De dónde vienen los grandes modelos de lenguaje, qué ha cambiado de verdad y por qué la respuesta honesta a la pregunta «¿esto funciona?» es más interesante que el bombo publicitario o el rechazo que ha generado.
Si todo esto te genera dudas, estás leyendo bien la situación
Hace tres años, la mayoría de la gente nunca había escrito un prompt. Hoy, muchos desarrolladores abren un modelo antes que un buscador, y no pocos de ellos dudan en silencio sobre si eso es progreso o un desvío muy bien comercializado.
Esa duda no es ruido de fondo. Aparece en los datos. En la encuesta a desarrolladores de Stack Overflow de 2025, el 84 % usa o planea usar herramientas de IA y el 47 % las usa a diario. En la misma encuesta, la opinión favorable cayó del 77 % en 2023 a alrededor del 60 % en 2025, solo un tercio de los encuestados confía en la precisión de lo que producen estas herramientas, y la queja más habitual, compartida por el 66 % de ellos, es que la respuesta está casi bien, pero no del todo.
Ese estado de ánimo no es irracional. Es el resultado previsible de usar a diario algo potente pero poco fiable. La adopción ha subido, la confianza ha bajado, y sostener las dos cosas a la vez es, ahora mismo, la postura correcta.
Una palabra sobre desde dónde escribo, porque condiciona lo que viene después. Antes de Capitole Lab trabajé como AI Innovation Expert (una forma elegante de decir Lead Data Scientist) en una gran aseguradora, y viví desde dentro la transición del machine learning tradicional a los pipelines basados en LLM y agentes. Fue un privilegio estar en un sitio donde la adopción avanzó tan rápido, porque significó hacer pronto, y a veces con torpeza, lo que desde entonces se ha vuelto la norma: gobernanza de la IA, límites y presupuestos de tokens, la elección de modelo tratada como una decisión de ingeniería real y no como una preferencia, y encapsular todo dentro de un único proveedor cloud por control y cumplimiento normativo. Por eso también la segunda mitad de este artículo dedica más tiempo a las operaciones que a los modelos.
De dónde vienen, porque esto no pasó de la noche a la mañana
El momento que en noviembre de 2022 pareció magia se construyó sobre un trabajo que ya tenía cinco años. En junio de 2017, un equipo de Google publicó «Attention Is All You Need», y su aportación fue eliminar la recurrencia. Hasta entonces, los modelos leían el texto token a token, en orden, y la señal entre palabras distantes se degradaba a medida que viajaba. La autoatención permitió que cada token mirara a todos los demás a la vez, en paralelo, lo que eliminó el cuello de botella que ralentizaba el entrenamiento y abarató representar relaciones de largo alcance.
Eso desbloqueó la escala, y la escala es la historia de todo lo que vino después. GPT-1 llegó en 2018 con 117 millones de parámetros, GPT-2 en 2019 con 1500 millones, y GPT-3 en 2020 con 175 000 millones, unas 1500 veces el primer modelo en apenas dos años. Y trajo consigo una propiedad que nadie había pedido: describir una tarea en el prompt y obtener un comportamiento útil sin reentrenar nada.
Lo que ocurrió el 30 de noviembre de 2022 no fue un avance científico. Fue una decisión de producto: envolver un modelo capaz en una caja de chat y dejar que cualquiera lo probara. El interés de búsqueda por la IA llevaba años plano. En cuestión de semanas, dejó de estarlo.
Qué cambió de verdad por debajo del capó
Es tentador descartar los últimos tres años como marketing. Las curvas de capacidad dicen lo contrario, si se leen con atención. En MMLU, un examen de conocimiento general, GPT-3 obtuvo alrededor del 44 %, apenas por encima del azar. Para 2024, la frontera rondaba el 90 % y el benchmark dejó de ser interesante, así que el campo pasó a GPQA Diamond, preguntas de ciencia de nivel doctorado donde GPT-4 empezó en el 39 % y un experto del dominio puntúa alrededor del 65 %. Los modelos de frontera hoy declaran cifras de entre el 90 % y el 95 %. Después llegó SWE-bench Verified, que pide a un modelo resolver incidencias reales de GitHub sin ayuda: 49 % a finales de 2024, y entre el 80 % y el 90 % en la frontera en 2026.
