Qué IA usar para qué: la guía que todo decisor debería leer
El mapa de los modelos de IA acaba de cambiar (otra vez). Y esta vez el cambio importa de verdad.
Hace unos días, Simon Willison recogía en su blog la actualización de uno de los recursos más seguidos del ecosistema: la guía de Ethan Mollick sobre qué modelo de IA usar para qué cosa. Lo que Willison señala no es solo el contenido de la guía, sino su evolución. Y en esa evolución hay una señal clara para cualquier empresa que esté pensando en serio en escalar con IA.
La conclusión no es cuál es el modelo más potente esta semana. Eso cambia cada pocas semanas y apostar por esa carrera es una trampa. La conclusión es que el ecosistema ha madurado tanto, y tan rápido, que ya no tiene sentido hablar de «la IA» como si fuera una herramienta única. Igual que no tienes un solo CRM para toda la empresa, no vas a tener un solo modelo de IA para todo.
De la conversación al sistema: lo que ha cambiado en doce meses
Hace un año, la guía de Mollick era básicamente una comparativa de chatbots: ChatGPT, Claude, Gemini. El modo de uso por defecto era el chat. Los modelos de razonamiento avanzado y la investigación profunda eran opciones para usuarios avanzados, casi experimentales.
Hoy, según recoge Willison, el panorama es otro. Los modos especializados —razonamiento extendido, investigación profunda, generación de código, agentes con acceso a herramientas— han dejado de ser extras para convertirse en la forma habitual de trabajar con estas plataformas. No estamos ante una evolución incremental: es un salto cualitativo en cómo se estructura el trabajo con IA.
Para una empresa que opera procesos a escala, esto tiene una implicación concreta: la pregunta ya no es «¿usamos IA?», sino «¿qué arquitectura de modelos necesitamos para cada tipo de proceso?». Y esa pregunta tiene respuestas distintas según estés automatizando atención al cliente, análisis de datos, generación de contenido comercial, soporte interno o cualificación de leads.
El error que sigue cometiendo la mayoría
Hay una inercia muy común en empresas que ya están usando IA de alguna forma: han elegido un proveedor, han integrado su API en algún flujo, y asumen que eso es suficiente. Que si el modelo mejora, ellos mejoran con él automáticamente.
El problema es que esa lógica ignora algo fundamental: distintos modelos tienen distintos perfiles de rendimiento según el tipo de tarea. Un modelo excelente para redacción creativa o síntesis de documentos puede ser mediocre para razonamiento matemático o planificación de pasos complejos. Uno que sobresale en Deep Research puede ser excesivamente caro si lo usas para responder FAQs repetitivas de soporte.
La guía de Mollick —y el comentario de Willison sobre su evolución— apunta exactamente a esto: la sofisticación no está en usar el modelo más potente para todo, sino en saber cuándo usar cuál. Eso es lo que diferencia una integración de IA que escala de una que se atasca en sus propios costes y limitaciones.
Lo que esto significa si estás automatizando procesos o pensando en agentes
Si tu horizonte es operar departamentos enteros con agentes —no solo tareas puntuales— la elección de modelos se convierte en una decisión de arquitectura, no de producto. Cada agente en tu stack tiene una función diferente: hay agentes que razonan, agentes que ejecutan, agentes que sintetizan, agentes que verifican. Pretender que todos usen el mismo modelo base es como montar una fábrica donde todas las máquinas hacen lo mismo.
Aquí hay tres principios que conviene tener claros antes de escalar:
Mapea primero, modela después. Antes de decidir qué modelo o plataforma usas, tienes que tener clarísimo qué tipo de razonamiento requiere cada proceso. ¿Es síntesis de información larga? ¿Generación de respuestas estructuradas a partir de datos? ¿Toma de decisiones con múltiples variables? Cada perfil tiene sus candidatos naturales.
El coste no es solo el precio de la API. Un modelo más caro por token puede ser más barato en la práctica si resuelve la tarea en menos iteraciones, con menos supervisión humana y con mayor precisión. El coste real es el total del proceso, no la tarifa del proveedor.
La orquestación es donde está el valor diferencial. Tener acceso a los mejores modelos es necesario pero no suficiente. Lo que marca la diferencia es la capa que decide cuándo usar cada uno, cómo encadenan sus salidas y cómo se gestiona la coherencia entre ellos. Eso es lo que convierte una colección de herramientas en un sistema que realmente escala.
Qué puedes hacer esta semana
La guía de Mollick es útil como punto de partida, pero tiene una limitación obvia: está pensada para uso individual. Para una empresa con procesos complejos, la traducción no es automática. Aun así, hay acciones concretas que puedes tomar ahora mismo.
