[{"data":1,"prerenderedAt":89},["ShallowReactive",2],{"blog-post-es-where-llm-integrations-break":3},{"id":4,"title":5,"author":6,"body":7,"category":72,"date":73,"description":13,"excerpt":74,"extension":75,"gradient":76,"icon":77,"meta":78,"navigation":79,"path":80,"seo":81,"stem":82,"tags":83,"__hash__":88},"posts_es\u002Fblog\u002Fwhere-llm-integrations-break.md","Dónde se rompen las integraciones con LLM","jose",{"type":8,"value":9,"toc":64},"minimark",[10,14,19,22,25,28,32,35,38,41,45,48,51,54,58,61],[11,12,13],"p",{},"Cuando una funcionalidad de IA rinde por debajo de lo esperado, el primer impulso suele ser cambiar el modelo. Según nuestra experiencia, rara vez está ahí el problema. La llamada al modelo es la parte más fiable del pipeline, y también la única que llega ya construida, que es precisamente por lo que los fallos se concentran en todo lo demás.",[15,16,18],"h2",{"id":17},"la-entrada-es-el-producto","La entrada es el producto",[11,20,21],{},"El techo de calidad de una funcionalidad de IA lo fija lo que puedas poner delante del modelo, y eso es un problema ordinario de ingeniería de datos.",[11,23,24],{},"Teremu es un buen ejemplo porque la restricción es muy visible. La funcionalidad es: fotografía una factura de proveedor y los precios de ingredientes, los márgenes de los platos y el inventario se actualizan automáticamente. El modelo hace la extracción. Pero la calidad de la extracción está dominada por si la fotografía es legible, y por eso la ingeniería relevante fue el control de calidad en el dispositivo en el momento de la captura: detectar un encuadre borroso o cortado mientras el chef todavía está ahí de pie, en lugar de fallar en silencio una hora después.",[11,26,27],{},"El patrón se repite. Antes de añadir IA a un sistema existente, la pregunta real es si los datos y las APIs pueden producir contexto limpio, completo y actual en el momento de la llamada. Normalmente no pueden, y no por ninguna razón dramática: los campos se rellenan de forma inconsistente, la API necesita cuatro viajes para armar una imagen coherente, nadie ha tenido nunca que leer ese registro de principio a fin. Ese trabajo es poco vistoso y determina el resultado.",[15,29,31],{"id":30},"la-salida-necesita-adónde-ir","La salida necesita adónde ir",[11,33,34],{},"El segundo punto de fallo es tratar la salida generada como una respuesta en lugar de como una propuesta.",[11,36,37],{},"Un modelo que extrae treinta líneas de una factura acertará en la mayoría. «La mayoría» no es un número que se pueda asentar en un libro contable. La pregunta de diseño es qué ocurre con el resto incierto, y la respuesta tiene que ser una interfaz real, no una vía de excepción: en el caso de Teremu, una vista de triaje donde las líneas extraídas aparecen junto a la fotografía original, de modo que aprobar una extracción correcta lleva un segundo y corregir una incorrecta lleva cinco.",[11,39,40],{},"Aquí es donde el humano en el bucle deja de ser un principio y se convierte en una decisión de producto. La revisión tiene un coste, y ese coste tiene que ser menor que el valor de la automatización o la gente dejará de hacerla. Un paso de revisión más lento que hacer la tarea a mano se aprobará sin leer, lo cual es peor que no tener revisión, porque ahora los errores llevan una aprobación encima.",[15,42,44],{"id":43},"trata-la-inferencia-como-una-dependencia-medida","Trata la inferencia como una dependencia medida",[11,46,47],{},"Lo tercero que se rompe es la economía, normalmente más tarde que los problemas técnicos y con menos aviso.",[11,49,50],{},"La inferencia es un coste variable ligado al uso, lo que la hace estructuralmente distinta del resto de una arquitectura serverless. Si el bucle de IA es el núcleo del producto, el gasto en modelos es una métrica de negocio primaria y debería instrumentarse como tal: medida por llamada, atribuida por cliente y acotada. La inferencia sin medir dentro de una suscripción de tarifa plana es un problema de margen que solo se vuelve visible cuando la funcionalidad tiene éxito.",[11,52,53],{},"También enrutamos las llamadas a través de una capa de proveedor que es configuración y no código. No porque cambiar sea una actividad constante, sino porque los precios de inferencia se han movido de forma sustancial y repetida, y un producto que no puede seguir esa curva sin una refactorización renuncia al ahorro por defecto.",[15,55,57],{"id":56},"cuánto-vale-realmente-la-elección-del-modelo","Cuánto vale realmente la elección del modelo",[11,59,60],{},"Nada de esto es un argumento de que los modelos sean intercambiables: las diferencias de capacidad son reales y a veces decisivas. Es un argumento sobre dónde va la hora marginal. Un modelo mejor aplicado a mal contexto produce disparates con confianza. Buen contexto con un modelo intermedio produce algo utilizable.",[11,62,63],{},"La secuencia práctica se deduce de ahí: acertar con el contexto, diseñar la vía de revisión, instrumentar el coste, y tratar la selección del modelo como una decisión de ajuste tomada contra esas restricciones y no como la primera decisión tomada sin ellas.",{"title":65,"searchDepth":66,"depth":66,"links":67},"",2,[68,69,70,71],{"id":17,"depth":66,"text":18},{"id":30,"depth":66,"text":31},{"id":43,"depth":66,"text":44},{"id":56,"depth":66,"text":57},"aiml","2026-08-17",null,"md","linear-gradient(135deg, rgba(99,102,241,0.4), rgba(124,58,237,0.2))","i-heroicons-cpu-chip",{},true,"\u002Fblog\u002Fwhere-llm-integrations-break",{"title":5,"description":13},"blog\u002Fwhere-llm-integrations-break",[84,85,86,87],"LLM","Arquitectura","IA","Integración","zK8AkXe1fVBaST-GIk5ZUAFBm5NuTHOKVhqbPxeCNz8",1789948888907]