Tres categorías, no una lista de "usos indiscriminados"
Es fácil encontrar listas de "50 formas de usar IA" que mezclan cosas serias con curiosidades. Aquí vamos a ordenar los casos de uso en tres grupos según cuánto puedes confiar en el resultado sin revisión exhaustiva:
- Donde funciona bien y ahorra tiempo real.
- Donde ayuda, pero necesita revisión humana siempre.
- Donde el riesgo de error supera el ahorro, y conviene evitarla o usarla con mucha cautela.
1. Donde funciona bien
Primeros borradores de texto. Un correo difícil, una descripción de producto, un resumen de una reunión larga. La IA no tiene que ser perfecta aquí: tú partes de una página en blanco resuelta en vez de vacía, y editas. El ahorro es real porque el coste de un error es bajo (lo revisas antes de enviarlo).
Explicar código o conceptos técnicos. Pegar una función y preguntar "¿qué hace esto?" o "¿por qué falla esta línea?" funciona razonablemente bien porque el modelo ha visto patrones muy similares miles de veces. Sigue siendo tu responsabilidad verificar la explicación contra el comportamiento real del código.
Reformular y traducir. Cambiar el tono de un texto (más formal, más cercano), traducir entre idiomas que domina bien el modelo, adaptar un mensaje a una audiencia distinta. Son tareas donde "aproximadamente bien" ya es útil.
Generar variaciones para elegir. Diez titulares posibles para un artículo, cinco nombres para un producto. No necesitas que todos sean buenos: necesitas opciones entre las que elegir, y eso es barato de producir con un LLM.
2. Donde ayuda, pero exige revisión
Resúmenes de documentos largos. Útil para orientarte rápido, arriesgado si te fías del resumen para tomar una decisión importante sin leer el original. Un LLM puede omitir la cláusula exacta que cambiaba el sentido del contrato.
Código que se ejecuta en producción. Escribir una función es rápido con IA. Confiar en que esa función maneja bien los casos raros, la seguridad y el rendimiento sin que nadie la revise es otra cosa. Aquí aplica igual que con cualquier código: revisar, probar, no copiar y pegar a ciegas.
Análisis de datos o interpretación de resultados. El modelo puede describir tendencias en una tabla que le pasas, pero no verifica los datos ni entiende el contexto del negocio salvo que se lo des. Buen punto de partida para explorar, mal sustituto de un análisis serio si la decisión tiene peso.
Atención al cliente automatizada. Puede responder preguntas frecuentes bien. Cuando el caso se sale del guion (una queja legítima, una situación ambigua), necesita una vía clara para pasar a una persona, porque insistir con respuestas genéricas empeora la experiencia.
3. Donde conviene evitarla o tratarla con mucha cautela
Cualquier dato que deba ser exacto y verificable sin que tú puedas comprobarlo. Fechas históricas puntuales, cifras legales, dosis médicas, referencias bibliográficas. Como vimos en la lección 3, un LLM genera lo más probable, no lo verificado; puede inventar una cita con total naturalidad. Si necesitas ese dato y no puedes contrastarlo con una fuente fiable, no lo pidas a un LLM como fuente única.
Decisiones sobre personas con consecuencias reales. Contratación, crédito, diagnóstico médico, sentencias. La IA puede dar una opinión razonable, pero delegar la decisión final en un sistema que no rinde cuentas, y que puede reproducir sesgos de sus datos de entrenamiento, traslada un riesgo serio a personas que no lo eligieron.
Contenido donde la autenticidad es el punto. Una disculpa personal, una carta de condolencias, una opinión que se presenta como tuya en un debate público. La IA puede redactar algo convincente, pero el valor de esos textos depende de que reflejen a quien los firma, y eso no se delega sin que se note, o sin que importe que se note.
Una pregunta para filtrar cualquier caso de uso nuevo
Antes de meter un LLM en una tarea, pregúntate: si esta respuesta está mal y nadie lo revisa, ¿qué pasa? Si la respuesta es "corrijo el texto y ya", adelante. Si la respuesta es "alguien pierde dinero, salud o reputación", necesitas un humano revisando antes de que la salida tenga efecto, no después.
Resumen
La IA generativa varía mucho según la tarea: no rinde igual en todos los casos y su riesgo tampoco es uniforme; depende de la tarea y del coste de un error no detectado. Funciona mejor cuanto más barato es revisar y corregir la salida; funciona peor cuanto más se usa como fuente de verdad sin contraste o cuanto más pesa la decisión sobre una persona. El criterio no es "¿puede la IA hacer esto?" — casi siempre puede intentarlo. El criterio es "¿qué pasa si se equivoca aquí?".