# ¿Cómo decido si basta el aprendizaje automático clásico en lugar de un LLM?

> Una prueba rápida para científicos de datos: cuándo una regresión, un modelo de árboles o un clasificador pequeño supera a un LLM en coste, energía, rapidez y fiabilidad.

Source: https://greenai.guide/es/como/como-decido-si-basta-el-aprendizaje-automatico-clasico-en-lugar-de-un/  
Updated: 2026-11-19

## En resumen

Si sus entradas son datos estructurados o textos cortos etiquetados y la salida es un número, una categoría o una clasificación, pruebe primero un modelo clásico: un modelo lineal, árboles potenciados por gradiente o un clasificador pequeño. Son mucho más baratos de ejecutar, más rápidos, más fáciles de explicar y a menudo igual de precisos. Recurra a un gran modelo de lenguaje cuando la tarea necesite de verdad lenguaje abierto.

## Steps

1. Anote el tipo de entrada, el tipo de salida y el nivel de calidad exigido.
2. Construya primero una referencia sencilla, como una regla, un modelo lineal o árboles potenciados por gradiente.
3. Pruebe un clasificador pequeño ajustado si la entrada es texto libre.
4. Pruebe un LLM solo si las referencias no alcanzan el nivel, y con el mismo conjunto de evaluación.
5. Compare la calidad, la latencia y la energía por predicción antes de elegir.

**Use el modelo más sencillo que alcance su nivel de calidad.** Para datos estructurados y tareas de etiquetado
acotadas, suele ser un modelo clásico de aprendizaje automático, no un gran modelo de lenguaje.

## ¿Por qué importa? {#why-does-it-matter}

Luccioni, Jernite y Strubell midieron la energía de ejecutar modelos en muchas tareas. Clasificar texto estaba entre
las tareas más baratas, con unos 0,002 kWh por cada 1.000 inferencias, mientras que los modelos generativos
generales costaban órdenes de magnitud más que los específicos para la misma tarea. Las Directrices de Sostenibilidad
Web del W3C también piden a los equipos que evalúen la necesidad de la IA antes de implantarla.

Un sandpit británico de IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria,
señaló lo mismo desde otro ángulo: a menudo se recurre a la IA cuando un método estadístico o numérico bien conocido
ya hace el trabajo.

## Una prueba rápida {#a-quick-test}

| Su tarea | Pruebe primero |
|---|---|
| Predecir un número a partir de datos tabulares | Modelo lineal o árboles potenciados por gradiente |
| Asignar una de unas pocas etiquetas | Clasificador pequeño ajustado |
| Encontrar elementos similares | Embeddings más un índice de vecinos más cercanos |
| Predecir una serie temporal | Métodos estadísticos de previsión consolidados |
| Escribir, explicar o conversar | Aquí es donde un LLM justifica su coste |

## Errores frecuentes {#common-mistakes}

- **Saltarse la referencia.** Sin ella, no puede saber si el LLM aporta algo.
- **Usar un LLM para etiquetar datos con los que luego nunca entrena.** Úselo una vez para crear etiquetas y luego
  entrene un modelo pequeño.
- **Comparar solo por precisión.** Incluya la latencia, la energía por predicción y lo fácil que es explicar los
  errores.

Lea más en [elegir el modelo adecuado](/es/buenas-practicas/elija-el-modelo-adecuado-para-cada-tarea/) y
[matemáticas para una IA eficiente](/es/articulos/las-matematicas-que-hacen-la-ia-mas-eficiente/).

## Fuentes

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Web Sustainability Guidelines](https://www.w3.org/TR/web-sustainability-guidelines/), W3C (2025)
