# ¿Qué es el aprendizaje no supervisado? Definición, ejemplos y usos

> El aprendizaje no supervisado es un método de aprendizaje automático que busca estructuras en datos brutos, sin respuesta esperada proporcionada de antemano: grupos de elementos similares, comportamientos atípicos, variables que van juntas. Sirve sobre todo para explorar y segmentar (clientes, productos, transacciones), y sus resultados deben ser interpretados por personas que conocen el negocio.

## Definición
Según la CNIL, autoridad francesa de protección de datos, el aprendizaje no supervisado es un proceso de aprendizaje automático en el que el algoritmo utiliza un conjunto de datos brutos y obtiene un resultado basándose en la detección de similitudes entre algunos de esos datos. Nadie le indica la respuesta correcta: no hay etiqueta. Esa es la diferencia con el aprendizaje supervisado, que aprende a partir de ejemplos anotados. Predominan tres usos. El **clustering** (agrupamiento) reúne los elementos que se parecen: Google lo presenta como la técnica en la que se basan muchos modelos no supervisados. La **detección de anomalías** identifica lo que se aparta del comportamiento habitual: una transacción, una medición de sensor, una nota de gastos. La **reducción de dimensionalidad** resume decenas de variables en unos pocos ejes legibles, a menudo para visualizar datos. El aprendizaje no supervisado está también en el centro de la IA generativa actual. Los *embeddings*, representaciones numéricas en las que textos de sentido próximo tienen coordenadas próximas, permiten agrupar automáticamente por tema miles de opiniones de clientes o documentos, sin una clasificación definida de antemano. Su límite es la ausencia de una verdad de referencia. Un algoritmo de clustering siempre encuentra grupos, incluso cuando no tienen ningún significado útil, y a menudo es una persona quien fija su número. La evaluación depende por tanto del criterio del negocio: ¿son los segmentos estables, comprensibles, accionables? En la práctica, los enfoques suelen combinarse: un agrupamiento no supervisado ayuda a definir categorías, que luego se etiquetan para entrenar un modelo supervisado.

## Ejemplo
Casos ilustrativos (empresas ficticias). Una tienda en línea francesa de decoración, con 40 empleados, dispone de tres años de historial de compras de unos 60 000 clientes. Un algoritmo de clustering, aplicado a la frecuencia de compra, la cesta media y las categorías compradas, hace aparecer cinco grupos. El equipo de marketing reconoce cuatro; el quinto, clientes que solo compran en rebajas, no se seguía. El equipo adapta su calendario de correos para ese segmento. En una pyme de servicios, el control de gestión aplica una detección de anomalías a las notas de gastos: la herramienta señala los gastos atípicos respecto a los hábitos de cada equipo, y una persona revisa cada alerta antes de cualquier actuación.

## Para un directivo
Tomar los segmentos producidos por el algoritmo como una verdad. Un clustering siempre divide los datos, haya o no grupos reales, y el resultado cambia según las variables elegidas y el número de grupos solicitado. Lanzar una campaña, retirar una gama u orientar controles solo sobre esta base equivale a decidir sobre una hipótesis. Buena práctica: tratar cada segmento como una pista, pedir a los equipos de negocio que lo nombren y validen, comprobar que se mantiene estable de un trimestre a otro y probar la acción con una muestra antes de generalizarla. Misma regla para la detección de anomalías: una alerta señala una desviación, no una falta. Si hay personas afectadas (empleados, clientes), se aplica el RGPD y una revisión humana antes de cualquier consecuencia sigue siendo imprescindible.

