En los últimos meses casi todos los clientes que llegan a Liquid nos preguntan por IA en algún momento de la conversación. A veces es un chatbot, a veces es automatizar respuestas, a veces es generar contenido. Nos lo preguntan tanto startups que quieren validar una función rápido como empresas consolidadas que quieren meter IA en un proceso que ya llevan años haciendo de otra manera. Da igual el caso concreto: hay un conjunto de preguntas que casi nadie se hace al principio y que, cuando el proyecto ya está en producción, se convierten en el problema.
Nosotros mismos hemos pasado por esto construyendo herramientas internas con IA para nuestro propio uso, y algunas de las preguntas que planteamos aquí las aprendimos porque nos tocó resolverlas sobre la marcha.
¿Qué pasa con los datos que le mandas al modelo?
Cuando conectas tu producto a un modelo de lenguaje, parte de la información de tus usuarios sale de tu infraestructura y viaja a un tercero. Puede ser texto que escriben, documentos que suben, datos de su cuenta que usas para personalizar la respuesta. Antes de dar el paso conviene saber exactamente qué se envía, dónde se procesa y si ese proveedor guarda esos datos para entrenar sus propios modelos o los descarta después de responder. La mayoría de proveedores serios lo dejan bastante claro en su documentación, pero hay que leerlo, no darlo por supuesto.
¿Qué ocurre si el modelo responde mal?
Los modelos fallan. A veces de forma evidente, a veces de forma sutil y mucho más peligrosa: responden con seguridad algo que no es correcto. Antes de lanzar cualquier funcionalidad con IA vale la pena pensar qué pasa en ese escenario. ¿El usuario puede notar el error? ¿Hay alguna forma de que ese fallo llegue a tener consecuencias reales, como un precio mal calculado o una recomendación médica o legal? Cuanto más crítica sea la decisión que toma el modelo, más falta hace un plan B para cuando se equivoque.
¿Quién revisa lo que genera?
Aquí es fácil caer en dos extremos. Uno es no revisar nada y confiar en que el modelo acierta siempre, lo cual tarde o temprano sale mal. El otro es revisarlo absolutamente todo a mano, lo cual mata la ventaja de haber automatizado. El punto intermedio pasa por decidir con criterio qué merece revisión humana antes de publicarse o enviarse, y qué se puede dejar pasar directamente porque el coste de un error ahí es bajo. Esa decisión cambia según el proyecto y conviene tomarla de forma consciente.
¿Cómo se controla el coste cuando esto crece?
Un prototipo con IA suele costar poco porque se usa poco. El problema aparece cuando ese prototipo funciona y el uso se multiplica. El coste por llamada al modelo, multiplicado por miles o millones de usuarios, puede convertirse en una partida de gasto seria. Merece la pena calcular ese escenario antes de comprometerse con una arquitectura concreta, y dejar margen para cambiar de modelo o de proveedor si el coste se dispara. En nuestro propio side project nos encontramos justo con esto: lo que funcionaba bien con pocos usuarios de prueba había que replantearlo en cuanto el uso empezó a crecer de verdad.
¿Qué parte del proceso sigue necesitando a una persona?
Casi ningún proyecto de IA elimina del todo el trabajo humano, lo redistribuye. Alguien tiene que definir qué debe hacer el modelo, revisar los casos límite, ajustar el comportamiento cuando algo no funciona como se esperaba y decidir cuándo hay que apagar o limitar una funcionalidad. Tener esto claro desde el principio evita la sorpresa de descubrir, meses después del lanzamiento, que el equipo sigue dedicando tanto tiempo como antes, solo que a tareas distintas.
Antes de decidir, una segunda opinión ayuda
Ninguna de estas preguntas tiene una respuesta universal. Depende del producto, del presupuesto y del riesgo que se pueda asumir en cada caso. Lo que sí compensa es planteárselas antes de escribir la primera línea de código, cuando todavía se pueden cambiar las cosas sin que nadie note el cambio. En Liquid llevamos tiempo ayudando a tomar estas decisiones con criterio, y si quieres una segunda opinión antes de meter IA en tu producto, aquí puedes ver cómo trabajamos el asesoramiento de IA.
