Por qué la IA en empresas no depende solo de los LLMs, sino de cómo se conectan con sistemas reales

Según un análisis publicado por IBM Research en Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados), el principal obstáculo para que las empresas adopten inteligencia artificial de forma masiva no son los modelos de lenguaje grandes (LLMs, sistemas como ChatGPT que entienden y generan texto), sino la ausencia de una arquitectura que los conecte con sistemas reales. Mientras la industria tecnológica se concentra en entrenar modelos más potentes, las organizaciones siguen sin resolver cómo hacer que esos modelos accedan a bases de datos internas, ejecuten procesos de negocio o tomen decisiones sin intervención humana constante.

El texto introduce el concepto de "lógica de agentes" (agent logic), una capa de software que permite a un modelo de IA no solo responder preguntas, sino actuar: consultar información en tiempo real, invocar herramientas externas, validar resultados y mantener memoria de tareas anteriores. Sin esta capa, un LLM funciona como un asistente que puede escribir correos electrónicos pero no enviarlos, o que puede analizar datos pero no acceder a ellos sin que alguien se los copie y pegue. La lógica de agentes convierte al modelo en un componente activo de un sistema, no en una herramienta aislada.

IBM Research señala que la mayoría de proyectos piloto de IA en empresas fracasan porque intentan encajar un LLM directamente en procesos complejos, sin construir antes la infraestructura que le permita integrarse con ERP (sistemas de gestión empresarial), CRM (plataformas de relación con clientes) o bases de datos heredadas. Esto requiere orquestar múltiples componentes: módulos de RAG (Retrieval-Augmented Generation, una técnica que permite al modelo buscar información actualizada antes de responder), conectores a APIs (interfaces que permiten que un programa se comunique con otro), sistemas de validación y mecanismos de control de errores. Sin esa orquestación, el modelo puede generar respuestas brillantes pero inútiles en la práctica.

El artículo también destaca que construir agentes de IA escalables implica decisiones de diseño muy distintas a las de entrenar un modelo. Por ejemplo: cómo gestionar la memoria a largo plazo (qué información debe recordar el agente entre sesiones), cómo priorizar tareas cuando recibe múltiples solicitudes simultáneas, o cómo auditar sus decisiones para cumplir con regulaciones. Estas cuestiones no se resuelven con más datos de entrenamiento ni con modelos más grandes, sino con arquitecturas de software robustas y equipos que entiendan tanto de IA como de ingeniería de sistemas.

La conclusión de IBM Research es que la adopción empresarial de IA depende menos de avances en aprendizaje automático que de madurez en ingeniería de software. Las empresas que logren construir capas de lógica de agentes reutilizables, modulares y bien documentadas podrán integrar IA en decenas de procesos distintos sin empezar de cero cada vez. Las que sigan tratando a los LLMs como productos mágicos listos para usar seguirán encallando en proyectos piloto que nunca escalan.