande. El machine learning es la rama que aprende de datos. Y los modelos de lenguaje que están detrás de ChatGPT son un tipo particular de machine learning, entrenado sobre texto a una escala enorme. Todo lo que se llama "IA generativa" hoy vive dentro de esa última caja.
Lo que esto significa para tu marketing
Dos cosas prácticas. La primera: la calidad de tus datos define la calidad del algoritmo. Un píxel mal instalado o conversiones duplicadas hacen que la plataforma aprenda a buscarte al cliente equivocado, con toda su potencia. La segunda: el criterio humano no se automatiza. El modelo optimiza lo que le pides, y si le pides clics baratos te va a traer clics baratos aunque no compre nadie. Así trabajamos la publicidad con IA: el algoritmo hace el trabajo pesado, la decisión de qué optimizar sigue siendo nuestra.
Qué tipo de problemas resuelve
Debajo de la variedad de aplicaciones hay unos pocos tipos de tarea, y reconocerlos ayuda a saber si tu problema encaja.
- Clasificar. Poner algo en una categoría: spam o no, lead bueno o malo, reseña positiva o negativa. Es el uso más común en negocio y el más fácil de evaluar.
- Predecir un número. Cuánto va a vender un producto el mes que viene, cuánto vale una propiedad, qué probabilidad hay de que un cliente se vaya.
- Agrupar. Encontrar segmentos de clientes que se comportan parecido sin que nadie los haya definido antes.
- Recomendar. Sugerir el siguiente producto a partir de lo que hicieron personas parecidas.
- Generar. Producir texto, imagen o audio nuevos. Es la rama que explotó en los últimos años y la que la gente asocia con "IA".
Qué necesitas para usarlo en tu negocio
Casi con seguridad no necesitas entrenar un modelo. Lo que necesitas es datos limpios, porque los usos que sí te convienen (las plataformas publicitarias, las herramientas de análisis, las APIs de IA) ya traen el modelo entrenado y lo que aportas tú es la señal. Concretamente: eventos de conversión bien configurados, una fuente única de verdad para clientes y ventas, y consistencia en cómo se registran las cosas. Un negocio con datos ordenados y herramientas estándar le saca más provecho a la IA que uno con un modelo a medida sobre datos sucios.
Los límites que conviene conocer
Un modelo aprende del pasado, así que hereda sus sesgos: si tus mejores clientes históricos son de un solo perfil, el sistema va a buscar más de ese perfil y a ignorar mercados que nunca exploraste. Necesita volumen: con pocos datos, lo que parece un patrón suele ser ruido. Y muchos modelos no explican por qué decidieron lo que decidieron, lo que es un problema serio cuando la decisión afecta a una persona (un crédito, una selección) y una molestia cuando solo quieres entender por qué la campaña cambió de rumbo.
Cómo se nota en la práctica publicitaria
Tres consecuencias muy concretas. La fase de aprendizaje existe: una campaña nueva necesita acumular conversiones antes de estabilizar, y tocarla todos los días la reinicia. El público demasiado estrecho ahoga al modelo, porque no le deja espacio para encontrar patrones. Y la calidad de la señal manda: reportar como conversión algo que no es una venta hace que la plataforma optimice con toda su potencia hacia lo que no te sirve. Eso es lo primero que revisamos en publicidad con IA.
Preguntas frecuentes
¿Machine learning e inteligencia artificial son lo mismo?
No. La inteligencia artificial es el campo completo, que incluye enfoques que no aprenden de datos. El machine learning es la rama que sí aprende de ejemplos, y hoy es la que domina casi todo lo que se usa en la práctica.
¿Necesito muchos datos para usarlo?
Para entrenar un modelo propio, sí, muchísimos. Pero casi ningún negocio necesita entrenar uno: usa modelos ya entrenados a través de plataformas como Meta Ads, Google o las APIs de IA. Ahí lo que necesitas no es volumen de datos, sino datos limpios.
¿Puede reemplazar a un analista?
Reemplaza el trabajo de encontrar patrones en grandes volúmenes, que un humano no puede hacer a esa escala. No reemplaza decidir qué vale la pena optimizar ni interpretar un resultado raro, que es donde está el criterio.
¿Por qué a veces el algoritmo de anuncios empeora?
Suele ser un problema de señal, no del algoritmo. Cambios en el evento de conversión, un píxel roto, poco volumen para aprender o un público demasiado estrecho hacen que el modelo aprenda mal. Antes de culpar a la plataforma conviene revisar qué le estás reportando.