Funciona en la demo, pero cuesta en producción
El prototipo impresiona. Los token son invisibles. Los errores son raros. Luego llega la producción, y la factura cambia de carácter. Klarna lo aprendió a las malas en 2025.
Artículos
Donde la IA no sirve para nada, y donde el mercado dice lo contrario
A menudo, un regex, una regla de negocio o una ordenación es suficiente. Un panorama de los casos en que el mercado le vende lo que no necesita.
Build / Buy / API: el arbitraje que nadie plantea correctamente
Tres estrategias con perfiles de riesgo, coste y soberanía radicalmente diferentes. El ángulo de la soberanía suele cambiar la decisión.
Las 3 preguntas antes de poner IA en algún sitio
No toda decisión de despliegue de IA merece un proyecto de 6 meses. Tres preguntas filtran los casos de uso relevantes en menos de 30 minutos.
El verdadero coste de un proyecto de IA: lo que el presupuesto no muestra
El presupuesto de integración solo muestra la superficie. Por debajo: costes de tokens, infraestructura, preparación de datos, mantenimiento de prompts, revisión humana. El TCO real suele ser 3 a 5 veces el presupuesto inicial.
La jungla de ofertas de IA: leer un pitch sin dejarse engañar
La mayoría de las ofertas de IA son wrappers de API con un logo de ChatGPT. Una guía para leer un pitch de IA sin dejarse impresionar por la demo.
Sus datos y secretos industriales en la IA: lo que se va, lo que queda
Cuando usa una API de IA, ¿adónde van sus datos? ¿Qué dice el RGPD? Lo que cambia el Reglamento de IA.
El ciclo del hype: la misma curva en cada tecnología
La IA sigue el mismo ciclo que las puntocom, la impresión 3D y el blockchain. La curva de Gartner es predictiva. Saber dónde se encuentra en ella es la primera habilidad de un directivo ante una tecnología emergente.
Alucinación y falsa confianza: no es un bug, es una propiedad que gestionar
Un LLM afirma una verdad y una invención con la misma confianza. No es un fallo que la próxima versión corregirá. Es una consecuencia estructural del funcionamiento por predicción.
Más allá de los LLMs: la IA que ya usa sin saberlo
Visión por computadora, sistemas de recomendación, detección de fraude, mantenimiento predictivo: la IA no empezó con ChatGPT. Lleva años funcionando en la infraestructura que usa cada día.
Open source vs. propietario: control, dependencia y el verdadero compromiso
Llama vs. GPT, Mistral vs. Claude, open weights vs. API: la distinción no es ideológica, es estratégica. Entender qué controla realmente en cada caso.
El 'razonamiento' de los modelos: lo que hace, lo que no hace
o1, o3, DeepSeek-R1, Gemini Thinking: una nueva generación de modelos vende su capacidad de 'pensar'. Los benchmarks mejoran de verdad. Pero llamarlo razonamiento es elegir una palabra que vende más de lo que describe.
Ejecutar IA en sus propias instalaciones: on-premise, OSS, GPU y APU
No necesita un centro de datos para ejecutar un LLM local. Un servidor con una GPU de consumo o incluso un Mac M-series puede hospedar modelos de 7 a 70 mil millones de parámetros.
Un LLM sin una sola ecuación
Tokens, contexto, temperatura, alucinación by design: entender cómo funciona un gran modelo de lenguaje sin un solo símbolo matemático. Para decidir qué confiarle y qué no.
La IA no nació en 2022: de los algoritmos al machine learning
ChatGPT puso la IA en el mapa en noviembre de 2022. Pero los fundamentos tienen 70 años. Entender la genealogía significa entender por qué un modelo necesita una base para aprender.
En IA hay 'inteligencia'. Sobre todo, es lo de artificial.
Le venden inteligencia. Lo que alquila es una máquina que predice la siguiente palabra. Este malentendido fundamental distorsiona todas sus decisiones sobre IA.