Revisa qué modelo estás usando para qué. Si tienes integraciones de IA en marcha, haz un inventario honesto: ¿cada herramienta está usando el modelo más adecuado para su función, o simplemente el que se configuró al principio? En muchos casos, hay optimizaciones evidentes que no se han aplicado simplemente porque nadie las ha revisado.
Identifica dónde estás pagando de más por sobre-ingeniería y dónde estás dejando rendimiento sobre la mesa. Los dos errores son frecuentes y van en direcciones opuestas: usar un modelo de razonamiento avanzado para tareas simples y repetitivas dispara el coste sin beneficio real; usar un modelo básico para tareas que requieren análisis profundo produce resultados mediocres que generan retrabajo.
Considera actualizar tu benchmark interno. Si llevas varios meses sin comparar el rendimiento de los modelos que usas contra las alternativas actuales, es probable que haya opciones mejores o más eficientes disponibles. El mercado se mueve rápido, y lo que era la mejor opción hace un año puede no serlo hoy.
Piensa en modos, no solo en modelos. Como señala la evolución de la guía de Mollick, los modos de uso —investigación profunda, razonamiento extendido, agentes con herramientas— son ahora tan importantes como el modelo base. ¿Estás aprovechando los modos especializados en tus flujos de trabajo, o sigues usando las capacidades más básicas de cada plataforma?
La velocidad del cambio es ella misma una señal
Que Willison destaque la evolución de la guía de Mollick en apenas un año no es un detalle menor. Es un indicador de la velocidad a la que se mueve este ecosistema. Lo que hoy es una opción avanzada para pocos, mañana es la funcionalidad estándar. Lo que hoy requiere un prompt cuidadosamente diseñado, mañana lo hace un agente autónomamente.
Para una empresa que quiere escalar con IA, esto tiene una consecuencia directa: la ventaja competitiva no viene de haber adoptado IA antes que nadie, sino de tener la capacidad interna —o el partner adecuado— para actualizar la arquitectura a medida que el ecosistema evoluciona. Las empresas que bloquean su stack en las decisiones de hace dieciocho meses van a competir con herramientas del pasado.
La buena noticia es que la curva de mejora sigue siendo muy pronunciada. Hay mucho margen para optimizar, incluso en empresas que ya tienen integraciones en marcha.
Si quieres revisar cómo está estructurada tu arquitectura de IA actual —qué modelos usas, para qué tareas, con qué lógica de orquestación— y ver dónde están las oportunidades reales de optimización y escala, podemos verlo juntos en una llamada. Sin compromiso, con foco en tu operativa concreta. Reserva aquí un hueco con el equipo de Yuniax.
Fuentes
- Mollick, E. – ‘An opinionated guide to which AI to use to do stuff’, One Useful Thing (referenciado por Simon Willison’s Weblog, 27 jul 2026)
- Mollick, E. – ‘Using AI right now: a quick guide’, One Useful Thing (edición anterior de la guía)
- Mollick, E. – ‘An opinionated guide to which AI to use to do stuff’, One Useful Thing (fuente original)
Preguntas frecuentes
¿Por qué importa saber qué modelo de IA usar para cada tarea?
Porque elegir el modelo equivocado no solo produce peores resultados, sino que encarece el coste operativo y ralentiza la adopción interna: cada herramienta tiene un perfil de rendimiento distinto según el tipo de tarea.
¿Ha cambiado mucho el panorama de modelos de IA en el último año?
Sí, de forma significativa: la guía de Mollick muestra que en doce meses el ecosistema ha pasado de girar en torno al chat genérico a incorporar modos especializados, agentes y capacidades de investigación profunda como opciones estándar.
¿Cómo decide una empresa qué modelo o herramienta de IA integrar en sus procesos?
El criterio principal debe ser la tarea concreta a automatizar, no el modelo más popular: conviene mapear los procesos candidatos, evaluar el tipo de razonamiento que requieren y testear con casos reales antes de escalar.
¿Tiene sentido apostar por un único proveedor de IA o trabajar con varios?
Depende del caso de uso; la tendencia es hacia arquitecturas multi-modelo donde cada agente o flujo usa el modelo más adecuado para su función, lo que exige una capa de orquestación que gestione coherencia y costes.
Convierte tu contenido en clientes, sin depender de tu tiempo
En Yuniax construimos el sistema que capta, cualifica y acompaña a tus clientes de forma automática: contenido, embudos y automatización trabajando juntos para que tu negocio crezca sin que tú estés en cada paso. Si quieres ver cómo aplicarlo al tuyo, reserva una llamada con nuestro equipo y te enseñamos por dónde empezar.