Viendo la IA de cerca: Usar inteligencia artificial no es lo mismo que crear con ella

La inteligencia artificial se ha vuelto sorprendentemente accesible.

Una persona puede abrir ChatGPT y pedir un resumen de un documento. Alguien puede usar Gemini para generar o editar un video con instrucciones en lenguaje natural. Un estudiante puede explicarle un concepto difícil a un tutor de inteligencia artificial. Un profesional de marketing puede hacer una lluvia de ideas para titulares antes de terminarse el café.

Esa accesibilidad es una de las razones por las que la adopción de la IA generativa ha sido tan rápida. El *2026 AI Index* de Stanford reporta que el uso organizacional de la IA llegó al 88% de las organizaciones encuestadas en 2025, mientras que la IA generativa alcanzó la adopción masiva más rápido que otras tecnologías de uso general anteriores, como la computadora personal y el internet. Por su parte, Google ha seguido integrando el video generativo directamente en las experiencias de Gemini para el consumidor, permitiéndole a la gente crear y editar videos de forma conversacional.

Esto es extraordinario.

Pero también es solo la superficie.

Hay una diferencia fundamental entre usar una herramienta de inteligencia artificial y construir un sistema donde la inteligencia artificial se convierte en parte de la arquitectura operativa.

Pedirle a un chatbot que resuma un reporte es una interacción con IA.

Construir un sistema que busque el reporte correcto en una base de datos autorizada, determine a qué información tiene permiso de acceder el usuario, envíe el material relevante a un modelo, valide la respuesta, guarde la interacción, active una acción aprobada en otra aplicación y cree un registro de auditoría, eso es un sistema de IA.

La diferencia no es principalmente la sofisticación del prompt.

La diferencia es todo lo que rodea al modelo.

Esta distinción importa porque la percepción pública sobre la IA se está moldeando en gran medida a través de interfaces para consumidores. ChatGPT, Gemini y otros productos hacen que sistemas complejos parezcan increíblemente simples. El usuario ve una cajita, escribe una oración y recibe una respuesta.

La simplicidad es intencional.

La infraestructura detrás de un sistema en producción, no lo es.

Las aplicaciones modernas de IA involucran cada vez más modelos, herramientas, bases de datos, APIs, autenticación de usuarios, sistemas de búsqueda, memoria, permisos, servicios externos, logs, evaluaciones, monitoreo, fallbacks y aprobaciones humanas. Un modelo de lenguaje puede servir como la capa de razonamiento, mientras que otros sistemas proveen la información y las acciones que hacen que ese razonamiento sea útil.

Aquí es donde los agentes entran en la conversación.

Un agente de IA es más que un modelo produciendo texto. En la arquitectura práctica de software, un agente puede recibir un objetivo, razonar sobre el próximo paso, usar herramientas, buscar información, interactuar con sistemas externos y continuar a través de un workflow. La infraestructura actual de agentes de OpenAI, por ejemplo, soporta explícitamente herramientas, handoffs, guardrails, rastreo y orquestación multi-agente. Google, de manera similar, ha desarrollado un Agent Development Kit específicamente para construir y coordinar aplicaciones de múltiples agentes.

Un agente puede especializarse en entender la petición del usuario. Otro puede buscar la información de la cuenta. Otro podría analizar datos. Otro podría preparar una comunicación. Un agente supervisor puede coordinar la interacción en general y determinar qué especialista se necesita.

En ese punto, el sistema de inteligencia artificial empieza a parecerse a una organización.

Diferentes roles tienen diferentes responsabilidades.

La información se mueve entre ellos.

Los permisos importan.

Los errores necesitan escalarse.

El trabajo necesita verificación.

La analogía no es casualidad. El software de agentes está tomando prestados cada vez más conceptos de las organizaciones humanas, porque muchos procesos de negocio ya estaban estructurados como secuencias coordinadas de trabajo especializado.

La diferencia está en todo lo que rodea al modelo.

Esta es una de las razones por las que creemos que la conversación sobre la IA tiene que ir más allá del prompting.

El prompting es importante. Una instrucción clara puede mejorar drásticamente la calidad de una interacción. Pero las organizaciones que quieren que la IA sea operativa, tienen que pensar en la arquitectura.

¿A qué información se le debe permitir el acceso al agente?

¿Qué acciones pueden ocurrir automáticamente?

¿Qué acciones requieren confirmación?

¿Qué pasa cuando dos sistemas no están de acuerdo?

¿Cómo se protege la información sensible?

¿Cómo sabe la aplicación si la respuesta es lo suficientemente correcta como para usarla?

¿Cómo evaluamos el rendimiento en cientos o miles de interacciones?

¿Qué pasa cuando cambia el modelo?

¿Dónde sigue siendo responsable el humano?

