> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/es/2025/w24-six-month-review-of-large-model-applications.md).

# W24-Balance de seis meses de aplicaciones de grandes modelos

Últimamente he visto la WWDC, Google I/O, una entrevista con Pichai y varios balances de los últimos seis meses en el sector de la IA.

La IA ha entrado en la fase de creación de productos e integración de ecosistemas. La carrera de los modelos se enfría y la mayoría de las empresas ya puede desarrollar sin complejos aplicaciones que sirvan de «envoltorio».

Han cambiado las capacidades y los precios de los modelos. Los modelos abiertos alcanzan rápidamente, e incluso superan, a algunos modelos cerrados, y la distancia entre los mejores se ha reducido mucho. Aunque los modelos locales tienen capacidades limitadas, modelos como Llama 3 70B ya pueden ejecutarse en un portátil corriente y ofrecen capacidades cercanas a GPT-4. El precio de la inferencia de los grandes modelos sigue cayendo a un ritmo muy superior al de la ley de Moore en la era de internet. En los modelos de primer nivel, es habitual que el precio se reduzca a una décima parte en un año; en algunos modelos ligeros o destilados, incluso a una centésima parte.

Antes se decía que el valor de un producto de IA se medía por la velocidad a la que consumía tokens. Es evidente que no basta con ofrecer una caja de prompts o un chatbot y esperar a que el usuario pregunte, pero consumir tokens cada vez más rápido tampoco es el objetivo. La medida clave es el valor que genera cada token. Esto se refleja en el cambio de los modelos de negocio: el consenso del sector ha pasado de MaaS (Model as a Service) a RaaS (Results as a Service). Muchas empresas B2B no cobran por el volumen de tokens utilizados, sino por cuántos clientes consiguen captar o convertir. Se parece mucho al paso de pagar por volumen a pagar por resultados en la evolución de la publicidad.

En la interacción entre personas y máquinas no hemos visto un cambio de paradigma en el que las NUI sustituyan a las GUI. La experiencia cotidiana también muestra que, en la mayoría de los casos, pulsar y seleccionar sigue siendo lo más eficiente. Sí existe, sin embargo, una tendencia clara en las interfaces: pasar de las tradicionales «barras de herramientas + menús» a un modelo más natural e intuitivo de «lenguaje natural + ejecución inteligente».

Los retos de ingeniería de aplicaciones están aumentando. La adulación excesiva de los modelos, las filtraciones de prompts del sistema y los modelos que «delatan» reflejan dificultades de seguridad y control. Las llamadas a herramientas, la gestión de permisos y la inyección de prompts se han convertido en problemas centrales de la implementación práctica.

Apple realmente se ha quedado atrás en IA. Jobs decía que todo se reduce al gusto. Antes pensaba que quizá su búsqueda de buen gusto y buena experiencia explicaba que siguiera siendo conservadora. Pero, después de probar las capacidades multimodales de GPT-4o o Gemini Live, he visto que ya son suficientemente buenas y que hay una diferencia generacional respecto a Siri. La estrategia conservadora ha dejado de ser una explicación convincente.

Cuando las grandes tecnológicas entran con productos más generales, les resulta fácil quitarles el espacio a algunas aplicaciones verticales anteriores. Por ejemplo, Google lanzó AI Mode y Agent Mode. El primero admite consultas conversacionales más complejas; el segundo puede completar de forma proactiva tareas de varios pasos, como buscar viviendas o reservar entradas. Algunas aplicaciones verticales de IA anteriores, como Perplexity y Manus, pierden así buena parte de su atractivo diferencial.