El mapa de herramientas de IA ya no es el de hace un año
Cuando la referencia cambia, tu stack también debería hacerlo
Hay guías que envejecen y guías que actúan como termómetros. La de Ethan Mollick pertenece a la segunda categoría.
Simon Willison, uno de los observadores más rigurosos del ecosistema de IA, señaló en su blog el pasado 27 de julio algo que merece atención: la guía opinada de Mollick sobre qué IA usar para cada cosa ha cambiado de forma sustancial respecto a la versión de hace un año. Lo que antes era esencialmente una comparativa de chats —ChatGPT, Claude, Gemini— con algunos modelos de razonamiento avanzado como alternativa, hoy es un mapa completamente diferente. Más complejo, más especializado, y más útil si sabes leerlo.
Para una empresa que ya usa IA en sus operaciones, o que está en proceso de escalarla, ese cambio no es anecdótico. Es una señal directa de que el suelo se ha movido.
¿Qué ha cambiado en el mapa de herramientas de IA en el último año?
Hace un año bastaba con elegir uno de los tres grandes modelos de chat y quizá añadir una herramienta de síntesis; hoy el ecosistema se ha especializado por tipo de tarea y modo de uso. Ya no se trata de qué modelo tiene el mejor benchmark general, sino de qué herramienta, en qué modo y para qué output concreto.
Hace un año, la conversación sobre herramientas de IA en entornos empresariales se simplificaba con facilidad: elegías uno de los tres grandes modelos de chat, quizás añadías Deep Research para tareas de síntesis de información, y listo. La fricción estaba sobre todo en la adopción, no en la elección.
Lo que Mollick documenta ahora —y lo que Willison destaca como relevante— es que esa simplicidad ha desaparecido. El ecosistema ha evolucionado hacia una lógica de especialización por tipo de tarea y modo de uso. Ya no se trata solo de qué modelo tiene el mejor benchmark general; se trata de qué herramienta, en qué modo, para qué output concreto.
Esto tiene implicaciones directas para cualquier organización que haya construido sus flujos de trabajo sobre decisiones tomadas hace doce meses.
¿Qué riesgo tiene no actualizar el stack de IA de tu equipo?
Un stack que no se revisa acumula dos deudas silenciosas: deuda de capacidad —usas un modelo o modo que ya no es el más preciso, rápido o económico para tu caso— y deuda de diseño —tus flujos no aprovechan lo que los modelos actuales ya permiten—. El coste de oportunidad es real aunque no se note en el día a día.
Muchas empresas que se subieron pronto al carro de la IA cometieron un error comprensible: eligieron una herramienta, la integraron en sus procesos y la dejaron ahí. Eso funcionaba razonablemente bien cuando el ritmo de cambio era más lento. Ya no.
Un stack de IA que no se revisa periódicamente acumula deuda de dos tipos:
Deuda de capacidad. Estás usando un modelo o un modo de uso que ya no es el más adecuado para tu caso. No porque sea malo, sino porque han aparecido alternativas más precisas, más rápidas o más económicas para exactamente eso que haces. El coste de oportunidad es real, aunque invisible en el día a día.
Deuda de diseño. Los flujos de trabajo que construiste en torno a las capacidades de hace un año no aprovechan lo que los modelos actuales pueden hacer. Es como haber diseñado una cadena de montaje para las herramientas de los años noventa y no haberla tocado desde entonces.
El punto no es cambiar por cambiar. Es revisar con criterio.
Leer bien la guía de Mollick: qué buscar más allá de las recomendaciones concretas
La guía de Mollick tiene valor como mapa de referencia, pero su utilidad real para una empresa no está en seguir sus recomendaciones al pie de la letra. Está en el marco de pensamiento que propone.
Lo que ha cambiado en su aproximación —y esto es lo que merece extraerse— es que ya no organiza las herramientas por marca o por modelo, sino por tipo de tarea y por modo de uso. Eso es exactamente lo que debería hacer cualquier responsable de operaciones o de transformación digital al evaluar su stack.
Las preguntas que importan son:
- ¿Qué tipo de razonamiento requiere esta tarea? ¿Es síntesis de información, generación de contenido estructurado, análisis de datos, toma de decisiones con ambigüedad?
- ¿El output es para consumo humano directo o es un paso intermedio en un flujo automatizado?
- ¿Necesito integración con sistemas propios, o es una tarea suficientemente discreta para una herramienta externa?
- ¿Qué nivel de consistencia y auditabilidad necesito sobre los resultados?
Cuando estructuras así el análisis, las recomendaciones concretas de cualquier guía —incluida la de Mollick— se convierten en inputs útiles en lugar de respuestas definitivas.
Lo que esto significa si estás escalando con agentes
Si tu empresa ya está operando con agentes de IA —o está evaluando hacerlo a escala departamental— la velocidad de cambio del ecosistema introduce un elemento de gestión que no existía antes: la gobernanza del stack.
