Todo sistema de aprendizaje automático aprende de una de estas tres formas fundamentales: supervisado, no supervisado, o por refuerzo aprendizaje. Estas no son tecnologías rivales, sino tres respuestas distintas a una única pregunta: ¿qué tipo de retroalimentación recibe el sistema mientras aprende? Comprender estos tres tipos es la forma más clara de entender cómo funciona realmente el aprendizaje automático.
Conclusiones clave
- Aprendizaje supervisado — aprende a partir de ejemplos etiquetados que incluyen la respuesta correcta. Es el tipo más común.
- Aprendizaje no supervisado — aprende a partir de datos sin etiquetar, descubriendo por sí mismo estructuras ocultas.
- Aprendizaje por refuerzo — aprende mediante ensayo y error, guiado por recompensas y penalizaciones.
- El factor determinante es el tipo de datos disponibles: respuestas, ausencia de respuestas o un entorno en el que actuar.
La única pregunta que los distingue
El aprendizaje automático consiste en aprender a partir de retroalimentación. Los tres tipos difieren completamente en cuanto al tipo de retroalimentación que recibe el sistema:
- Supervisado: «Estos son ejemplos con las respuestas correctas. Aprende a reproducirlos.»
- No supervisado: «Estos son datos sin respuestas. Encuentra tú mismo su estructura.»
- Por refuerzo: «Este es un entorno. Actúa, y te recompensaré o penalizaré.»
Ese es todo el marco conceptual. Todo lo que sigue son detalles.
Aprendizaje supervisado
En el aprendizaje supervisado, cada ejemplo de entrenamiento incluye una etiqueta —la respuesta correcta—. El modelo analiza miles de pares entrada-respuesta y aprende la relación entre ellos, de modo que pueda predecir la respuesta para nuevas entradas.
Para construir un filtro antispam, se le proporcionan al modelo miles de correos electrónicos, cada uno etiquetado como «spam» o «no spam». El modelo aprende los patrones que los distinguen y puede clasificar así un correo electrónico nuevo que nunca ha visto. La «supervisión» proviene de las etiquetas, como si un profesor proporcionara una hoja con las respuestas correctas.
El aprendizaje supervisado resuelve dos tipos de problemas:
- Clasificación — predecir una categoría. ¿Es spam o no spam? ¿Qué enfermedad? ¿Qué animal aparece en la foto?
- Regresión — predecir un valor numérico. ¿Cuál será el precio? ¿Qué temperatura hará mañana? ¿Cuántas ventas se producirán?
Por qué es el más común: la mayoría de los problemas empresariales más valiosos son problemas de predicción, y los datos etiquetados —aunque a veces resulten costosos de generar— producen modelos precisos y medibles. El principal costo es precisamente ese: alguien debe etiquetar los datos.
Aprendizaje no supervisado
En el aprendizaje no supervisado, los datos no tienen etiquetas — solo entradas, sin respuestas. La tarea del modelo es descubrir estructura, patrones o agrupaciones por sí mismo, sin que se le indique qué buscar.
Si proporcionas a un modelo no supervisado tus datos de clientes, podría descubrir que estos se agrupan naturalmente en varios segmentos distintos —sin que nadie haya definido previamente dichos grupos. Descubres la estructura, en lugar de especificarla.
Usos comunes:
- Agrupamiento (clustering) — agrupación de elementos similares: segmentos de clientes, documentos relacionados, imágenes similares.
- Detección de anomalías — identificación de puntos de datos que no siguen el patrón habitual: fraude, defectos, fallos en sistemas.
- Reducción de dimensionalidad — simplificación de datos complejos manteniendo su estructura esencial, frecuentemente para visualizarlos o alimentar con ellos otro modelo.
Por qué es importante: la inmensa mayoría de los datos del mundo real están sin etiquetar, porque etiquetarlos es costoso. El aprendizaje no supervisado extrae valor de esos datos —y resulta excelente para la exploración, cuando aún no sabes qué estás buscando.
Aprendizaje por refuerzo
El aprendizaje por refuerzo es el más diferente de los tres. No existe un conjunto de datos fijo. En su lugar, un agente interactúa con un entorno: realiza acciones y el entorno responde con recompensas (por acciones correctas) o penalizaciones (por acciones incorrectas). Tras múltiples intentos, el agente aprende una estrategia que maximiza su recompensa total.
Aprende de forma similar a como tú aprenderías a jugar un videojuego —no mediante un manual, sino jugando, fallando, observando qué acciones generan puntos y mejorando progresivamente. Nadie etiqueta el «movimiento correcto»; el agente lo descubre mediante las consecuencias.
Usos comunes:
- IA para juegos — sistemas que alcanzan niveles superhumanos en juegos complejos.
- Robótica — enseñar a robots a caminar, agarrar objetos y mantener el equilibrio.
