Arquitectura de un sistema de IA: motor, combustible y mecanismos
Cuando una herramienta de IA da una respuesta imprecisa o inventa un dato, mucha gente piensa que el modelo no es lo bastante bueno. Otras personas deciden que la IA todavía no sirve para su sector. Muchas veces el problema no está en el modelo, sino en todo lo que lo rodea.
En esta entrada verás de qué partes se compone un sistema de IA y qué papel cumple cada una. También verás cómo encontrar dónde está el fallo cuando el resultado no es el que esperabas y cómo combinar las piezas para crear flujos de trabajo fiables y escalables.
El error de reducir la IA a un chat
Muchas personas y organizaciones evalúan la inteligencia artificial como si fuera un único bloque. Para ellas, la IA es la ventana de chat de un proveedor concreto. Si esa ventana falla, todo falla.
Este enfoque confunde una pieza de cómputo con un sistema completo.
Piensa en un motor de alto rendimiento apoyado en el suelo de un taller. Tiene mucha potencia, pero sin chasis, combustible, transmisión ni frenos no puede llevar ninguna carga a ningún sitio. Con un modelo de lenguaje aislado pasa algo parecido: por sí solo aporta poco a la operativa de una empresa.
Para construir activos digitales escalables, tienes que distinguir tres componentes:
- El motor: el modelo que procesa el lenguaje.
- El combustible: el contexto y el conocimiento que le das.
- Los mecanismos: las herramientas que le permiten actuar.
Cómo se relacionan los componentes
En un sistema bien diseñado, las piezas funcionan como un circuito:
code
COMBUSTIBLE (contexto / Brains)
↓
MOTOR (inferencia / LLM o SLM)
↓
MECANISMOS (herramientas / acciones)
↓
SUPERVISIÓN HUMANA (HITL)
↓
de vuelta al COMBUSTIBLE
El contexto alimenta al modelo. El modelo decide y genera. Las herramientas ejecutan. Una persona supervisa los puntos críticos y sus correcciones vuelven a mejorar el contexto del siguiente ciclo.
El motor: la capa de inferencia
El motor es el modelo base, ya sea un LLM (modelo de lenguaje extenso) o un SLM (modelo de lenguaje pequeño). Es importante tener claro que no contiene tus datos privados ni conoce los procedimientos internos de tu empresa.
Qué hace
- Procesa lenguaje natural.
- Extrae y organiza información.
- Convierte contenidos de un formato a otro.
- Analiza la relación entre las partes de un texto.
- Genera respuestas a partir del material que recibe.
Cómo se elige
No existe un «mejor modelo» universal. Se elige según el equilibrio entre cuatro factores:
- Capacidad de razonamiento: cómo resuelve tareas con varios pasos lógicos.
- Latencia: cuánto tarda en responder.
- Ventana de contexto: cuánta información puede tener en cuenta a la vez.
- Coste por token: cuánto cuesta procesar la entrada y generar la salida.
Su límite
El modelo no es un almacén de verdades ni una base de datos que puedas consultar. Si lo usas así, tarde o temprano inventará información.
El combustible: la capa contextual
El combustible es todo lo que el modelo tiene delante cuando trabaja. Funciona como su memoria operativa.
Qué incluye
- Instrucciones de sistema: el rol asignado, las reglas éticas y profesionales, y el formato que deben tener las respuestas.
- Bases de conocimiento (Brains o RAG): documentación técnica, manuales de procedimiento, jurisprudencia, historiales o datos de clientes.
- Historial de la sesión: lo que se ha dicho hasta ahora en la conversación.
Por qué es tan importante
La calidad del resultado depende en gran medida de la calidad del combustible. Si le das información desordenada, contradictoria o irrelevante, empeoras el rendimiento incluso del modelo más avanzado.
Es el principio que en informática se resume como garbage in, garbage out: si entra basura, sale basura.
