La proliferación de LLMs – Demasiadas opciones
Parece que cada dos días surge un nuevo modelo de IA. Entre mediados de 2024 y mediados de 2025, vimos una “asombrosa explosión de innovación” en modelos de lenguaje grande (LLMs), con nuevos modelos apareciendo “casi semanalmente”. Gigantes tecnológicos y comunidades de código abierto avanzan a toda velocidad. La serie GPT de OpenAI, la familia de modelos Qwen de Alibaba, la serie LLaMA de Meta, PaLM/Gemini de Google, Claude de Anthropic y Grok de xAI de Elon Musk (entre muchos otros) compiten por atención.
En el lado propietario, GPT-5 de OpenAI y Gemini de Google (modelos multimodales) acapararon titulares, mientras que equipos open-source lanzaron alternativas poderosas como Llama y Mistral. Solo en 2024, instituciones estadounidenses produjeron 40 modelos de IA destacados, frente a 15 en China y 3 en Europa, lo que subraya cuántas nuevas opciones de LLM deben evaluar las empresas.
Cada modelo suele tener variaciones (tamaños, versiones ajustadas, iteraciones como GPT-4 vs GPT-5, Llama v2 vs v3, etc.), multiplicando la complejidad de decisión. El ritmo es “vertiginoso”: los modelos actuales ya no son solo de texto, sino multimodales (manejan imágenes, audio e incluso video) y cuentan con enormes ventanas de contexto, lo que marca un “cambio fundamental en cómo podemos usar estos sistemas”.
Tan solo intentar mantenerse al día es un trabajo de tiempo completo. Cada mañana trae un nuevo titular, una nueva capacidad o un lanzamiento más en Twitter/X. Para muchos líderes empresariales y tecnólogos, revisar las actualizaciones diarias de IA se siente como intentar beber de una manguera contra incendios. La paradoja de la elección es real: cuando cada semana surge un nuevo modelo “estado del arte”, las organizaciones luchan por decidir cual elegir
El auge de los agentes y la nueva «autonomía» de la IA
Ya no se trata solo de modelos independientes: 2024 y 2025 han visto un auge de agentes de IA capaces de actuar de manera autónoma. Un ejemplo es el ChatGPT Agent de OpenAI, lanzado para usuarios Pro, Plus y Team. Combina navegación, inicio de sesión seguro, ejecución de código, creación de hojas de cálculo y presentaciones en un “computador virtual” capaz de planear viajes, gestionar calendarios, realizar investigaciones profundas y ejecutar flujos de trabajo de varios pasos, todo mientras solicita confirmación humana en acciones críticas. Este movimiento posiciona a OpenAI directamente en la carrera de IA agéntica, junto con herramientas como Maginative y CrewAI. Sin embargo, tanto los agentes de OpenAI como los de la competencia siguen en una etapa temprana y requieren supervisión humana robusta. La aparición de la IA agéntica (orquestación multiagente con autonomía orientada a objetivos) se está acelerando hacia 2025, aunque los sistemas verdaderamente autónomos, de propósito general, siguen en su etapa inicial.
El furor por los agentes insinuó un futuro en el que la IA maneje tareas de múltiples pasos: planear itinerarios, reservar citas, gestionar flujos de trabajo, etc., todo por sí misma. Es una visión emocionante. Muchos de los primeros “agentes” resultaron frágiles o simples chatbots sofisticados que se ciclan a sí mismos. Aun así, el impulso consolidó el concepto de IA agéntica: sistemas de IA que establecen sus propios objetivos y coordinan múltiples agentes o herramientas.
