Tipos de modelos y cómo elegir uno

Qué aprenderás

• Diferencias entre modelos rápidos, orientados al razonamiento, grandes,

pequeños, generalistas y especializados.

• Qué agregan las opciones locales, de nube, multimodales y de texto.
• Cómo seleccionar por tarea sin convertir la decisión en un ranking.

No existe un modelo ideal para todo

Un modelo se elige por el trabajo que debe realizar y las restricciones del sistema. Las categorías se solapan y sus límites dependen del proveedor, pero son útiles para formular preguntas comparables.

• Rápido: prioriza baja latencia y alto volumen; puede ser suficiente para

clasificación, extracción o respuestas simples.

• Orientado al razonamiento: dedica más recursos o usa una configuración

pensada para problemas complejos; puede aumentar latencia y costo.

• Grande: suele ofrecer más capacidad general, con mayores requerimientos.
• Pequeño: puede reducir costo, latencia o infraestructura; no es sinónimo

de mala calidad.

• Generalista: cubre muchas tareas y dominios.
• Especializado: está adaptado a un dominio, formato, idioma o tipo de tarea.

También importan texto versus multimodalidad, ejecución local versus nube, contexto disponible, integración de tools, privacidad, disponibilidad y soporte.

Criterios de selección

¿Qué requiere la tarea?
        │
        ├── baja latencia y volumen
        ├── razonamiento complejo
        ├── costo máximo
        ├── privacidad o ejecución local
        ├── contexto amplio
        ├── texto, imagen, audio u otra modalidad
        ├── especialización de dominio
        └── integración, disponibilidad y soporte
                ↓
        probar candidatos con casos reales
                ↓
        seleccionar y monitorear

El equipo debería definir calidad mínima, tasa de error tolerable, tiempo de respuesta, presupuesto, datos permitidos, necesidad de auditoría y plan de fallback. Luego compara modelos con el mismo conjunto de casos, no solo con una demostración atractiva.

No confundir tamaño con conveniencia

modelo más grande ≠ siempre mejor opción
modelo de razonamiento ≠ necesario para toda tarea
modelo rápido ≠ modelo de baja calidad
modelo especializado ≠ universalmente superior

Una extracción con esquema estricto puede funcionar mejor con un modelo rápido y una tool de validación. Un análisis complejo puede justificar otro modelo. Un modelo local puede ser preferible por privacidad aunque requiera operación y hardware propios. La respuesta depende del riesgo y del entorno.

Ejemplo en una organización

En infraestructura, un clasificador de alertas de alto volumen necesita baja latencia y salida previsible. Para investigar un incidente poco frecuente, el equipo puede usar un modelo con mejores capacidades de análisis, documentos controlados y supervisión. Ninguno se elige porque sea "el mejor" en abstracto: se compara el costo total, el error y el impacto operativo.

La analogía del profesional nuevo

Analogía simplificada: una organización puede incorporar un profesional generalista, uno especializado o una persona disponible para tareas urgentes. La elección depende del trabajo, presupuesto, confidencialidad y supervisión. La analogía no personifica al LLM: solo muestra por qué una capacidad amplia no resuelve automáticamente todos los problemas.

Proceso mínimo de evaluación

1. Describir la tarea y el nivel de riesgo.
2. Armar ejemplos representativos y casos límite.
3. Elegir métricas: exactitud, cobertura, formato, latencia y costo.
4. Probar modelos bajo la misma entrada y reglas.
5. Revisar privacidad, residencia de datos, permisos y disponibilidad.
6. Ejecutar una prueba controlada y monitorear después del lanzamiento.

Qué no significa

• Un ranking público reemplaza la prueba con datos de la organización.
• Más capacidad general siempre justifica más costo.
• Un modelo local es automáticamente más privado sin revisar operación.
• Un modelo especializado conoce automáticamente las reglas internas.

Errores frecuentes

1. Seleccionar por popularidad o por una sola demo.
2. Medir solo calidad y olvidar latencia, costo y privacidad.
3. Usar un modelo de razonamiento pesado para cada tarea sencilla.
4. Cambiar de modelo sin repetir evaluación y controles.

Ideas principales

• La selección es una decisión de ingeniería y negocio, no una competencia universal.
• Rápido, grande, pequeño, generalista y especializado describen compromisos.
• La tarea, el riesgo y las restricciones determinan el candidato adecuado.
• Los modelos comerciales y sus características cambian; hay que consultar el

catálogo vigente y probarlos.

Autoevaluación

1. ¿Qué tarea podría favorecer un modelo rápido sobre uno más grande?
2. ¿Qué criterios adicionales mirarías si los datos son confidenciales?
3. ¿Por qué una prueba con casos reales es mejor que elegir por un ranking?

Fuentes

• AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework — consulta: 2026-10-03.
• Foundation Model Transparency Index — Stanford CRFM — https://crfm.stanford.edu/fmti/ — consulta: 2026-10-03.
• Artificial Intelligence Risk Management Framework: Generative AI Profile — NIST — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence — consulta: 2026-10-03.

Seguir aprendiendo

• Unidad 14: reunir el recorrido en un modelo mental.
• Módulo 3: adaptar instrucciones a la tarea seleccionada.
• Módulo 4: diseñar contexto, fuentes y herramientas.