*Aprendizaje supervisado y no supervisado: las diferencias que cuentan para un proyecto*

| Criterio | Supervisado | No supervisado |
| --- | --- | --- |
| Datos necesarios | Historial anotado con la respuesta correcta | Datos brutos, sin anotación |
| Objetivo | Predecir una categoría o un valor conocido | Descubrir grupos, anomalías, estructuras |
| Evaluación | Comparación con las respuestas reales en casos no vistos | Criterio de negocio: estabilidad, claridad, utilidad |
| Ejemplos | Scoring, detección de fraude conocido, clasificación de tickets | Segmentación de clientes, anomalías, agrupación de comentarios |
| Papel del negocio | Aportar y verificar las etiquetas | Nombrar y validar los grupos obtenidos |

## Preguntas frecuentes

**Aprendizaje no supervisado: ¿cuál es una definición sencilla?**
Es un método en el que la IA recibe datos sin ninguna respuesta esperada y busca por sí misma similitudes, agrupaciones o casos atípicos. Se utiliza para explorar datos que nadie ha clasificado todavía.

**¿Cuál es la diferencia entre aprendizaje supervisado y no supervisado?**
El supervisado aprende a partir de ejemplos etiquetados (este cliente se fue, este se quedó) para predecir una respuesta conocida. El no supervisado no tiene etiquetas: descubre estructuras, como grupos de clientes con comportamientos parecidos. El primero se verifica comparando sus predicciones con las respuestas reales; el segundo se juzga sobre todo por la utilidad para el negocio de lo que hace aflorar.

**¿Qué ejemplos de aprendizaje no supervisado hay?**
Segmentación de la clientela, detección de transacciones o mediciones de sensores anómalas, agrupación de opiniones de clientes o tickets por tema, recomendaciones de productos que se compran juntos, detección de duplicados en una base de proveedores.

**¿Qué es el clustering?**
Es la técnica más conocida del aprendizaje no supervisado: reparte los elementos en grupos (clusters) de modo que los de un mismo grupo se parezcan más entre sí que a los de otros grupos. El algoritmo k-means, que exige fijar de antemano el número de grupos, es el ejemplo clásico.

**¿Qué relación tiene con los embeddings y la IA generativa?**
Los embeddings transforman un texto, una imagen o un producto en una serie de números que captura su sentido. Aplicar un clustering a esos embeddings permite agrupar por tema miles de documentos o comentarios sin una clasificación previa. También son la base de las bases de datos vectoriales utilizadas en el RAG.

**¿Dónde seguir un curso sobre aprendizaje no supervisado?**
Para una primera aproximación gratuita, Google ofrece en línea un curso de introducción al aprendizaje automático que presenta las grandes categorías de sistemas de aprendizaje automático (supervisado, no supervisado, por refuerzo, generativo), incluido el clustering. Para un directivo, lo importante es menos la técnica que la capacidad de plantear las preguntas adecuadas: qué variables, cuántos grupos, quién valida el sentido de los resultados.

## Para seguir

- [Aprendizaje supervisado](https://wyp.agency/es/glosario/aprendizaje-supervisado/)
- [Aprendizaje por refuerzo](https://wyp.agency/es/glosario/aprendizaje-por-refuerzo/)
- [Embedding](https://wyp.agency/es/glosario/embedding/)
- [Base vectorial](https://wyp.agency/es/glosario/base-vectorial/)
- [Datos de entrenamiento](https://wyp.agency/es/glosario/datos-entrenamiento/)
- [Sesgo algorítmico](https://wyp.agency/es/glosario/sesgo-algoritmico/)

## Fuentes

- Apprentissage non supervisé (aprendizaje no supervisado), definición, CNIL (autoridad francesa de protección de datos) (https://www.cnil.fr/fr/definition/apprentissage-non-supervise)
- What is Machine Learning?, curso Introduction to Machine Learning, Google for Developers (https://developers.google.com/machine-learning/intro-to-ml/what-is-ml)
- Apprentissage supervisé (aprendizaje supervisado), definición, CNIL (autoridad francesa de protección de datos) (https://www.cnil.fr/fr/definition/apprentissage-supervise)

---
Ficha del glosario de IA de WYP.agency · https://wyp.agency/es/glosario/aprendizaje-no-supervisado/ · Última actualización : 2026-10-14