Dos matices. Las condiciones de evaluación varían entre laboratorios, así que estas cifras no son perfectamente comparables, y las puntuaciones más altas suelen ser autodeclaradas en el lanzamiento. La tendencia es sólida. El último decimal, no. Los demás cambios acaparan menos titulares y pesan más en el trabajo real.
- Memoria. Las ventanas de contexto pasaron de 2048 tokens en GPT-3 a un millón o más como estándar, unas 500 veces más en seis años. Un millón de tokens son unas 75 000 líneas de código, o una hora de vídeo. Esa es la diferencia entre preguntar por un archivo y preguntar por un sistema completo.
- Sentidos. Lo que era solo texto pasó a incluir visión en 2023, después voz en 2024, y luego generación nativa de imagen y vídeo. Un modelo que lee una captura de pantalla, escucha una pregunta y responde en voz alta en una fracción de segundo es un modelo de interacción distinto, no un autocompletado más rápido.
- Autonomía. El cambio que todavía está en marcha, y en el que el lenguaje va por delante de la realidad.
La historia de los agentes tiene un linaje claro: el paper de ReAct en 2022, las function calls en la API a mediados de 2023, modelos capaces de manejar la pantalla de un ordenador a finales de 2024, y el Model Context Protocol en noviembre de 2024, que dio a las herramientas y a los datos una forma estándar de hablar con los modelos y que laboratorios rivales adoptaron en cuestión de meses. Los agentes de programación pasaron de demo a un negocio con una tasa de ingresos anualizada de mil millones de dólares en apenas un año.
Aquí vuelve a importar la honestidad. Alrededor del 31 % de los desarrolladores declaró usar agentes de verdad en 2025, y un estudio empresarial encontró que solo el 16 % de los sistemas agénticos desplegados eran realmente autónomos. El resto eran secuencias fijas de pasos con un modelo dentro. Los agentes son reales, están en una fase temprana, y la misma palabra sirve para ambas cosas.
Una nota de campo desde nuestro propio laboratorio
Quiero aterrizar esto en algo que estamos construyendo, porque la aceleración de los últimos 18 meses se nota más de lo que se puede representar en un gráfico.
En Capitole Lab estamos trabajando en un caso de uso para un fabricante de motores de automoción que compara elementos entre planos industriales, ese tipo de documentos técnicos densos donde una pequeña diferencia entre dos revisiones importa mucho. Habíamos planificado la primera versión como semanas de trabajo. Con la generación de frontera más reciente, Fable, nuestro pipeline detectó las diferencias tras un único prompt, y todo el conjunto quedó montado en un día.
Tardó unos 40 minutos y costó alrededor de 40 euros de inferencia. Eso no se debería llevar a producción tal cual. Una versión de producción tiene que optimizarse en dos ejes, tiempo y dinero, y esa optimización es trabajo de ingeniería real, no un prompt mejor. Aun así, como prueba de concepto nos dijo algo que merece la pena saber: una tarea que habíamos estimado en semanas se convirtió en un día, y la parte que suponíamos más difícil, entender de verdad lo que hay en el plano, no fue donde se fue el esfuerzo.
Esa es la forma que ha tenido para nosotros el último año y medio. No una curva suave en un gráfico, sino una serie de momentos en los que algo que habíamos descartado por demasiado caro o demasiado complicado se volvió posible, casi sin hacer ruido. Es prometedor, cuando menos, y por eso la cuestión del coste merece su propia sección.
Lo que cuesta, y quién lo está pagando
Dos afirmaciones son ciertas a la vez, y la gente suele quedarse con una para discutir. Para un nivel de capacidad fijo, la inferencia se ha abaratado de forma drástica: el Stanford AI Index sitúa el rendimiento de nivel GPT-3.5 en 20 dólares por millón de tokens a finales de 2022 y en 7 centavos a finales de 2024, unas 280 veces más barato en dieciocho meses. Al mismo tiempo, la parte alta del mercado se ha encarecido. GPT-4.5 se lanzó a principios de 2025 a 75 dólares por millón de tokens de entrada y 150 por millón de salida, tan caro que se retiró de la API a los pocos meses. Hoy la gama de frontera se mueve entre 10 y 50 dólares.
