Inteligencia artificial Modelos y herramientas

¿Por qué una misma IA puede utilizar distintos cerebros?

Redacción LedSolEo

Cuando conversamos con un asistente de IA es fácil imaginar que detrás hay una sola cosa: «la IA». En realidad suele haber varias piezas, y una de ellas, el modelo, se puede sustituir en muchos casos sin que el asistente deje de parecer el mismo por fuera. Veamos cómo y por qué, con una advertencia previa: no todas las aplicaciones lo permiten.

Qué es un modelo de IA y por qué lo llamamos «cerebro»

Un modelo de IA es el sistema entrenado que recibe una entrada (una pregunta, por ejemplo) y genera una respuesta. Lo que aprendió durante su entrenamiento, sus «pesos», condiciona cómo escribe, cómo razona y en qué se equivoca.

Llamarlo «cerebro» es solo una comparación divulgativa: no piensa como una persona ni tiene conciencia. Es la pieza que produce las respuestas y la que más pesa en la calidad de lo que recibimos.

Modelo, aplicación y agente: tres cosas distintas

Modelo: el motor que genera las respuestas.
Aplicación: lo que usamos directamente, como una ventana de chat o un editor. Es ella quien decide qué modelo se emplea. La documentación del SDK de agentes de OpenAI indica que el desarrollador puede elegir el modelo y que, si no especifica ninguno, se usa uno por defecto.
Agente: una aplicación que, además de conversar, sigue unas instrucciones y puede usar herramientas para completar tareas en varios pasos.

Cambiar de modelo no equivale a cambiar de aplicación ni de agente: es cambiar al profesional del puesto y mantener la oficina, el encargo y el archivo.

Comparación didáctica en tres cajas: el modelo, que genera las respuestas; la aplicación, que decide qué modelo se usa; y el agente, que actúa con instrucciones y herramientas. — El modelo genera las respuestas, la aplicación decide qué modelo se usa y el agente suma instrucciones y herramientas.

Por qué no existe «el mejor» modelo

OpenAI describe en sus buenas prácticas de razonamiento dos familias. Los de razonamiento son «los planificadores», entrenados para pensar más en tareas complejas; los GPT son «los caballos de tiro», más rápidos y económicos para tareas bien definidas. Su conclusión es textual: «Ninguna familia de modelos es mejor que la otra: son simplemente diferentes».

Su catálogo se organiza en niveles: un modelo insignia (el más capaz), uno equilibrado entre inteligencia y coste y uno eficiente para tareas de alto volumen, además de modelos especializados. Es como pedir un informe a alguien con prisa o a alguien con calma: ambos pueden ser excelentes, pero no para lo mismo.

Su guía de selección ordena la decisión por coste, latencia y capacidad: modelos baratos para extracciones simples, intermedios para trabajo técnico complejo y punteros para análisis exigentes. Tampoco son intercambiables a ciegas: la tabla comparativa de Anthropic muestra que latencia, precio y capacidades varían.

Cómo una aplicación elige o cambia de modelo

Las guías documentan varias estrategias, que pueden combinarse:

Línea base capaz y luego modelos menores. La guía práctica de OpenAI para construir agentes recomienda prototipar con el modelo más capaz y después probar modelos menores para ver si siguen dando resultados aceptables. Anthropic recoge el camino inverso: empezar por uno eficiente y subir solo si falta capacidad.
Enrutamiento por categoría. Anthropic lo describe como clasificar la entrada y dirigirla al manejo especializado adecuado, con prompts y modelos distintos según la categoría, para no pagar lo sencillo con el modelo más caro.
Ajustar el esfuerzo antes de cambiar de modelo: según Anthropic, modificar el «esfuerzo» de un mismo modelo suele ser mejor palanca que sustituirlo.
Probar con las mismas entradas: OpenAI recomienda comparar modelos y ajustes con las mismas entradas y quedarse con el más ligero que cumpla la calidad necesaria.

Algunas aplicaciones dejan decidir al usuario: la documentación de GitHub explica que se puede cambiar de modelo durante una conversación o repetir una petición con otro modelo conservando el contexto. Es un ejemplo de diseño que lo permite, no una regla general.