Estas son preguntas de software y de organización, no simplemente preguntas de IA.

La investigación de McKinsey sobre IA empresarial deja esta distinción particularmente clara. Su encuesta global de 2025 encontró que el 62% de los encuestados dijeron que sus organizaciones estaban al menos experimentando con agentes de IA, mientras que el 23% reportó estar escalando un sistema de agentes en alguna parte de la empresa. Sin embargo, la mayoría de las organizaciones seguían en etapas de experimentación o pilotos. McKinsey ha argumentado repetidamente que las mayores ganancias probablemente vendrán de rediseñar los workflows, en lugar de simplemente poner un asistente de IA por encima de los mismos procesos que las organizaciones ya usan.

La voz es otro ejemplo de lo rápido que aparece la complejidad una vez que la IA se convierte en parte de un producto real.

Producir voz sintética a través de una interfaz web es relativamente simple desde la perspectiva del usuario. Pero integrar tecnología de voz en una plataforma puede requerir text-to-speech, speech-to-text, transformación speech-to-speech, streaming, manejo de archivos, procesamiento de idiomas, selección de modelos, rastreo de uso, autenticación e integración de APIs.

ElevenLabs, cuya infraestructura incluye APIs de generación de voz y agentes conversacionales, describe los agentes de voz en producción como sistemas que pueden combinar modelos multimodales, workflows, herramientas externas, fuentes de conocimiento y monitoreo. Su infraestructura para desarrolladores expone las capacidades de voz de forma programática, en lugar de limitarlas a una interfaz para el consumidor.

VOXES nos parece interesante precisamente porque la IA de voz no es solo un problema de generación de audio. Una plataforma real tiene que pensar en proyectos, usuarios, voces, licencias, uso, archivos, idiomas y, eventualmente, cómo la voz interactúa con agentes y otros softwares.

El mismo principio aplica a UniqList.

Tasky puede sentirse simple para el usuario: dices lo que necesitas y el agente prepara las tareas o los artículos de compra. Pero incluso esa interacción aparentemente pequeña requiere que el sistema interprete el lenguaje natural, determine qué debe convertirse en una tarea versus un artículo, identifique fechas y prioridades, decida cuál lista es la apropiada y presente los cambios propuestos para aprobación humana. Nada se guarda hasta que el usuario lo apruebe.

Ese paso de aprobación ilustra otro concepto importante en la IA de producción: el diseño human-in-the-loop.

Un sistema de IA no necesita el mismo nivel de autonomía para cada acción.

Generar una sugerencia es diferente a transferir dinero.

Redactar un email es diferente a enviarlo.

Identificar la hora para una cita es diferente a poner el evento en el calendario de otra persona.

Los sistemas en producción necesitan distinguir entre asistencia de bajo riesgo y acciones con consecuencias reales.

Aquí es donde los guardrails y los permisos se convierten en algo más que ideas teóricas. La documentación de agentes de OpenAI incluye explícitamente la revisión humana y los guardrails como parte del diseño del workflow del agente, mientras que la investigación sobre IA responsable se enfoca cada vez más en la gobernanza, porque las organizaciones están descubriendo que escalar la IA crea responsabilidades operativas junto con la capacidad técnica.

Estas son interrogantes de software y organización, no simplemente de inteligencia artificial.

También hay un tema organizacional más profundo.

Los sistemas de inteligencia artificial son cada vez más capaces de interactuar con otros softwares. Un agente puede, potencialmente, buscar datos, actualizar un CRM, agendar una cita, generar un recurso, consultar métricas o activar una automatización.

Cuando eso pasa, la IA deja de ser meramente un generador de contenido.

Se convierte en un middleware entre la intención humana y la infraestructura digital.

Este es un cambio significativo.

Por décadas, la gente interactuaba con los softwares a través de interfaces diseñadas por programadores. Hacíamos clic en botones, llenábamos formularios y nos aprendíamos los menús porque así era como los sistemas entendían los comandos.

La IA de agentes permite que el lenguaje natural se convierta en una capa de orquestación.

El usuario puede decir lo que quiere en lugar de especificar cada paso técnico necesario para que suceda.

Eso es extraordinariamente poderoso.

También es la razón por la que construir con IA requiere mucho más que saber cómo hacerle una buena pregunta a un chatbot.

Los sistemas tienen que diseñarse.

Los datos tienen que conectarse.

Las herramientas tienen que autorizarse.

Los resultados tienen que evaluarse.

Los riesgos tienen que entenderse.

El rol humano tiene que ser intencional.

La IA parece simple porque las mejores interfaces esconden la complejidad.

Mientras más te acercas a la infraestructura, más te das cuenta de cuánta ingeniería, diseño de comportamiento y pensamiento organizacional hay detrás de ese simple cursor parpadeando.