El modelo se ha convertido en commodity
Hace dos años, elegir un modelo de IA era una decisión estratégica relevante. Había diferencias grandes en capacidad, en coste y en estabilidad. Hoy no. GPT-4o, Claude Sonnet, Gemini 2, Llama 3, Mistral Large: casi cualquier PYME puede acceder a ellos por una factura mensual que cabe en un presupuesto de marketing.
Esa democratización es una buena noticia, pero cambia el tablero. Ya no gana la empresa con mejor acceso a modelos. Gana la empresa que sabe rodearlos del contexto, las integraciones y los procesos adecuados. Y ahí es donde la mayoría se queda corta.
Las seis capas que convierten un modelo en impacto
Un modelo en producción útil para negocio rara vez es solo un modelo. Es un sistema con al menos seis capas trabajando juntas.
1. Integraciones con los sistemas existentes
El modelo tiene que leer y escribir en tu ERP, tu CRM, tu repositorio documental, tu canal de atención. Sin esas conexiones, se queda en generador de texto aislado.
2. Datos estructurados y accesibles
Un modelo alimentado con datos sucios, duplicados o inconsistentes produce decisiones sucias. Antes de conectar IA, muchas empresas necesitan ordenar su capa de datos. Sin esa base, cualquier modelo es un eco amplificado del caos previo.
3. Orquestación de flujos
Un caso de uso real rara vez se resuelve con una sola llamada al modelo. Requiere flujos con pasos humanos, llamadas a herramientas, decisiones condicionales y registro auditable. Esta capa es la que transforma un prompt en un proceso.
4. Evaluación continua
Un modelo en producción se desvía con el tiempo. Los datos cambian, los usuarios cambian, el mundo cambia. Sin evaluación periódica con casos etiquetados el sistema degrada sin que nadie se dé cuenta hasta que un cliente se queja.
5. Monitoreo en producción
Latencia, coste por interacción, tasa de error, intervenciones humanas, cobertura de casos. Si no se mide, no existe. Los proyectos que no miden terminan con un agente que nadie se atreve a tocar porque no saben qué está haciendo.
6. Gobierno desde dirección
Las decisiones sobre qué automatizar, qué riesgos aceptar y cuándo retirar el sistema tienen que estar en el comité de dirección. Esa es la capa que convierte IA en capacidad de empresa y no solo en herramienta técnica.
La ingenuidad del 'vamos a conectar un chatbot'
La mayoría de proyectos fallidos empieza así. Alguien ve una demo de un chatbot, se suscribe a un modelo, lo pone en la web. Dos meses después el chatbot contesta preguntas genéricas y no conoce los productos de la empresa. Seis meses después está desactivado.
No falló el modelo. Faltaron las seis capas. No había integración con catálogo, ni con pedidos, ni con histórico de clientes. No había evaluación. No había gobierno. Había una herramienta sin sistema detrás.
Por qué cerrar el gap no puede hacerlo IT sola
Las seis capas cruzan departamentos. Integraciones las pone IT, datos los tiene que validar negocio, orquestación es producto, evaluación es calidad, monitoreo es operaciones y gobierno es dirección. Cuando una sola área intenta cargar con todo, una de las capas queda coja. La coja siempre es la que hace caer el proyecto.
Cómo cerramos el gap en cada proyecto de Averis
Cada despliegue nuestro arranca con un checklist de seis capas. No se firma nada hasta que hay responsable identificado para cada una. No se lanza nada hasta que las seis están mínimamente cubiertas. Parece lento, pero es lo que permite que el sistema siga funcionando en el mes doce, cuando los modelos ya no importan tanto como la operación de fondo.
Si tu empresa ya ha probado ChatGPT Enterprise, Copilot o equivalentes y no ve impacto, probablemente el problema no es el modelo. Es el sistema que falta alrededor. Y sí, ese sistema se construye. No se compra.