Qué significa usar distintos proveedores

Según LangChain, un proveedor es la empresa o plataforma que aloja los modelos y los ofrece mediante una API. Con una interfaz estándar se cambia de proveedor sin reescribir la lógica y se comparan modelos con el mismo código. El SDK de OpenAI admite otros proveedores.

LangChain menciona además enrutadores o pasarelas: servicios que dan acceso a modelos de varios proveedores con una sola credencial, permiten cambiar de modelo dinámicamente y definir modelos de reserva si el principal falla. Son como un cuadro de enchufes: cómodo, siempre que el aparato que conectemos funcione con esa corriente.

Un agente con varios modelos: ejemplos cotidianos

Conviene separar lo documentado de lo ilustrativo: la guía de OpenAI sobre agentes indica que puede convenir usar varios modelos en el mismo flujo, y sus buenas prácticas citan un ejemplo concreto, con modelos ligeros clasificando y un modelo de razonamiento decidiendo. Sobre esa base, un ejemplo ilustrativo —no un producto real— sería un agente que prepara un informe:

Investigar: un modelo rápido y económico recopila y resume documentos.
Redactar: un modelo equilibrado escribe el primer borrador.
Analizar: un modelo más capaz estudia los casos difíciles.
Revisar: otro modelo comprueba coherencia y erratas.

Es un reparto de ejemplo, no una receta universal: cada flujo debería probarse con sus datos.

Diagrama de un agente que reparte cuatro tareas —investigar, redactar, analizar y revisar— entre módulos o «cerebros» distintos, con las etiquetas de ventaja y de coste. — Un mismo agente puede repartir sus tareas entre modelos distintos: más variedad de recursos, pero también más coste y más pruebas.

Qué se mantiene y qué viaja con el modelo

Es análisis de esta redacción, no una regla universal. Lo que suele mantenerse, porque vive fuera del modelo, son las instrucciones y la identidad que definen, la memoria guardada aparte y las herramientas con sus permisos. Si quieres cada pieza, tenemos artículos sobre el alma de los agentes, su memoria y los sistemas multiagente.

Lo que viaja con el modelo es lo aprendido en su entrenamiento: su conocimiento, sus sesgos y su manera de escribir. Es cambiar de cerebro conservando la agenda y las costumbres, aunque no todos los diseños separan estas piezas igual.

Mismas instrucciones, respuestas distintas

Conservar las instrucciones no garantiza respuestas idénticas: el papel es el mismo, pero los pesos son otros. Dos modelos con la misma consigna pueden diferir en estilo, formato, decisiones y errores, igual que dos buenos cocineros con la misma receta no sirven exactamente el mismo plato. Por eso las guías insisten en probar con las mismas entradas y fijar evaluaciones antes de dar por bueno un cambio.

Ventajas, costes y limitaciones

Ventajas documentadas:

Optimizar coste y latencia sustituyendo modelos grandes por pequeños donde sea posible, como plantea la guía de agentes de OpenAI.
Reservar el modelo caro para lo difícil, gracias al enrutamiento.
Contar con modelos de reserva si el principal falla, según LangChain.

Costes y límites:

Hay que dedicar tiempo a evaluar y comparar.
Los modelos no son equivalentes: cambian velocidad, precio y capacidades.
Anthropic documenta cambios incompatibles al migrar: por ejemplo, si la integración fuerza el uso de herramientas o desactiva el «pensamiento», hay que revisar las notas de cambios antes de sustituir el modelo.
La organización puede tener que autorizar el cambio. En planes de empresa, GitHub indica que debe autorizarlo la organización y que ciertas extensiones pueden imponer su propio modelo.
Hay aplicaciones que simplemente no permiten elegir.

No damos precios ni recomendaciones concretas: cambian y dependen de cada caso.

Qué podría venir: una expectativa

Lo que sigue es una expectativa, no una capacidad documentada: si se consolida la separación entre modelo, instrucciones, memoria y herramientas, podrían ser habituales los asistentes que escojan el modelo según la tarea, uno ágil para lo cotidiano y otro más capaz para lo delicado. Para ello habría que resolver la compatibilidad, la coherencia de las respuestas y las autorizaciones. Mientras tanto, la idea útil para un principiante es esta: el cerebro importa mucho, pero no es lo único que hace a un asistente.