Conectar agentes entre sí: para acercarse a esa visión, los desarrolladores han creado diferentes sistemas para vincular a los agentes. Un ejemplo es el protocolo Agent-to-Agent (A2A), que facilita la comunicación y colaboración entre varios agentes. Otro paradigma notable es el Model Context Protocol (MCP), un estándar abierto presentado por Anthropic en 2024 que permite a los agentes de IA utilizar eficazmente herramientas y servicios externos. MCP es como un «USB-C para herramientas de IA»: estandariza el modo en que un agente de IA se conecta a diversos recursos y se integra con otros agentes. Tras la presentación de MCP, A2A y protocolos similares de conexión de agentes, los desarrolladores de IA empezaron a experimentar con el encadenamiento de agentes para crear sistemas que puedan llegar a ser «totalmente autónomos». Aún es pronto. Por ahora, estos protocolos sirven de «pegamento» para flujos de trabajo multiagente complejos, ya que permiten que un agente pase tareas a otro o invoque herramientas externas de forma segura. Por ejemplo, un agente puede utilizar MCP para acceder a la base de datos de una empresa o invocar una búsqueda en Internet y, a continuación, enviar los resultados a otro agente para su posterior procesamiento. Esto promete una orquestación potente y capacidades mejoradas, pero también plantea nuevos desafíos en torno a la memoria compartida, la integración de herramientas y la seguridad cuando los agentes se comunican entre sí. En resumen, el ecosistema de la IA no consiste solo en muchos modelos, sino cada vez más en redes de modelos y herramientas que funcionan de forma concertada, lo que añade otra capa de complejidad que las organizaciones deben comprender.
Un panorama fragmentado de herramientas y frameworks
Más allá de los modelos y los agentes, existe una abrumadora variedad de marcos de trabajo y herramientas para construir algo útil con la IA. Los desarrolladores de 2023 acudieron en masa a bibliotecas como LangChain, un marco de código abierto para orquestar los LLM en las aplicaciones (por ejemplo, gestión de flujos de consulta, calls a herramientas, almacenamiento en memoria, etc.). El auge de LangChain, y de otros conjuntos de herramientas similares como LlamaIndex, Haystack, Autogen, Semantic Kernel de Microsoft, etc., pone de relieve que la creación de aplicaciones de IA en el mundo real requiere unir muchas piezas: el propio modelo, la generación aumentada por recuperación (para basar la IA en los datos), la ingeniería de prompts, la supervisión y la depuración, y así sucesivamente. Cada marco intenta simplificar el proceso, pero elegir uno aumenta la carga de decisiones. Resulta revelador que, incluso después de seleccionar un modelo, los equipos tengan que lidiar con «la integración del contexto adecuado a través de la GAR para mitigar las alucinaciones» y con «las diferencias en los resultados a medida que evolucionan los modelos». También existe el problema de la rápida obsolescencia: los proveedores de IA actualizan los modelos o las API con frecuencia (por ejemplo, un modelo queda obsoleto o una nueva versión cambia el comportamiento), rompiendo todo lo que has construido.
Para complicar aún más las cosas, todos los proveedores de nube y SaaS están incorporando IA generativa en sus plataformas. Hiperescaladores como AWS, Microsoft Azure y Google Cloud promueven sus propios ecosistemas de IA (desde modelos patentados hasta servicios de IA integrales) con el objetivo de crear una experiencia fluida para los usuarios. Aunque este enfoque es cómodo, también plantea retos a las empresas a la hora de navegar por las diversas opciones disponibles. El servicio Bedrock de Amazon, por ejemplo, se lanzó en 2023 para ofrecer un menú de modelos de base (desde el generador de imágenes Stability AI hasta Claude 2 de Anthropic o los propios modelos Titan de Amazon) a través de una API. En palabras de un ingeniero de Amazon, «el mundo avanza tan rápido en cuando a [modelos de IA] que es bastante imprudente esperar que un modelo vaya a hacerlo todo bien… nuestro objetivo es que el cliente elija». En otras palabras, incluso los proveedores de servicios en la nube reconocen que no existe un modelo único que lo consiga todo, pero cada uno de ellos reúne diferentes carteras de modelos y herramientas. Microsoft, a través de Azure OpenAI, impulsa los modelos de OpenAI y sus integraciones Teams/Copilot. Google promociona su plataforma Vertex AI con modelos PaLM e integraciones en Google Workspace. AWS ofrece Bedrock con una mezcla de modelos de socios y hace hincapié en la personalización. Esta competencia entre proveedores significa que las empresas que evalúan la IA no solo se enfrentan al dilema de qué modelo, sino también a qué plataforma y qué marco de integración elegir. El conjunto de herramientas está fragmentado: la solución de una empresa puede basarse en LangChain + OpenAI en Azure, la de otra en Vertex AI + orquestación de API personalizada, etc. El resultado es un panorama de opciones y piezas móviles que genera confusión.