Un ejemplo: si tu base de conocimiento tiene tres versiones de un mismo procedimiento sin fecha ni indicación de cuál está vigente, el modelo puede mezclarlas en su respuesta. Cambiar a un modelo más potente no lo arregla. Ordenar los documentos, sí.
Los mecanismos: la capa de acción
Los mecanismos son las herramientas que conectan el modelo con el mundo exterior. Gracias a ellos, el sistema puede consultar información, ejecutar tareas o actuar en otras aplicaciones.
Herramientas de consulta
- Búsqueda web en tiempo real.
- Consultas a bases de datos relacionales (SQL).
- Lectura de archivos y carpetas.
Herramientas de ejecución
- Ejecución de código (por ejemplo, Python o JavaScript) para hacer cálculos exactos.
- Gestión de hojas de cálculo.
- Generación de documentos.
Integraciones operativas
- Envío de correos electrónicos.
- Actualización de estados en un CRM.
- Creación de eventos en el calendario.
- Activación de flujos en otras herramientas.
Cómo diagnosticar dónde falla tu sistema de IA
Cuando un sistema da un mal resultado, la reacción habitual es cambiar de modelo. Antes de hacerlo, analiza qué componente está fallando. Así encontrarás la causa real.
Síntoma
Componente que falla
Qué hacer
Inventa datos o citas
Combustible: falta contexto o el RAG no recupera bien la información
Proporciona la documentación exacta en una base de conocimiento (Brain) e indica al modelo que no responda fuera de esa fuente
Hace cálculos incorrectos
Mecanismo: se le pide calcular prediciendo texto
Conecta una herramienta de ejecución de código o una calculadora mediante llamada a funciones
No sigue instrucciones complejas
Motor: su capacidad de razonamiento no basta para la tarea
Usa un modelo con más capacidad de razonamiento o divide la tarea en pasos más sencillos
Olvida las instrucciones a mitad del proceso
Combustible saturado: degradación del contexto (context drift)
Limpia el contexto, resume el historial o reparte el proceso entre varios agentes especializados
Fíjate en que solo uno de los cuatro síntomas se soluciona cambiando el motor. Los demás dependen del contexto o de las herramientas.
La orquestación: de piezas sueltas a flujos de trabajo
La potencia de un sistema no depende de tener el modelo más grande del mercado. Depende de cómo combinas las piezas. Eso es la orquestación.
Un sistema maduro suele combinar cuatro elementos:
- Modelos ligeros (SLM) para clasificar y filtrar las entradas con poco coste y respuestas rápidas.
- Bases de conocimiento modulares que entregan solo la información relevante para cada paso.
- Modelos avanzados (LLM) que solo intervienen en los pasos que requieren síntesis o razonamiento más exigente.
- Validaciones deterministas que comprueban los datos antes de pasar a la siguiente fase o de pedir la revisión de una persona.
Un ejemplo práctico
Imagina un sistema que gestiona las consultas que llegan a una asesoría:
- Un SLM clasifica cada consulta por tema y urgencia.
- El sistema recupera solo los documentos internos de ese tema.
- Un LLM redacta una respuesta a partir de esos documentos.
- Una herramienta de código comprueba los importes y las fechas que aparecen.
- Una persona del equipo revisa y aprueba la respuesta antes de enviarla.
- Una integración registra la consulta en el CRM.
Cada pieza hace aquello que mejor sabe hacer. El resultado es más fiable, más barato y más fácil de supervisar que pedirle todo a un único modelo en una sola conversación.
Conclusión
Un sistema de IA es mucho más que un modelo. El motor aporta la capacidad de procesar el lenguaje, el combustible le da conocimiento fiable y los mecanismos le permiten actuar. Cuando entiendes esta estructura, dejas de culpar al modelo de todos los fallos y empiezas a diseñar con criterio. Esa arquitectura por piezas es la que te permite crear servicios escalables, fiables y con costes bajo control.
¿Quieres empezar a construir tus propios sistemas de IA? Visita libertadia.com y regístrate en la aplicación.