Los grandes proveedores dejaron de competir por un solo modelo insignia. Esta semana Anthropic presentó Claude Opus 5.5, que iguala el rendimiento de su gama alta Fable 5.1 a menor costo operativo, mientras OpenAI desdobló su línea en GPT-6 Sol —razonamiento complejo— y GPT-6 Luna —alto volumen y baja latencia—. La señal es clara: la cartera se diferencia por precio, velocidad y especialización, no por potencia bruta única.
Ese cambio obliga a los equipos de TI a pasar de una decisión de compra a una de arquitectura. "La decisión se está moviendo de adquisición a arquitectura", resume Jeet Pattanaik, fundador y CTO de Glokal AI. En lugar de elegir un proveedor para toda la organización, hay que resolver qué modelo atiende cada carga de trabajo y volver a evaluar cada vez que los proveedores lanzan novedades.
La industria del software empresarial ya se está adaptando. Salesforce amplía su plataforma para soportar múltiples modelos e integra modelos abiertos vía su alianza con NVIDIA en Agentforce y Missionforce. Palo Alto Networks fue más allá: su nuevo servicio de ciberseguridad combina Claude Mythos de Anthropic, GPT-5.6-Cyber de OpenAI y modelos de pesos abiertos, dejando que el sistema decida qué modelo maneja cada tarea de seguridad. En pruebas internas, ningún modelo individual detectaba más del 40% de vulnerabilidades en entornos complejos; la cobertura mejora al combinarlos.
Esa evidencia académica respalda el enfoque. Un trabajo presentado en ICAISET 2026 —con evaluación empírica sobre 200 ejecuciones de un flujo empresarial real— muestra que arquitecturas multi-modelo heterogéneas recortan latencia de extremo a extremo entre 38,8% y 41,8% y costos operativos entre 32% y 41% frente a líneas base de modelo único, elevando la tasa de éxito de 91,2% a 96,8% con significación estadística (p < 0,01). La propuesta introduce una taxonomía de seis clases de modelos —LLM de propósito general, MoE, VLM, LRM, SLM y LAM— y una arquitectura de referencia de cuatro capas (Percepción, Cognición, Memoria, Acción) con patrones de diseño reutilizables.
Pero la orquestación no es gratis. Requiere una capa que separe prompts y lógica de flujo del modelo subyacente, gestione enrutamiento por tarea, sensibilidad de datos, latencia y costo, y permita auditar rendimiento por modelo. Cuando entran agentes autónomos que descomponen flujos en planificación, recuperación, razonamiento y acción, el enrutamiento ocurre en cada paso y los fallos se vuelven más difíciles de rastrear.
Ese es el estado del arte global. La realidad latinoamericana pinta otro cuadro. En Colombia, una empresa empieza a usar IA cada cinco minutos —más de 130.000 en el último año— y la adopción subió del 34% al 42%, según estudio de Strand Partners para AWS. Sin embargo, solo el 12% de las que adoptaron llegó a la etapa transformadora: combinar varios modelos, construir sistemas propios o implementar IA agéntica. El 74% sigue en usos básicos: chatbots públicos para tareas rutinarias o soluciones compradas llave en mano.
Las startups lideran ese 12% avanzado con 29%, frente a 10% de pymes y 9% de grandes empresas. Apenas el 15% lanzó un producto o servicio nuevo basado en IA y solo el 18% dice tener una estrategia integral.
El cuello de botella principal es talento: 47% de las empresas colombianas cita la escasez de competencias digitales y de IA como su mayor barrera, 63% tiene dificultades para atraer ese perfil y solo 29% considera tener acceso suficiente a desarrolladores. AWS comprometió capacitar a más de medio millón de colombianos hasta 2028 y dos millones en la región, pero la brecha sigue abierta.
Hay un segundo freno invisible: la medición. El 72% reporta retornos positivos y el 88% mejoras de productividad, pero el 47% admite no tener forma confiable de calcular el retorno y solo el 19% cuenta con un marco definido para saber cuándo una implementación fue exitosa. Casi la mitad hace seguimiento a métricas de actividad —usuarios, consultas, tiempo ahorrado— y apenas 29% mide resultados de negocio.
Esa regulación añade incertidumbre: 67% considera clave la claridad regulatoria para adoptar IA, pero solo 23% cree que el gobierno tiene un plan claro y 27% confía en la estabilidad de las reglas.
Entre los casos que ya operan, Nequi atiende el 50% de consultas por chat con su asistente virtual al 90% de efectividad y sus agentes de IA duplicaron los procesos de preaprobación de crédito. El Hub de IA de Cali usa modelos para predecir complicaciones perinatales y mapear asentamientos informales.
Esa distancia entre la arquitectura multi-modelo que demuestra ganancias de dos dígitos en costo, latencia y éxito, y la adopción mayoritaria atrapada en chatbots genéricos, no se cierra sola. Requiere infraestructura de nube madura, datos organizados y —como señala Paula Bellizia, VP de AWS para América Latina— una mentalidad "AI first" en lugar de proyectos aislados. Mientras los proveedores globales y los papers de ingeniería avanzan hacia orquestación heterogénea con capas de enrutamiento, gobernanza y observabilidad, el ejecutivo latinoamericano que no empiece a construir esa músculo —talento, métricas de negocio, marco regulatorio— verá cómo la brecha de capacidad se ensancha trimestre a trimestre.