La paradoja de la elección para las empresas
En la actualidad, se están produciendo dos grandes carreras en el mundo de la IA. La primera es la batalla sobre quién construye los mejores modelos o agentes de base: los contendientes incluyen OpenAI, Anthropic, Meta, xAI y Google, entre otros. Pero esta no es nuestra carrera. La segunda carrera, la más importante, es sobre quién implementa la IA mejor, más rápido y con mayor ROI. Ese es el verdadero campo de batalla para la mayoría de las empresas del mundo, y es donde las cosas se complican.
Esta sobreabundancia de opciones de IA es a la vez una bendición y una maldición. Por un lado, es probable que exista una solución de IA para cada necesidad; por otro, es exponencialmente más difícil identificar la solución adecuada. La situación ha dado lugar a una «paradoja de la elección» en la que las organizaciones se sienten atascadas y abrumadas. Como se describe en un análisis, «la explosión de herramientas, modelos y sistemas de IA ha dejado a las empresas con… tantas opciones… cada una de las cuales promete revolucionar los flujos de trabajo o desbloquear valor… que las empresas se ven incapaces de decidir qué solución es la adecuada. En lugar de permitir la innovación, esta abundancia de IA está generando confusión, malas inversiones y desperdicio de recursos». Diferentes equipos pueden experimentar con distintos modelos o plataformas, lo que da lugar a duplicidades y solapamientos que dificultan la estandarización de cualquier cosa. Es habitual ver silos de IA: un departamento crea un chatbot con el proveedor X, otro crea un prototipo con la biblioteca Y, lo que da lugar a esfuerzos fragmentados que no se amplían.
Además, la rentabilidad sigue siendo poco transparente. Los vendedores exageran el potencial transformador, pero las empresas desconfían sin pruebas claras de resultados tangibles. Abundan los problemas de integración: muchas herramientas de IA afirman que son fáciles de integrar, pero en realidad requieren una personalización y una ingeniería considerables para adaptarse a los procesos existentes. Esta complejidad provoca parálisis en la toma de decisiones. Un comentario de LinkedIn de finales de 2024 observaba que las fuertes inversiones en IA a menudo «fracasan en su implementación efectiva, lo que se traduce en herramientas sin usar y equipos frustrados… las empresas acaban aferrándose a sistemas obsoletos simplemente porque las alternativas son demasiado complejas de evaluar o implementar». En otras palabras, el miedo a elegir la IA «equivocada» o a estropear la implantación puede hacer que una organización directamente no elija ninguna.
Lo que falta en toda esta revolución es simplificación y orientación. El rápido crecimiento del sector ha superado la capacidad de muchas empresas para darle sentido. Los expertos sugieren que lo que necesitan las empresas no es perseguir cada juguete nuevo de IA que aparece, sino centrarse en una estrategia de IA más inteligente. En palabras de Branislav Šmidt, «la solución no es necesariamente más innovación, sino una innovación más inteligente. Las empresas deben pasar de perseguir tendencias a construir una estrategia de IA que les funcione». En la práctica, eso significa alejarse y elaborar una hoja de ruta clara: identificar casos de uso de gran impacto, seleccionar un stack tecnológico sostenible (a menudo una mezcla de tecnologías) alineado con esos objetivos y establecer una gobernanza para que la iniciativa de IA se ejecute y adopte en toda la empresa. Esto es más fácil de decir que de hacer, y a menudo requiere una experiencia imparcial para abrirse paso a través del marketing de los vendedores y encontrar las herramientas adecuadas para el trabajo. Al final, un plan eficaz de IA debe equilibrar las innovaciones que avanzan con rapidez con las capacidades y necesidades reales de la empresa. En resumen, se trata de encontrar el equilibrio adecuado en lugar de seguir todas las tendencias.
Globant AI Pods y Enterprise AI: Un enfoque equilibrado que da prioridad a la estrategia
En este turbulento panorama de IA, Globant se está posicionando como guía y fuerza estabilizadora para las empresas. En lugar de apostar por una sola tecnología, el enfoque de Globant es seguir centrado en el cliente y combinar diferentes modelos. Esto ayuda a los clientes a evitar quedarse atrapados en un ecosistema y garantiza que la solución utilice la herramienta adecuada para el trabajo.