No se trata solo de elegir bien la primera vez. Se trata de tener un proceso para revisar esas elecciones de forma sistemática. Cuándo revisar, quién revisa, con qué criterios, y cómo se gestiona la transición cuando cambias un componente sin romper los flujos que dependen de él.
Esto es especialmente crítico cuando los agentes no son herramientas de soporte sino piezas operativas reales: agentes que cualifican leads, que gestionan comunicaciones con clientes, que procesan documentos, que toman decisiones dentro de flujos de aprobación. En esos casos, un modelo desfasado o mal elegido no es un problema de productividad marginal; es un problema de calidad de servicio o de eficiencia operativa con impacto directo en resultados.
La buena noticia es que la arquitectura de agentes bien diseñada permite sustituir componentes sin reconstruir desde cero. Pero eso requiere haberlo pensado desde el principio.
¿Cómo elijo y cada cuánto reviso mi stack de IA?
Con tres movimientos: audita las herramientas que usas hoy contrastándolas con el estado actual del ecosistema, mapea tus tareas por tipo de output y fija una cadencia de revisión. Para la mayoría de las organizaciones, una revisión trimestral es razonable.
Si la guía de Mollick te sirve de algo, que sea de palanca para hacer esto:
Primero, audita las herramientas que estás usando hoy. No para cambiarlas por defecto, sino para contrastarlas con el estado actual del ecosistema. ¿Siguen siendo la mejor opción para lo que haces con ellas? ¿Han aparecido alternativas más adecuadas para alguna de tus tareas clave?
Segundo, mapea tus tareas de IA por tipo de output. Separa las que generan contenido de las que analizan datos, de las que razonan sobre situaciones complejas, de las que actúan dentro de flujos automatizados. Ese mapa te dará una visión mucho más clara de si estás usando las herramientas correctas o estás resolviendo todo con el mismo martillo.
Tercero, establece una cadencia de revisión. No hace falta que sea mensual. Pero en un ecosistema donde la guía de referencia cambia sustancialmente en doce meses, no revisar en dos años es asumir un riesgo silencioso. Trimestral es razonable para la mayoría de las organizaciones.
El mapa cambia: lo que importa es saber navegar
Lo más valioso de que Ethan Mollick actualice su guía —y de que Simon Willison lo señale como algo digno de atención— no son las recomendaciones específicas. Es la demostración de que el ecosistema de IA sigue en movimiento activo, y que las decisiones que tomaste hace un año merecen ser revisadas con ojos de hoy.
Para una empresa que quiere usar la IA como palanca real de escalabilidad operativa, la habilidad crítica no es haber elegido bien una vez. Es mantener la capacidad de elegir bien de forma continua, con un proceso claro y sin depender de que alguien en el equipo esté constantemente encima de las novedades del sector.
El mapa ha cambiado. La pregunta es si tu organización tiene los mecanismos para detectarlo y adaptarse, o si seguirá navegando con la versión del año pasado.
Fuentes
- Mollick, E. – «An opinionated guide to which AI to use to do stuff», One Useful Thing
- Willison, S. – comentario sobre la guía de Mollick, Simon Willison’s Weblog, 27 jul. 2026
- Mollick, E. – «Using AI right now: a quick guide» (edición anterior), One Useful Thing
Preguntas frecuentes
¿Por qué importa que la guía de Mollick haya cambiado tanto en un año?
Porque refleja que el ecosistema de IA ya no se resume en elegir entre tres chats: hoy hay modos, modelos y herramientas especializadas que cambian qué es posible hacer y a qué coste.
¿Cómo decide una empresa qué herramienta de IA usar para cada proceso?
La clave es partir del output que necesitas, no del nombre del modelo: define el tipo de tarea, el nivel de razonamiento requerido y si necesita integración con tus sistemas antes de elegir herramienta.
¿Tiene sentido estandarizar una sola herramienta de IA para toda la empresa?
Cada vez menos: los mejores resultados aparecen cuando se asigna la herramienta adecuada a cada tipo de tarea, igual que no usas el mismo software para contabilidad y para diseño.
¿Qué riesgo tiene no actualizar el stack de IA que usa mi equipo?
Trabajar con modelos o modos desfasados significa renunciar a capacidades que ya están disponibles, lo que se traduce directamente en menor calidad de output y mayor tiempo invertido por tarea.
Convierte tu contenido en clientes, sin depender de tu tiempo
En Yuniax construimos el sistema que capta, cualifica y acompana a tus clientes de forma automatica: contenido, embudos y automatizacion trabajando juntos para que tu negocio crezca sin que tu estes en cada paso. Si quieres ver como aplicarlo al tuyo, reserva una llamada con nuestro equipo y te ensenamos por donde empezar.