El problema de los 19 modelos: por qué la IA empresarial avanza hacia la orquestación multimodelo

Si le pregunta al director de tecnología (CTO) de cualquier gran empresa qué modelo de IA utilizan, la respuesta sincera será probablemente "todos".

El equipo de marketing utiliza Claude para contenidos de formato largo. Ingeniería emplea GPT-4o para la generación de código. El departamento de atención al cliente implementó un modelo Llama ajustado el trimestre pasado. El equipo de ciencia de datos acaba de empezar a probar Gemini 2.5 Pro para análisis multimodales. Finanzas está evaluando Mistral para el procesamiento de documentos con restricciones de costes. Nadie coordinó nada. Nadie lo planificó. Simplemente ocurrió.

Este es el problema de los 19 modelos. Y según el informe FutureScape de IA para 2026 de IDC, para 2028, el 70% de las principales empresas impulsadas por IA utilizarán arquitecturas avanzadas multiherramienta para gestionar de forma dinámica el enrutamiento de modelos a través de diversas opciones. La cuestión ya no es si las organizaciones utilizarán múltiples modelos, sino si los gestionarán de forma deliberada o dejarán que la proliferación se gestione sola.

Cómo han llegado las empresas hasta aquí

La transición de "qué modelo deberíamos elegir" a "cómo los gestionamos todos" se ha producido más rápido de lo que la mayoría de los líderes de TI esperaban.

Tres factores clave han impulsado este cambio. En primer lugar, la especialización de los modelos. Ningún modelo es líder en todas las tareas. Claude destaca por su razonamiento matizado y análisis de contextos largos. GPT-4o domina las pruebas de desarrollo de código. Gemini procesa de forma nativa entradas multimodales. Los modelos de código abierto como Llama y Mistral ofrecen ventajas de costes para tareas de gran volumen y menor complejidad. Los equipos descubrieron esto experimentando y adoptaron el modelo que mejor funcionaba para su caso de uso específico.

En segundo lugar, el riesgo de proveedor único. Los acontecimientos de finales de febrero de 2026 demostraron lo que ocurre cuando las empresas dependen de un solo proveedor. Anthropic fue excluida de los contratos federales de EE. UU. Claude sufrió una interrupción de tres horas debido al exceso de demanda. Las organizaciones vinculadas a un único modelo se quedaron sin alternativa. Las que utilizaban múltiples modelos siguieron operando con normalidad.

En tercer lugar, la adopción superó a la gobernanza. Gartner predice que el 40 % de las aplicaciones empresariales integrará agentes de IA especializados en tareas específicas para finales de 2026, frente a menos del 5 % en 2025. Es probable que cada uno de esos agentes funcione con un modelo diferente, elegido por un equipo distinto, con implicaciones de costes y cumplimiento diversas. La encuesta State of AI de McKinsey de 2024 reveló que el 78 % de las organizaciones ya utiliza la IA con regularidad, frente al 55 % del año anterior. Ese crecimiento trajo consigo la diversidad de modelos.

El coste de una proliferación de modelos sin gestionar

Ejecutar múltiples modelos sin orquestación resulta costoso. Según el análisis de precios de IA de 2026 de AI Pricing Master, las organizaciones que utilizan un único LLM para todas las tareas pagan entre un 40 y un 85% más en comparación con aquellas que implementan un enrutamiento inteligente. La razón es sencilla: enviar una consulta básica de preguntas frecuentes a GPT-4o cuesta aproximadamente 30 veces más que enviarla a un modelo de menor tamaño que resuelva la tarea con la misma eficacia.

El problema del coste se agrava porque los equipos de desarrollo rara vez optimizan una vez realizada la implementación. El equipo de ingeniería selecciona un modelo durante el desarrollo, codifica la llamada a la API de forma directa y pasa a otra cosa. Seis meses después, ese mismo modelo procesa millones de peticiones que una alternativa más económica podría resolver con la misma calidad. Multiplique esto por 15 departamentos diferentes, cada uno ejecutando su propio modelo, y el desperdicio de recursos se dispara rápidamente.

Más allá del coste, los entornos multimodelo sin gestionar generan brechas de gobernanza. Cada modelo cuenta con políticas de tratamiento de datos, certificaciones de cumplimiento normativo y funciones de registro de actividad diferentes. Cuando los requisitos de alto riesgo de la Ley de IA de la UE entren en pleno vigor en agosto de 2026, las empresas tendrán que demostrar auditorías y documentación exhaustivas de cada modelo en producción. Algo sumamente complejo de lograr si no se cuenta con un inventario unificado.

En qué consiste realmente la orquestación multimodelo

La respuesta de la industria ante la proliferación de modelos es la orquestación: una capa de abstracción conectada entre sus aplicaciones y los modelos a los que llaman, que direcciona cada petición al modelo adecuado en función de la tarea, las restricciones de coste y los requisitos de calidad esperados.

