Su empresa ya no tiene un modelo de IA. Tiene una cartera, y hay que gestionarla como tal

Durante dos años, la pregunta en las empresas fue “¿qué modelo usamos?”. A la vista de lo que se ha lanzado en la última semana, la pregunta ha dejado de tener sentido.

OpenAI empezó a facturar GPT-Rosalind, un modelo de ciencias de la vida disponible solo para investigación aprobada. Cloudflare lanzó modelos de decisión que devuelven probabilidades en lugar de texto. OpenAI y Synopsys anunciaron un modelo entrenado para manejar herramientas de diseño de chips. Chatham Financial describió una plataforma donde cuatro modelos de OpenAI se reparten el trabajo según su dificultad, y Albertsons explicó cómo combina modelos predictivos con IA generativa. Si se suma la guía de enrutamiento que OpenAI publicó con GPT-6, el patrón es difícil de ignorar.

Nuestra lectura, que es una opinión y no un hecho: la era del modelo único se está acabando dentro de la empresa. Lo que la sustituye es una cartera de modelos con funciones, responsables, costes y reglas distintos. Quien siga gestionando “el modelo” como una sola cosa pagará de más, controlará de menos, o ambas cosas.

Los seis papeles de una cartera de modelos

No todas las empresas necesitan los seis. La mayoría de los entornos de IA en producción tendrán al menos cuatro antes de un año.

1. Generalista de frontera. Planificación, razonamiento abierto, síntesis difícil. Caro por llamada, compensa en los pasos que lo requieren. En nuestro análisis de la guía de GPT-6, es el modelo al que se enruta a propósito, no por defecto.
2. Modelo eficiente por defecto. El modelo general más barato, que debería recibir primero la mayor parte del tráfico. La plataforma interna de Chatham usa GPT-5.6 Terra por defecto y deja que cada aplicación opte por Sol. Ese valor por defecto es una decisión de gobernanza escrita en configuración.
3. Especialista de dominio. Modelos entrenados para un campo, como GPT-Rosalind para biología y descubrimiento de fármacos. Suelen llegar con acceso restringido a un uso aprobado, lo que los convierte en activos gobernados, como explicamos en el análisis de hoy sobre la facturación de GPT-Rosalind.
4. Operador de dominio. Modelos entrenados para manejar una herramienta especializada, como GPT-Synopsys en automatización de diseño electrónico. Todavía es pronto, pero la dirección está clara, y eleva lo que está en juego en la custodia, porque los datos de la herramienta viajan con el modelo.
5. Modelo de decisión. Modelos pequeños y rápidos que responden preguntas tipadas con probabilidades: enrutar, bloquear, aprobar, escalar. Clef, de Cloudflare, es el ejemplo más claro. Liberan a los modelos caros de las preguntas acotadas y frecuentes.
6. Los modelos predictivos que ya tiene. Los modelos de previsión, propensión y riesgo no han quedado obsoletos. Albertsons describe la combinación de modelos predictivos con IA generativa para producir recomendaciones explicables. En muchas empresas, la función generativa más valiosa se apoyará sobre un modelo existente, no lo sustituirá.

Los modelos de búsqueda y de embeddings también entran en el inventario, igual que los verificadores deterministas que ni siquiera son modelos: baterías de pruebas, conciliaciones, validadores. Son la autoridad ante la que responde la cartera, como deja explícito el diseño de GPT-Synopsys.

1. El modelo de decisión clasifica la petición
2. El modelo por defecto resuelve lo rutinario
3. Frontera o especialista por ruta explícita
4. El modelo predictivo existente aporta puntuaciones
5. Una comprobación determinista verifica
6. Una persona decide las excepciones

• Enrutar: El modelo de decisión clasifica la petición
• Trabajar: El modelo por defecto resuelve lo rutinario · Frontera o especialista por ruta explícita · El modelo predictivo existente aporta puntuaciones
• Autoridad: Una comprobación determinista verifica · Una persona decide las excepciones

Decisión rápida y tipadaModelos con funciones y costes distintos

Qué cambia al gestionar una cartera

El enrutamiento se convierte en política. Qué tareas van a qué modelo, con qué valor por defecto y con qué vía de mejora, debe estar en un único lugar (el gateway o la capa de orquestación), versionado y registrado. La regla de Chatham, modelo por defecto más mejora explícita, es una buena plantilla.

Cada modelo necesita un responsable y un conjunto de evaluación. Una cartera de seis modelos con un único benchmark compartido no está gobernada. Cada papel necesita su propia medida de éxito: calibración para los modelos de decisión, acierto en el dominio para los especialistas, coste por tarea resuelta para el modelo por defecto.

El ciclo de vida se multiplica. Cada modelo de la cartera se retirará con su propio calendario. Defendimos que la retirada de modelos es la nueva deprecación de API; con seis modelos, eso se convierte en una agenda, no en un evento.

El acceso cambia según el modelo. Algunos modelos están abiertos a todos; otros, como los especialistas de acceso restringido, se limitan a usos aprobados y equipos concretos. El control de acceso tiene que ser por modelo, no por plataforma. Y la ubicación también: no todos los modelos de la cartera estarán disponibles en una región europea, lo que para una empresa española puede decidir qué papel cumple cada uno.

El coste se mide por resultado. La cartera existe para que cada tarea vaya al modelo más barato que la hace suficientemente bien. Solo funciona si se miden las salidas aceptadas, no los tokens.

La banca española tiene un punto de partida conocido: bajo la supervisión del BCE, las entidades significativas ya mantienen inventarios, validación y seguimiento de sus modelos internos de riesgo. Una cartera de modelos generativos es tecnología nueva dentro de una disciplina antigua. Quien amplíe el inventario existente, en lugar de abrir un “registro de IA” paralelo, llegará antes a la revisión de riesgos. En Latinoamérica, donde muchas empresas pagan los modelos en dólares, medir coste por resultado protege además frente al tipo de cambio.

En un entorno Microsoft, el catálogo de modelos y el model router de Foundry hacen tangible la cartera. Las herramientas ayudan; la política de enrutamiento, los responsables y la evaluación siguen siendo decisiones de la empresa.

Qué demostraría que esta lectura es errónea

Si un único modelo de frontera llegara a ser barato, rápido y preciso en los dominios especializados hasta el punto de que el enrutamiento dejara de compensar, la cartera volvería a ser un solo modelo. No lo esperamos en el próximo año, porque los especialistas llegan con reglas de acceso e integraciones con herramientas que un generalista no replica solo por ser más inteligente. Pero es la señal que conviene vigilar.

Una revisión de cartera en una página

1. Enumere todos los modelos en producción o en piloto, incluidos embeddings, modelos de decisión y modelos predictivos existentes.
2. Asigne a cada uno un papel de los seis anteriores, un responsable y un uso aprobado.
3. Escriba la política de enrutamiento: modelo por defecto, mejoras explícitas, especialistas restringidos.
4. Defina una medida de éxito por papel y un conjunto de evaluación por modelo.
5. Ponga las fechas de retirada en un calendario y asocie un conjunto de regresión a cada una.
6. Informe del coste por salida aceptada por caso de uso, no del gasto total en tokens.

En resumen

La pregunta útil ya no es qué modelo es el mejor. Es qué trabajo hace cada modelo, quién es su responsable, cómo se evalúa y qué decide si su salida es correcta. Las empresas que respondan a esas cuatro preguntas para cada modelo tendrán la ventaja de los especialistas sin perder el control del conjunto.