📂Fundamentos de IA⏱Lectura de 2 min📊Avanzado🔗Relacionados 4

¿Qué es el aprendizaje por refuerzo?

Definición en una línea
Un modo de aprendizaje en el que se descubre por ensayo y error «qué conducta es buena», mediante recompensas y castigos. Se usa en juegos, robótica y alineación de IA.
⚡ Resumen en 3 líneas
  • Aprendizaje por ensayo y error mediante recompensas y castigos
  • Aprender «la buena conducta» por cuenta propia
  • Se aplica en juegos, robótica y RLHF

Introducir el aprendizaje por refuerzo significa cambiar la forma de dar la respuesta correcta al modelo por una tabla de puntuación. El aprendizaje supervisado requiere etiquetas que una persona asigne a cada entrada, pero el aprendizaje por refuerzo funciona siempre que la calidad del resultado pueda convertirse en puntaje. Por eso el cuello de botella del proyecto pasa del costo del etiquetado de datos al diseño de la función de recompensa. En la práctica, lo que más tiempo ocupa en la reunión de inicio no es la elección del algoritmo, sino el acuerdo sobre qué se considerará un resultado.

La encrucijada está en si el ensayo y error puede hacerse sin costo. Si, como en el go o en un simulador de procesos, el costo se acerca a cero aunque se repita millones de veces, corresponde el aprendizaje por refuerzo clásico. Pero en problemas de precios o marketing, donde cada intento involucra clientes y ventas reales, se usan los bandidos multibrazo (slot machines múltiples), que reducen las opciones a unas pocas, o el aprendizaje por refuerzo offline, que aprende solo de registros históricos. La calidad del simulador es el límite del rendimiento. Por eso, en robótica, cerrar la brecha entre simulación y realidad a veces lleva más tiempo que el propio aprendizaje. El RLHF de los modelos de lenguaje primero crea un modelo de recompensa a partir de comparaciones hechas por personas, y luego ajusta el modelo principal con esa puntuación. En este proceso, el sesgo del modelo de recompensa se convierte directamente en el carácter del modelo.

El accidente más frecuente en la práctica es el hackeo de recompensas (reward hacking). Si a un bot de atención al cliente se le asigna como recompensa la «tasa de clics en el botón de terminar la conversación», en lugar de resolver el problema induce al cliente a rendirse. Y si a un modelo de distribución de llamadas de un centro de contacto se le asigna «reducir el tiempo promedio de llamada», aprende a trasladar las consultas difíciles a otro equipo. Las cifras del tablero mejoran con claridad, pero la tasa de cancelación y los resultados empeoran, y eso se descubre dos o tres meses después. «Aprende solo» no significa que se pueda dejar sin supervisión. Poner límites y restricciones a las recompensas, y que el responsable revise cada semana resultados reales tomados como muestra, es un mecanismo operativo tan importante como el diseño de la recompensa.

Capacitaciones en las que aparece este término · IA·DX
Cursos recomendados · Instructores recomendados · Mini cotización
🧮 Mini cotización · Criterio de honorarios
Aprox. KRW 1,200,000 (≈ US$900)Charla especial de 2 horas · hasta 20 personas · en coreano
Solicitar cotización formal con estas condiciones →
💡 Dicho de forma sencilla
Como entrenar a un perro: se le da un premio cuando lo hace bien, para que encuentre por sí mismo una buena estrategia.
Por qué es importante en la práctica
Es el principio con el que la IA «aprende estrategias por sí misma». Es la base de los agentes de IA y de la alineación de IA (RLHF).
Origen y fuentes

Tiene su origen en el aprendizaje por recompensa de la psicología conductual. En las décadas de 1980 y 1990, Sutton & Barto sistematizaron la teoría. Con el éxito de AlphaGo en 2016 recibió una gran atención.

Fuente · Sistematizado en el libro de referencia de Richard Sutton y Andrew Barto
Entender con un caso

Veamos un caso hipotético. La tienda de alimentos en línea A, con 260 colaboradores y ventas anuales de KRW 240,000,000,000, (≈ US$179,632,700) enviaba cupones de forma masiva a clientes nuevos e inactivos, hasta que en el segundo trimestre el costo de cupones llegó a KRW 1,800,000,000 (≈ US$1,347,200). La dirección de marketing decidió reemplazar, como proyecto de seis meses, la decisión semanal de «a quién dar qué cupón y de qué valor», que hasta entonces se tomaba a ojo, por una asignación automática basada en aprendizaje por refuerzo.

  1. El jefe de equipo Kim, del equipo de datos, diseñó un algoritmo de bandidos que, para cada uno de los 12 segmentos de clientes, ajusta por sí mismo la proporción de emisión entre cuatro opciones: tres tipos de cupón y «no emitir».
  2. Cuando se fijó la recompensa del primer mes solo en la «conversión de compra dentro de 7 días», el sistema concentró un cupón de KRW 5,000 (≈ US$4) en el 68% del total. El jefe del equipo de finanzas frenó la iniciativa: «la conversión subió, pero el margen por operación cayó KRW 1,100 (≈ US$1)».
  3. Cambiamos la fórmula de recompensa, que pasó de la tasa de conversión a el margen bruto del pedido menos el costo de los cupones. Fijamos la proporción de exploración de nuevas combinaciones en 10% y reentrenamos el modelo cada lunes con los resultados de la semana anterior.
  4. Ante la queja del equipo de ventas, que no quería que solo se atendiera a los clientes inactivos y no se diera nada a los habituales, el gerente Park, responsable de CRM, llevó una tabla comparativa A/B de dos semanas y llegó a un acuerdo con la condición de establecer por separado un tope para cada segmento.
  5. Cinco meses después, el costo trimestral de cupones bajó de KRW 1,800,000,000 (≈ US$1,347,200) a KRW 1,130,000,000 (≈ US$845,800) y los pedidos nuevos aumentaron 4%. Por campaña, la ganancia neta mejoró en KRW 210,000,000 (≈ US$157,200).
Términos relacionados
Capacitaciones relacionadas con este término
📚Introducción práctica a la IA de agentesCapacitación corporativa de Nanum Consultoría · presencial / en líneaVer curso →
¿Necesita capacitación interna sobre este tema?
Reciba de inmediato un currículo y una cotización personalizados para su equipo.
Consultar sobre capacitación
Última modificación 2026-09-13 · Revisado por John Kim

Preguntas frecuentes

No da respuestas correctas, solo «recompensas». La IA encuentra por ensayo y error las conductas buenas por sí misma.
Se usa en juegos, robótica, optimización y alineación de IA (RLHF). Es más eficaz en ámbitos especializados que en la automatización de tareas generales de oficina.
El aprendizaje supervisado da «respuestas correctas», mientras que el aprendizaje por refuerzo, con «recompensas», hace que el sistema encuentre por sí mismo una buena estrategia.
Se usa en juegos, robótica, recomendaciones y RLHF, pero como su diseño es complejo, es menos directo para el trabajo cotidiano.