En el centro de este enfoque se encuentra Globant Enterprise AI (GEAI), una plataforma avanzada que no solo proporciona acceso a todos los principales LLM, sino que también garantiza la trazabilidad, la auditabilidad y los permisos de acceso granular en todas las interacciones. GEAI incluye enrutamiento inteligente para seleccionar la respuesta óptima y se conecta a la perfección con los principales servicios de hiperescaladores, lo que permite a los AI Pods acelerarlo todo, desde el desarrollo de software hasta la optimización de los procesos empresariales. Cuenta con funciones RAG y RAFT de última generación, recopila información sin problemas, se conecta con los principales sistemas empresariales, como SAP y Salesforce, y permite a las empresas aportar sus propios agentes personalizados o crear otros nuevos mediante flujos de trabajo asistidos por IA. Proporciona total transparencia: cada mes, los clientes reciben un informe mensual completo que cubre el 100% de los tokens, las interacciones y los artefactos generados por los agentes bajo supervisión humana. GEAI puede desplegarse en cualquier hiperescalador (AWS, Azure, GCP, etc.), aprovechando al máximo sus capacidades y protegiendo a los clientes de la complejidad subyacente. Los clientes no tienen que preocuparse de qué modelo o marco utilizar, ya que GEAI elimina esas opciones.
Además, Globant aprovecha su conocimiento del sector para crear estrategias que se alineen con las necesidades específicas del negocio. A medida que las empresas se apresuran a hacer operativa la IA generativa a gran escala, la demanda está pasando de pilotos experimentales a componentes específicos del sector y de nivel de producción que pueden implementarse rápidamente sin comprometer la seguridad ni el cumplimiento de las normativas. Los AI Studios de Globant responden a esa necesidad con un conjunto de productos listos para el mercado, extraídos de implementaciones en el mundo real dentro de la experiencia de la compañía en el sector. Estos paquetes permiten a las organizaciones pasar del concepto a un ROI medible en semanas, al tiempo que conservan el control de sus conocimientos y flujos de trabajo propios.
Además de GEAI, los AI Pods de Globant están diseñados para navegar por las complejidades de la IA y aprovechar todo su potencial. Los AI Pods son los equipos virtuales de tu fuerza de trabajo digital, impulsados por IA agéntica y guiados, orquestados y supervisados por expertos humanos. Ofrecen un enfoque independiente de todo modelo y orientado a los resultados para controlar la complejidad de la IA. Integran tecnologías de punta (LLM, agentes, etc.) a través de GEAI, al tiempo que se mantienen independientes de todo proveedor, centrándose en cambio en ofrecer resultados comerciales. Nuestros AI Pods se ofrecen con precios basados en el consumo y alineados con los resultados, lo que proporciona un ahorro de tiempo y costos garantizado y traslada la propuesta de valor a resultados concretos.
En términos simples, lo que Globant ofrece es una manera de hacer que tu estrategia de IA sea ejecutable. En lugar de un enfoque poco sistemático o de quedarse atascado en la parálisis del análisis, un AI Pod te ayuda a dar el primer paso. Ofrece un equipo dedicado y un conjunto de herramientas de capacidades de IA, guiados por las mejores prácticas que permiten a las empresas obtener ahorros tangibles con respecto a la IA (en eficiencia, velocidad o nuevas oportunidades de ingresos) en lugar de perderse en la experimentación.
En resumen, el mundo de la IA puede ser tan enrevesado como la novela de la tarde, pero con el socio adecuado, no tienes por qué atravesarlo solo. En efecto, la complejidad del ecosistema es exponencial y abarca modelos, agentes, protocolos y plataformas difíciles de seguir para cualquiera. La clave está en no escuchar el barullo y alinear la adopción de la IA con un valor empresarial claro. Los AI Pods y la plataforma de IA empresarial de Globant tienen como objetivo proporcionar esa mano guía, aportando claridad, equilibrio y ejecución a tu experiencia con la IA, para que puedas combinar las tecnologías adecuadas (y solo las adecuadas) con tu negocio y comenzar a cosechar beneficios tangibles de la innovación en IA.
