Resumen del capítulo 1

Las ideas clave que deberías llevarte de este capítulo:

• Añadir IA en el 95% de los casos enterprise es llamar a una API. Envías texto, el modelo procesa y devuelve una respuesta, tu código actúa en consecuencia. No entrenas modelos, no tocas pesos neurales.

• El modelo es infraestructura, no el núcleo de tu aplicación. El valor diferencial está en cómo integras el modelo con tu lógica de negocio, tus datos y tus procesos.

• El AI Engineer no es un data scientist. Su trabajo es construir los sistemas que usan la IA, no la IA en sí. La experiencia Java/Spring es una ventaja, no un obstáculo.

• Los cuatro casos de uso con mayor ROI demostrado son: clasificación, extracción, generación y asistentes. La clasificación es el punto de entrada más seguro: resultado verificable, ROI inmediato.

• La madurez de IA en una organización tiene cinco niveles (del 0 al 4): sin IA → experimentación (PoC) → primera producción → escala controlada → IA como capacidad estándar. La mayoría de las empresas están en el nivel 1. El salto más importante — y más difícil — es al nivel 2: llevar algo a producción, aunque sea pequeño.

• Antes de usar IA, pregúntate si una regla determinista lo resuelve igual de bien. Si la respuesta es sí, usa la regla. El solucionismo tecnológico — aplicar la tecnología más nueva a todo problema — tiene nombre y consecuencias.

• El coste real tiene cuatro dimensiones: tokens, latencia, infraestructura adicional y mantenimiento. La factura del proveedor es solo una parte.

• Los tokens de entrada y salida se facturan por separado. Las instrucciones fijas al modelo se pagan en cada llamada. El historial de conversación crece con cada turno. Aprende a estimar antes de comprometerte.

• La latencia de los LLMs es de segundos, no de milisegundos. El streaming resuelve el problema de percepción en interfaces síncronas. Las llamadas encadenadas multiplican la latencia.

• El mantenimiento de sistemas de IA no es como el mantenimiento de software tradicional. Los prompts se degradan cuando el modelo se actualiza. Los datos del RAG quedan obsoletos. La calidad se monitoriza de forma continua, no reactiva.