Así que el suelo baja mientras el techo sube. La inteligencia por la que pagabas un extra el año pasado ahora es casi gratis, y la mejor inteligencia disponible cuesta más que nunca. Cuál de esos dos hechos rige tu presupuesto depende de si tu producto necesita la frontera o simplemente algo que funcione. La ejecución de 40 euros que mencioné se situó deliberadamente en el extremo caro, porque en fase de prueba de concepto estábamos comprando capacidad, no eficiencia. Bajar un pipeline así hacia el suelo, con modelos más pequeños donde sean suficientes, caché, y menos pasadas desperdiciadas, es buena parte de lo que significa llevarlo a producción de verdad.
También hay una factura que llega fuera del recibo de la API. Los fabricantes de memoria desplazaron capacidad hacia la memoria de alto ancho de banda para servidores de IA, y la DDR5 de consumo pasó de unos 4,70 dólares por gigabyte en 2023 a 15,66 a principios de 2026, un incremento de alrededor del 230 %, con la DRAM subiendo cerca de un 90 % en un solo trimestre. NVIDIA pasó de unos 337 000 millones de dólares de valor de mercado en octubre de 2022 a ser la primera empresa en alcanzar los 4 billones de dólares en julio de 2025, y las previsiones de gasto de capital de los hiperescalares para 2026 se sitúan entre 630 000 y 725 000 millones de dólares.
Si hace poco has consultado el precio de una ampliación de memoria y te has preguntado qué ha pasado, esto es lo que ha pasado. La abstracción tiene una huella física, y ya es lo bastante grande como para mover los precios del hardware de consumo. También es un recordatorio de que esto es un negocio, y alguien tiene que obtener un retorno de ese gasto, nos guste o no.
La parte incómoda: la mayoría de los proyectos todavía fracasan
Esta es la sección que querría leer si tuviera un piloto encallado entre manos. Las cifras son coherentes entre fuentes independientes y no son amables. NTT Data informa de que entre el 70 % y el 85 % de los esfuerzos de despliegue de IA generativa fracasan. Un metaanálisis de RAND de 2025 encontró que alrededor del 80 % de los proyectos empresariales de IA no llega a entregar el valor prometido, repartido entre proyectos abandonados antes de producción, proyectos que llegan a producción sin entregar valor, y proyectos que funcionan pero nunca recuperan su coste. El estudio NANDA del MIT encontró que alrededor del 95 % de los pilotos no mostró un retorno medible. S&P Global encontró que el porcentaje de empresas que descarta la mayoría de sus iniciativas subió del 17 % al 42 % en un solo año.
Léelo como un consuelo, no como una condena. Si tu prueba de concepto impresionó en la sala y luego murió en silencio, no has fracasado de forma inusual. Has caído dentro de la tasa base. Los motivos que se citan casi nunca son la calidad del modelo: datos débiles o sin gobernanza, ausencia de un caso de negocio claro, madurez organizativa, y un coste que supera al valor medible. La parte difícil sigue estando donde siempre ha estado, en el hueco entre una demo que funciona y un proceso que funciona.
También se puede ver la velocidad del cambio en algo que los desarrolladores notan en carne propia. Stack Overflow recibía unas 200 000 preguntas nuevas al mes en su pico de 2014, y más de 108 000 en el mes en que se lanzó ChatGPT. En diciembre de 2025 eran menos de 4000. El corpus que ayudó a entrenar estos modelos se está secando porque los propios modelos han hecho innecesario preguntar.
Qué hace de forma distinta el pequeño grupo que sí tiene éxito
El estudio del MIT resulta más útil por sus ganadores que por sus perdedores. Los equipos que lo consiguieron no tenían un modelo mejor ni un regulador más amable. Tenían una pregunta más acotada. Los proyectos que suelen funcionar tienen este aspecto.
- Resumen de llamadas, enrutamiento y triaje de soporte. Flujo de trabajo claro, ahorro de tiempo evidente, poca ambigüedad.
- Automatización documental para contratos y formularios. Repetitivo, medible, fácil de revisar para una persona.
- Trabajo de ingeniería repetitivo: tests, documentación, migraciones. El desarrollador verifica el resultado y el tiempo de ciclo es medible.
