No te cases con el modelo

Cada pocas semanas un laboratorio lanza un modelo nuevo y anuncia que es el mejor del mundo. Durante un trimestre, más o menos, tiene razón para una parte de tu trabajo. Después otro lanza el suyo y la corona cambia de cabeza. Esa tabla de posiciones funciona como una puerta giratoria.

La mayoría de las empresas reacciona como con cualquier compra de tecnología: compara, elige un ganador y estandariza. Con los modelos de IA ese reflejo es un error de estrategia. El problema no es quedarse con el modelo equivocado. El problema es construir un sistema que tenga favorito. Cuando tus procesos, tus instrucciones y tus datos quedan amarrados a un proveedor, cada avance de los demás pasa a costar un proyecto. Convertiste una ventaja de tres meses en una dependencia de años, y lo hiciste a propósito.

El mercado ya lo entendió. Según Menlo Ventures, el 37 % de las empresas ya tiene cinco o más modelos en producción, y ninguno mantiene la delantera en todas las tareas.

Amarrarse a un modelo es congelar una foto

Estás metiendo una foto de este trimestre en un sistema que tiene que funcionar años, y la foto vence en meses. Ningún modelo es el mejor en todo. Uno manda en razonamiento complejo, otro en leer documentos, otro en costo, otro en velocidad, otro en correr dentro de tus propios servidores. Si estandarizas en uno, te comes sus debilidades en todas partes, incluso donde otro lo haría mejor.

Y la dependencia es más profunda que una conexión a una API. Vive en las instrucciones que alguien afinó durante meses a las mañas de ese modelo, en la forma en que se indexó la información de la empresa para ese proveedor y en las herramientas armadas a su formato. Cambiarse después ya es una migración, y por eso casi nadie se cambia.

Irse con uno de los grandes tampoco te protege

Según el mismo estudio de Menlo Ventures, tres empresas, Anthropic, OpenAI y Google, concentran cerca del 88 % del uso de modelos de lenguaje en las empresas. Ese dato hace creer que cualquiera de los tres es una apuesta segura. Es la conclusión equivocada. Los que más usan IA se niegan a elegir. Walmart, según la prensa especializada, construyó sistemas que reparten cada consulta entre GPT, Claude y Gemini según el costo, la velocidad y el tipo de tarea.

Tratan al modelo como lo que es: un insumo que compite y se reemplaza. La seguridad viene de poder moverte, no del tamaño de la marca detrás de la que te escondes.

Casado con un modelo o agnóstico, punto por punto:

• Mejor modelo: esperar el calendario de un proveedor, o usar el nuevo la semana que sale.

• Costo: un solo precio para todo, o cada tarea en el modelo más barato que la hace bien.

• Continuidad: una caída o un alza de precio te pega en todo, o el trabajo pasa a otro modelo.

• Privacidad: lo que el proveedor permita, o lo sensible en un modelo local.

• Actualizarse: un proyecto de migración, o un cambio de configuración.

• Tu ventaja: en un modelo que no controlas, o en tu proceso, tus reglas y tu registro.

Tu ventaja está en lo que rodea al modelo

El modelo se está volviendo un insumo, como la electricidad. Nadie arma su estrategia según qué compañía le vende la luz. Lo que dura es lo que pones alrededor del modelo: qué etapa del trabajo va a qué motor, cuánto cuesta cada acción, qué controles aseguran que el resultado sea correcto, quién revisa y firma, y quién responde cuando algo falla. En otra columna lo llamamos el arnés. Un modelo entrega una respuesta que suena bien. Una operación entrega un resultado correcto todos los días, y el modelo es solo una de sus piezas.

La plata lo deja claro. Usar el modelo más grande para cada tarea es la forma más cara de trabajar con IA, y pocas veces la más precisa. Mandar el trabajo simple y repetitivo a modelos chicos o locales baja la cuenta y deja los modelos de punta para lo que de verdad exige razonar. Eso no se puede hacer si tu sistema está casado con un solo modelo en la nube.

En nuestros colaboradores digitales esa cuenta se ve en el glassbox: cada acción queda escrita con su porqué y su costo. Con ese registro a la vista, la pregunta deja de ser qué modelo estandarizar y pasa a ser qué modelo merece cada etapa del trabajo.

Construir para que cambiar de modelo sea un trámite

Hacen falta cuatro cosas. Una capa que elija el modelo según la tarea, mirando precisión, costo, velocidad y privacidad. El modelo detrás de una interfaz propia, para que una versión nueva sea un cambio de configuración y no una reconstrucción. Modelos chicos y locales en la mezcla, para el trabajo que tiene que ser privado o barato. Y los mismos controles para cualquier modelo, de modo que cambiar el motor nunca debilite el registro, las aprobaciones ni la revisión.

Así trabajamos. El manual del cargo, las reglas, los datos y el registro de lo que hizo el colaborador viven fuera del modelo, en una carpeta que es del cliente. Cuando sale un modelo nuevo, lo probamos con casos reales del cargo antes de confiarle el trabajo. Si rinde mejor, se cambia una línea y lo demás queda igual. Y si el cliente se quiere ir, se lleva su manual y su registro.

La pregunta útil para tu equipo no es con qué modelo estandarizar, sino esta: cuando salga el próximo modelo y le gane al mejor de hoy, cuánto nos demoramos en usarlo y qué tendríamos que reescribir. Si la respuesta honesta es "meses" y "mucho", no tienes una estrategia de IA. Tienes una apuesta al plan de producto de una sola empresa.

Construido así, el motor cambia debajo y el proceso, los controles y los resultados siguen siendo tuyos. No dependes de un proveedor de IA. Dependes de tu colaborador.

Fuentes

• Menlo Ventures, 2025: The State of Generative AI in the Enterprise (37 % de las empresas con cinco o más modelos en producción; Anthropic, OpenAI y Google con cerca del 88 % del uso empresarial).

• Ruteo de Walmart entre GPT, Claude y Gemini, según cobertura de la prensa especializada, 2025-2026.