Cómo elegir el modelo de IA adecuado para cada tarea

Elegir un modelo de IA para una tarea consiste en ajustar el punto fuerte del modelo a lo que la tarea necesita de verdad: un modelo potente y caro para el trabajo en el que la calidad lo es todo, y uno más ligero para el trabajo en el que la velocidad y el coste importan más que exprimir el último detalle de acabado. La mayoría de los equipos se saltan esta decisión. Eligen un modelo al configurar la herramienta y lo usan para todo, pida lo que pida cada tarea.

Es una costumbre comprensible. Decidir tarea por tarea exige pensar más que decidir una vez y olvidarse. Pero una firma que trabaja para clientes paga ese atajo dos veces: una en un gasto en IA que no corresponde al trabajo, y otra en una calidad que no corresponde a lo que espera el cliente.

Cómo decidir qué modelo necesita una tarea

Hazte dos preguntas sobre la tarea: cuánto depende el resultado de la calidad y con qué frecuencia se repite.

Una tarea con mucho en juego y poco volumen, como el análisis en el que se apoya un entregable para un cliente, debe hacerse con el modelo más potente al que tengas acceso. La diferencia de coste entre modelos rara vez importa al lado de lo que cuesta equivocarse en ese análisis. Una tarea con poco en juego y mucho volumen, como dar formato a unas notas o redactar una actualización de estado rutinaria, necesita un modelo lo bastante rápido y barato para usarlo a todas horas, porque por encima de un nivel bastante bajo nadie va a notar la diferencia de calidad.

Las tareas que pillan desprevenidas a las firmas son las intermedias: borradores e investigación de cara al cliente que necesitan calidad de verdad, pero que se repiten lo suficiente como para que el coste se acumule. Para estas hace falta un modelo intermedio solvente, ni el más potente por defecto ni el más barato para ahorrarse unos céntimos.

Un marco para asignar modelos a tareas

Usa lo que está en juego y el volumen para clasificar el trabajo antes de asignar un modelo.

La última fila es la excepción: no todas las tareas merecen una decisión. El marco es más útil en las tres primeras filas, donde equivocarse con el modelo por defecto supone malgastar dinero o dedicar poco cuidado a un trabajo que verá el cliente.

Dónde dejar registrada la decisión

El error habitual de las firmas es dejar la elección a quien le toque hacer la tarea ese día, de modo que el mismo tipo de trabajo acaba con un modelo distinto según quién lo hiciera y qué tuviera abierto. Una decisión que debería ser fija se vuelve a tomar cada vez.

La solución es dejar registrada la elección del modelo en el propio flujo de trabajo, en lugar de dejarla a la costumbre de cada uno. Cuando una firma ha convertido un método que funciona en un flujo de trabajo reutilizable, el modelo de cada paso forma parte de lo que se pone por escrito, junto con las fuentes de las que parte y la forma del resultado. La próxima persona que ejecute ese flujo usa el modelo que ya figura en él, y puede cambiarlo a propósito si la tarea que tiene delante es de verdad distinta de lo habitual.

Además, así es fácil revisar la elección. Si el modelo está escrito en un flujo documentado, cambiarlo es una actualización de una línea cuando aparece una opción mejor. Si solo existe en la memoria de alguien, todos los que adoptaron la costumbre antigua tienen que cambiar el hábito.

Lo que cuesta quedarse con el modelo por defecto

Usar un solo modelo para todas las tareas, sea cual sea, te cuesta de una de estas dos maneras. O el modelo potente hace trabajo rutinario que no necesitaba, y eso es dinero gastado en una calidad que nadie va a notar después. O el modelo ligero hace trabajo que necesitaba más cuidado, y eso se nota más tarde, cuando un revisor detecta algo que un modelo más potente habría resuelto bien a la primera o, peor aún, cuando lo detecta antes el cliente.

Ninguno de los dos costes aparece en una factura con la etiqueta «modelo equivocado». Lo que ves es una partida de gasto en IA que parece alta sin motivo claro, o un tiempo de revisión más largo de lo normal para ese tipo de trabajo. Cuando el modelo encaja con la tarea, las dos cifras significan algo: puedes atribuir el gasto a un trabajo que necesitaba el modelo que se usó, y el tiempo de revisión refleja la calidad real del borrador y no un desajuste de modelo oculto.

Mantén la elección a la vista

Una elección de modelo hecha una vez, dentro de un flujo de trabajo, solo sirve si alguien puede verla más adelante. El uso debe seguir siendo visible por equipo y por cliente, para que un responsable pueda comprobar que los modelos que se usan siguen encajando con el trabajo que se hace, en lugar de dar por hecho que la configuración original sigue siendo correcta meses después. Es una comprobación más pequeña que diseñar el marco desde cero: un repaso periódico para ver si las asignaciones siguen encajando, no repetir todo el ejercicio.

Los motivos para mantener transparente el uso de la IA por equipo y por cliente, y por qué esa visibilidad importa más allá de la elección del modelo, están en el modelo de IA adecuado, con un coste que controlas.