- Back office de finanzas, operaciones y administración. Una línea base de coste real, y a menudo gasto externo que se puede desplazar.
- Seguimiento comercial y cualificación de leads, cuando vive dentro del CRM y no al lado de él.
- Herramientas verticales o agénticas con memoria, que aprenden del feedback y encajan bien en un único proceso.
El patrón de fondo importa más que la lista. El trabajo que funciona es acotado, está integrado en un flujo de trabajo en lugar de ofrecerse como una herramienta suelta, y se mide frente a una cifra que ya le importaba a alguien. Comprar o asociarse suele ganar a construir desde cero, y los responsables de línea que son dueños del proceso tienden a superar a los laboratorios de innovación centrales. McKinsey encontró que las organizaciones que reportan valor real tienen unas tres veces más probabilidades de haber rediseñado el propio flujo de trabajo, en lugar de insertar un modelo en el antiguo.
Del wow al modelo que funciona
Aquí llega la parte que recibe menos aplausos y hace más trabajo. Aproximadamente nueve de cada diez grandes organizaciones tienen un modelo de lenguaje en algún punto de producción, mientras que solo alrededor de uno de cada veinte pilotos muestra un retorno medible. Esa brecha es operativa, no intelectual: versiones de prompts que nadie controla, índices de recuperación que nadie posee, evaluaciones que viven en una hoja de cálculo, gasto en tokens que nadie prevé, y ninguna traza de auditoría cuando un regulador o un cliente pregunta qué hizo el sistema y por qué.
La disciplina para esto ya existe. Se llama MLOps, y el error es tratar los modelos de lenguaje como un universo aparte con un stack paralelo. Los prompts y los índices de recuperación son artefactos versionados, igual que las features y los modelos. Las evaluaciones y el scoring con LLM como juez son puertas de calidad, igual que las métricas offline. Las trazas, el drift y el coste en tokens deben vivir en un único plano de observabilidad. Un solo registro, una sola puerta de aprobación, un solo grafo de linaje, un solo motor de políticas, que cubra juntos los modelos clásicos y los sistemas generativos. La regulación está convirtiendo eso de buena práctica en obligación: las prohibiciones del Reglamento de IA de la UE se aplican desde febrero de 2025 y las obligaciones para modelos de propósito general desde agosto de 2025, con sanciones que llegan a los 35 millones de euros o el 7 % de la facturación global.
Hacia dónde va esto, con honestidad
Desconfío de las predicciones seguras en un campo que se redibuja cada seis meses, así que aquí va solo lo que estoy dispuesto a defender. El suelo seguirá bajando, lo que traslada la pregunta interesante de si el modelo puede hacerlo a si merece la pena automatizar el flujo de trabajo. El techo seguirá subiendo y seguirá siendo caro, porque cada nuevo nivel debuta con sobreprecio, y la mayoría de los productos nunca lo van a necesitar. Los agentes se volverán realmente útiles en sitios acotados y bien instrumentados mucho antes de que sean fiables para trabajo abierto, así que tratarlos como compañeros junior cuyo resultado revisas no es pesimismo. Es donde está la evidencia.
Y la gobernanza deja de ser un trámite de cumplimiento y pasa a ser lo que decide quién captura el valor. Cuando todo el mundo llega a los mismos modelos a precios parecidos, el diferencial son tus datos, tus flujos de trabajo, y tu capacidad para operar todo esto de forma fiable.
Lo que no sé: si las arquitecturas actuales seguirán escalando hasta la fiabilidad que permite sacar al humano del bucle, cuándo la autonomía de varios pasos será fiable sin supervisión, y cómo se resolverá el ciclo de gasto de capital para todos los que están más abajo en la cadena, incluido tu presupuesto de hardware.
Si tienes dudas, estás en buena compañía, y la incertidumbre no es un argumento para esperar ni para apostarlo todo. Es un argumento para acotar el alcance. Elige un flujo de trabajo del que ya se queje alguien. Instruméntalo antes de cambiarlo. Mete un modelo dentro, mantén a una persona en el bucle, y comprueba en seis meses si la cifra se ha movido. No tiene nada de glamuroso, y es exactamente así como el wow se convierte en trabajo.