IDC describe esto como la transición de arquitecturas de "mezcla de expertos" (mixture of experts) ofrecidas por proveedores individuales, hacia un enrutamiento gestionado directamente por las empresas entre distintos proveedores. En lugar de que OpenAI o Anthropic decidan qué modelo interno procesa su petición, es la propia empresa la de que controla la lógica de enrutamiento.

En la práctica, esto funciona mediante una estrategia en cascada. Una consulta sencilla de un cliente se dirige primero a un modelo pequeño, rápido y económico. Si supera el control de calidad, se envía la respuesta. Si no lo supera, la petición se escala a un modelo de mayor capacidad. El sistema se optimiza para resolver los casos comunes de forma ágil, preservando la máxima precisión para los casos más complejos.

Una presentación de Databricks en el Data + AI Summit de 2025 demostró este enfoque, mostrando cómo los agentes de enrutamiento de modelos pueden optimizar los costes y aportar valor al usuario de forma simultánea. En esta arquitectura, los modelos se tratan como componentes intercambiables y no como dependencias rígidas.

Para las organizaciones que ya implementan flujos de trabajo agénticos, la orquestación multimodelo añade una ventaja competitiva: la capacidad de enrutamiento de distintos pasos dentro de un flujo a diferentes modelos según las necesidades de cada fase. La fase de lectura de documentos puede utilizar un modelo de visión artificial, la fase de análisis un modelo de razonamiento avanzado y la fase de resumen final un modelo ágil y de bajo coste. Todo ello unificado bajo una única capa de orquestación.

Implicaciones para la arquitectura de sistemas empresariales

La orquestación de sistemas multimodelo plantea tres decisiones arquitectónicas cruciales que la mayoría de las empresas aún no han abordado.

Portabilidad de prompts

Los prompts optimizados para un modelo no se transfieren de forma directa a otro. Las empresas que adoptan el enrutamiento multimodelo necesitan sistemas de gestión de prompts que mantengan versiones específicas para cada modelo de un mismo prompt corporativo. Este es un aspecto donde muchos equipos subestiman el esfuerzo necesario. Un prompt que funciona a la perfección en Claude Sonnet 4.6 puede generar variaciones sutiles en GPT-4o, y esas diferencias son críticas cuando se integran en un proceso de negocio automatizado.

Observabilidad unificada

Cuando las peticiones se distribuyen de forma dinámica entre múltiples modelos, la monitorización debe abarcar a todos ellos. El seguimiento de costes, la evaluación de calidad, la medición de latencias y los registros de cumplimiento deben ser accesibles desde una interfaz única. Desarrollar esta infraestructura desde cero requiere una inversión de ingeniería significativa, motivo por la cual la orquestación a nivel plataforma se está convirtiendo en la solución estándar del mercado.

Evaluación continua de modelos

Cada mes se lanzan nuevos modelos y los consolidados reciben actualizaciones sin previo aviso. Una empresa que defina su pila de modelos en enero podría estar utilizando una configuración obsoleta para junio. Las arquitecturas multimodelo requieren procesos de evaluación sistemáticos que prueben los nuevos modelos frente a cargas de trabajo reales y realicen la transición automática hacia las opciones más eficientes.

Perspectivas de futuro

El mercado del enrutamiento de modelos está pasando de ser una adopción temprana a convertirse en un componente estándar de infraestructura. IDC prevé que el 70% de las principales empresas orientadas a la IA la habrán adoptado para 2028. La proyección de Gartner de que el 80% del software empresarial será multimodal para 2030 añade otro argumento de peso: a medida que las aplicaciones necesiten procesar texto, imágenes, vídeo y audio, la necesidad de un enrutamiento multimodelo se vuelve fundamental, ya que ningún modelo único liderará el rendimiento en todas las modalidades de forma simultánea.

Las empresas que están desarrollando esta capacidad hoy en día obtienen tres ventajas estratégicas de inmediato. Primero, optimización de costes mediante enrutamiento inteligente, reduciendo el gasto en IA al desviar tareas rutinarias a modelos más económicos. Segundo, resiliencia gracias a la redundancia de proveedores, asegurando que ninguna caída del servicio detenga sus operaciones de IA. Tercero, gobernanza mediante visibilidad centralizada, garantizando el cumplimiento normativo en cada modelo de su pila tecnológica.

El problema de los 19 modelos no desaparecerá; al contrario, esa cifra seguirá en aumento. Las organizaciones que traten la orquestación de modelos de IA como una infraestructura estratégica, y no como una solución improvisada, serán las que logren escalar sus agentes de IA sin incrementar la complejidad de su gestión operacional.