- Sistemas de control — optimización del consumo energético, del flujo de tráfico o de la logística.
- Ajuste fino de modelos de IA — el aprendizaje por refuerzo con retroalimentación humana ayuda a alinear modelos de lenguaje grandes con lo que realmente desean las personas.
Por qué es potente y difícil: el aprendizaje por refuerzo puede descubrir estrategias que ningún ser humano pensaría en especificar. Sin embargo, es complicado: requiere un entorno en el que practicar (a menudo una simulación), puede necesitar un número enorme de intentos y diseñar correctamente la función de recompensa es verdaderamente difícil.
Comparación lado a lado
| Aspecto | Supervisado | No supervisado | Por refuerzo |
|---|---|---|---|
| Datos de entrenamiento | Etiquetados (entrada + respuesta) | Sin etiquetar (solo entrada) | Ningún conjunto de datos — un entorno |
| Objetivo | Predecir la respuesta correcta | Descubrir estructuras ocultas | Maximizar la recompensa total |
| Retroalimentación | La respuesta correcta | Ninguna | Recompensas y penalizaciones |
| Ejemplo | Detección de correo no deseado (spam) | Segmentación de clientes | IA para juegos |
| Es ideal cuando tienes… | Ejemplos etiquetados | Muchos datos sin etiquetar | Un entorno en el que actuar |
Cómo elegir
La elección depende de los datos y del problema que tengas:
- Tienes ejemplos etiquetados y quieres predecir algo → aprendizaje supervisado.
- Tiene datos sin etiquetar y desea descubrir su estructura → aprendizaje no supervisado.
- Tiene un entorno en el que un agente puede actuar y recibir una puntuación → aprendizaje por refuerzo.
En la práctica, las fronteras se difuminan. Muchos sistemas modernos combinan distintos enfoques: por ejemplo, aprenden patrones útiles a partir de datos sin etiquetar primero y luego los perfeccionan con un conjunto más pequeño de ejemplos etiquetados. Los modelos de lenguaje grandes (LLM) se entrenan precisamente con una mezcla de técnicas: aprenden a partir de enormes volúmenes de texto sin etiquetar y después se refinan mediante retroalimentación humana aplicando aprendizaje por refuerzo.
Más allá de los tres grandes: auto-supervisado, semi-supervisado y sistemas híbridos
La división en tres categorías es un buen modelo mental para comenzar, pero los sistemas de IA más importantes de 2026 no encajan limpiamente en una sola categoría. Dos familias adicionales ocupan los espacios intermedios, y los sistemas que realmente usa a diario combinan todas ellas.
Aprendizaje auto-supervisado es el truco que hizo posible los modelos de lenguaje grandes. Parece no supervisado porque ningún ser humano etiqueta los datos, pero funciona como aprendizaje supervisado bajo el capó: el modelo genera sus propias etiquetas a partir de la estructura de los datos brutos. Por ejemplo, oculte la siguiente palabra de una oración y pida al modelo que la prediga; o bien oculte un token en medio de una secuencia y pídale que lo complete. La respuesta ya está presente en el texto, así que la «etiqueta» es gratuita. Al entrenar con miles de millones de oraciones, el modelo aprende gramática, hechos y patrones de razonamiento sin que nadie haya anotado nada manualmente. Todos los LLM modernos —GPT, Claude, Gemini, Llama— se precisan de esta manera.
Aprendizaje semi-supervisado aborda un problema más práctico: las etiquetas son costosas, mientras que los datos sin etiquetar son baratos. Combina un pequeño conjunto etiquetado con un gran volumen de datos sin etiquetar, utilizando los ejemplos etiquetados para fijar el comportamiento del modelo y los no etiquetados para refinar su comprensión de la estructura subyacente de los datos. Es la técnica principal siempre que etiquetar todo manualmente resulte demasiado costoso —como en imágenes médicas, detección de fraude o moderación de contenidos—, aunque sí se pueda permitir etiquetar una fracción significativa.
La lección más importante es que los sistemas en producción son tuberías, no paradigmas únicos. Un chatbot como ChatGPT o Claude se construye en etapas que emplean los tres tipos originales:
- Precisión auto-supervisada enseña al modelo base conocimientos lingüísticos y sobre el mundo a partir de texto crudo.
- Ajuste fino supervisado lo moldea posteriormente con ejemplos cuidadosamente seleccionados de preguntas y respuestas, para que siga instrucciones correctamente.
- Aprendizaje por refuerzo —concretamente, aprendizaje por refuerzo a partir de retroalimentación humana (RLHF)— utiliza clasificaciones de preferencias humanas como señal de recompensa para hacer las respuestas más útiles y menos dañinas.
