Son los dos enfoques fundamentales con los que una IA «aprende» a partir de datos, y entender la diferencia ayuda a entender qué tipo de problemas puede resolver cada uno.
1. Aprendizaje supervisado: aprender con la respuesta correcta al lado
El modelo aprende a partir de ejemplos ya etiquetados: miles de fotos marcadas como «gato» o «perro», emails marcados como «spam» o «no spam», casas con su precio de venta real ya conocido. Es como estudiar con un libro que tiene las respuestas al final de cada ejercicio: el modelo compara su predicción con la respuesta correcta, y ajusta en consecuencia.
2. Aprendizaje no supervisado: encontrar patrones sin respuestas dadas
Acá no hay etiquetas ni respuestas correctas predefinidas: el modelo recibe datos sin clasificar y tiene que encontrar estructuras o agrupaciones por su cuenta. Por ejemplo, analizar el comportamiento de compra de miles de clientes y descubrir grupos naturales de consumidores con patrones similares, sin que nadie le haya dicho de antemano cuáles son esos grupos.
3. Un ejemplo lado a lado para que quede claro
Supervisado: entrenar un modelo para detectar transacciones fraudulentas, mostrándole miles de transacciones ya marcadas como «fraude» o «legítima».
No supervisado: analizar todas las transacciones de una tienda sin marcar nada de antemano, y dejar que el modelo agrupe patrones de compra similares por su cuenta, revelando segmentos de clientes que nadie había definido explícitamente.
4. ¿Cuál es «mejor»?
Ninguno es mejor en abstracto: resuelven problemas distintos. El supervisado necesita datos etiquetados (que a veces son costosos o lentos de conseguir), pero da resultados más precisos y predecibles para tareas específicas. El no supervisado no necesita etiquetas previas, lo que lo hace útil para explorar datos y descubrir patrones que ni siquiera sabías que existían.
5. Dónde se usa cada uno hoy
El supervisado domina en clasificación de imágenes, detección de spam, diagnóstico médico asistido y predicción de precios. El no supervisado se usa en segmentación de clientes, detección de anomalías (algo raro que no encaja en ningún patrón conocido), y sistemas de recomendación que agrupan usuarios con gustos similares.

