Hasta ahora, venimos tratando la inteligencia artificial como si fuera una decisión de proveedor: Si OpenAI, si Anthropic, si Gemini… y a partir de ahí intentamos construir todo encima. Es una forma razonable de empezar, todos ofrecen APIs que nos permiten empezar fácil, entender la herramienta y mostrar resultados.
Pero ahora empieza a aparecer, cada vez con más fuerza, una señal distinta. Usar un LLM en forma efectiva ya no es solo hacer una pregunta y obtener una respuesta aislada. Hoy se habla de agentes, autonomía, loops y multi-modelo. La etapa de casarse con un solo laboratorio de IA empieza a quedar atrás. Los grandes proveedores, como Microsoft, vienen moviéndose hacia esta lógica con herramientas capaces de usar distintos modelos según el tipo de tarea, el costo y las restricciones de cada cliente. Lo interesante no es la novedad técnica en sí, que no es nada revolucionario, sino lo que representa. La IA dejó de ser solo un experimento y empezó a entrar en la contabilidad real de las empresas.
Cuando una herramienta se usa poco, el costo parece menor. Cuando se integra a ventas, soporte, desarrollo, administración o análisis de datos, cada consulta empieza a ser una línea más en el gasto operativo. Ahí aparece la pregunta: Para esto, ¿hace falta el modelo más caro y potente?
Esa pregunta cambia la conversación, ya no alcanza con ponerle IA, como ya vengo diciendo a cada cliente y potencial cliente, implementar IA no es hacer un chatbot. Usar IA en serio implica saber qué parte del trabajo se automatiza con código tradicional, qué parte se automatiza con IA, dónde hay decisiones lógicas y dónde la IA puede tomar esas decisiones, qué datos se exponen, qué errores son tolerables, quién revisa el resultado y cuánto cuesta. Es menos marketing y más gestión.
En algún punto, esto se parece a lo que pasó con la nube. Al principio parecía que la decisión importante era elegir un proveedor. Después se volvió evidente que el verdadero trabajo era diseñar bien la arquitectura, controlar costos, medir rendimiento y evitar dependencias innecesarias. Con la IA está pasando algo parecido, pero más rápido debido al hype extremo, la velocidad con la que se mueve el mercado, y el añadido de la incertidumbre propia de la IA: No siempre sabemos de antemano cuánto va a pensar la máquina antes de responder.
Para las empresas chicas y medianas, esta etapa puede ser una oportunidad. No tienen por qué copiar la complejidad de una corporación, pero sí pueden aprender la lección antes de gastar de más y empezar en forma inteligente. La pregunta no es qué modelo, sino qué parte del negocio merece IA, cuál merece automatización tradicional y cuál, por ahora, conviene seguir resolviendo con criterio humano.