Así, cuando alguien pregunta si un LLM es «supervisado o no supervisado», la respuesta honesta es: todos ellos, en secuencia. Estas categorías no son equipos rivales entre los que deba elegir uno. Son herramientas, y los sistemas más potentes seleccionan la que mejor se adapta a cada etapa de la tarea.
Preguntas frecuentes
¿Cuáles son los tres tipos de aprendizaje automático?
Aprendizaje supervisado (aprendizaje a partir de ejemplos etiquetados que incluyen las respuestas correctas), aprendizaje no supervisado (búsqueda de estructuras en datos sin etiquetar) y aprendizaje por refuerzo (aprendizaje mediante ensayo y error basado en recompensas y penalizaciones). Se diferencian según el tipo de retroalimentación que recibe el sistema durante el proceso de aprendizaje.
¿Cuál es la diferencia entre aprendizaje supervisado y no supervisado?
El aprendizaje supervisado utiliza datos etiquetados —cada ejemplo incluye la respuesta correcta— y aprende a predecir dichas respuestas. El aprendizaje no supervisado emplea datos sin etiquetar y encuentra por sí mismo patrones o agrupaciones, sin que se le proporcione ninguna respuesta. El aprendizaje supervisado predice; el no supervisado descubre.
¿Qué es el aprendizaje por refuerzo en términos sencillos?
El aprendizaje por refuerzo es cuando un agente de inteligencia artificial aprende interactuando con un entorno: toma decisiones y recibe recompensas por las buenas y penalizaciones por las malas. Tras múltiples intentos, aprende una estrategia que maximiza la recompensa, de forma similar a cómo se aprende a jugar un juego mediante la práctica repetida.
¿Qué tipo de aprendizaje automático es el más común?
El aprendizaje supervisado es el más utilizado, porque la mayoría de los problemas empresariales valiosos son problemas de predicción y los datos etiquetados permiten construir modelos precisos y medibles. El aprendizaje no supervisado es habitual para tareas exploratorias y detección de anomalías, mientras que el aprendizaje por refuerzo es más especializado.
¿Es posible combinar distintos tipos de aprendizaje automático?
Sí. Muchos sistemas modernos integran distintos enfoques: por ejemplo, primero extraen patrones de datos sin etiquetar y luego los perfeccionan con ejemplos etiquetados. Los modelos de lenguaje grandes se entrenan mediante una combinación de técnicas, incluido el aprendizaje por refuerzo a partir de retroalimentación humana para alinearlos mejor con las necesidades del usuario.
¿Es ChatGPT un ejemplo de aprendizaje supervisado o no supervisado?
Ambos, además de aprendizaje por refuerzo. El modelo base se entrena mediante aprendizaje auto-supervisado (una variante del aprendizaje no supervisado en la que el propio texto proporciona las etiquetas al predecir la siguiente palabra). Luego se refina mediante ajuste fino supervisado con ejemplos cuidadosamente seleccionados y, finalmente, se pulimenta mediante aprendizaje por refuerzo a partir de retroalimentación humana. Ningún paradigma único construye un chatbot moderno: se apilan en etapas sucesivas.
¿Qué es el aprendizaje semi-supervisado?
El aprendizaje semi-supervisado combina una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar. Usted etiqueta la fracción que puede permitirse y deja que el modelo aproveche la estructura de la mayor parte de los datos sin etiquetar para generalizar mejor de lo que sería posible con solo las etiquetas. Es habitual en campos como la imagen médica y la detección de fraude, donde la etiquetación por expertos es lenta y costosa, pero los datos brutos abundan.
¿Qué tipo de aprendizaje automático debería aprender primero un principiante?
Comience con el aprendizaje supervisado. Es el más intuitivo, el más usado en la industria y la base para los proyectos más claros para principiantes: predecir un precio, clasificar un correo electrónico como spam o reconocer un dígito. Una vez que se sienta cómodo entrenando, probando y evaluando un modelo supervisado, el agrupamiento no supervisado y los fundamentos del aprendizaje por refuerzo serán mucho más fáciles de entender, porque ya tendrá la metodología básica integrada en su memoria muscular.
Conclusión
Los tres tipos de aprendizaje automático son simplemente tres respuestas a la pregunta «¿qué tipo de retroalimentación recibe el sistema?» Aprendizaje supervisado recibe las respuestas correctas y aprende a predecirlas. Aprendizaje no supervisado no recibe respuestas y aprende a encontrar estructuras. Aprendizaje por refuerzo recibe recompensas y penalizaciones y aprende una estrategia ganadora.
La elección de uno u otro no depende de una preferencia personal, sino que está determinada por los datos y el problema concretos que se tienen. Comprender bien este marco conceptual facilita enormemente el estudio del resto del aprendizaje automático. Para situarlo en un contexto más amplio, comience con qué es el aprendizaje automático, luego explore los algoritmos que sustentan cada tipo.
