Hitachi Vantara potencia el almacenamiento híbrido en Azure
De asistentes a agentes: el camino de la IA empresarial
Los Small Language Models (SLM) avanzan como opción más ágil, económica y adaptable para compañías frente a los LLM.
Para Laszlo Beke, presidente de Bekesantos, la adopción de la inteligencia artificial (IA) en empresas sigue un proceso evolutivo claro hacia Small Language Models:
- IA como asistente.
- Agentes inteligentes.
- Modelos especializados por sector y función interna.
“Los dos primeros pasos ya están en marcha en el Proyecto Cronos de Bekesantos, mientras que el tercero comienza a consolidarse con los Small Language Models (SLM)”, explicó Beke.
Estos modelos pequeños, más manejables y económicos que los Large Language Models (LLM), se perfilan como la vía más eficiente para que las compañías adapten la IA a necesidades específicas.
¿Por qué crecen los modelos pequeños?
El auge de los Small Language Models responde a dos factores clave: eficiencia y adaptabilidad. A diferencia de los LLM, cuyo alcance multipropósito resulta excesivo para muchas tareas, los modelos pequeños pueden entrenarse con datos propios de cada sector, reduciendo costos y aumentando la precisión.
Beke destacó un caso ilustrativo: Nvidia Nemotron Nano, con 9 mil millones de parámetros, ha superado en rendimiento a un modelo Llama de Meta cuarenta veces mayor. “Hoy los SLM logran lo que ayer solo podían hacer los gigantes”, comentó.
Además, su costo operativo es mucho más bajo. Un SLM de 7.000 millones de parámetros puede ser 10 a 30 veces más barato de ejecutar que un modelo hasta 25 veces más grande.
“La fe ciega en los LLM está perdiendo fuerza. El futuro de la inteligencia artificial en las empresas pasa por modelos más pequeños, especializados y alineados con las necesidades reales de cada sector”.
Gartner: menos fatiga, más especialización
Según Gartner, los LLM han generado “fatiga de usuario” debido a problemas como las alucinaciones. En contraste, los SLM ofrecen modelos especializados por sector, con menos ruido y mayor relevancia.
La consultora proyecta que la demanda de SLM empresariales crecerá el doble de rápido que la de LLM en 2025, aunque partiendo de una base menor. A medio plazo, muchas compañías desarrollarán sus propios modelos internos.
Geopolítica y tecnología: laboratorios pequeños, impacto grande
Mientras en Estados Unidos los laboratorios invierten sumas millonarias en perseguir la Inteligencia Artificial General (IAG) a través de LLM omniscientes, otros actores como China y los Emiratos Árabes Unidos apuestan por modelos abiertos y compactos.
El laboratorio árabe K2 Think afirma haber creado un SLM de código abierto que supera a modelos veinte veces más grandes.
“Los laboratorios estadounidenses parecen obsesionados con la omnisciencia, mientras que en el mundo real las empresas necesitan IA práctica, manejable y con resultados inmediatos”, enfatizó Laszlo Beke.
Agentes de IA y dispositivos: terreno fértil para los SLM
Los SLM son especialmente adecuados para impulsar agentes de IA, aplicaciones que trabajan junto a los humanos o los reemplazan en tareas concretas. Su tamaño reducido les permite funcionar en smartphones, robots, coches autónomos o chips convencionales (CPU) sin depender siempre de costosos GPU.
Un ejemplo práctico es Docling de IBM, que transforma documentos PDF en datos estructurados. Este software se ejecuta en un modelo con apenas 250 millones de parámetros, algo impensable con un LLM por razones de costo y eficiencia.
¿Hacia un ecosistema híbrido?
La tendencia apunta a una coexistencia: LLM para consumo masivo (como ChatGPT de OpenAI) y SLM para aplicaciones corporativas especializadas. Incluso OpenAI y Apple ya operan con modelos de distintos tamaños, eligiendo la escala en función de la complejidad de la tarea.
Para Beke, el reto no está en sustituir lo grande por lo pequeño, sino en encontrar el equilibrio que permita a las empresas aprovechar la IA sin comprometer costos, velocidad ni relevancia.
Los Small Language Models están redefiniendo el panorama de la IA empresarial. Su eficiencia, adaptabilidad y bajo costo los convierten en la opción natural para compañías que buscan automatización con propósito y sin excesos tecnológicos.
