ALLMs (Applied Large Language Models)

Equilibrando cómo nos "optimizamos" hasta abandonar nuestra humanidad, con cómo aspiramos a co-evolucionar con nuestros contextos y creaciones.

Introducción

El panorama técnico de 2026 se define por una profunda brecha entre los líderes de mercadeo y ejecutivos, y los operadores técnicos, aquellos que ejecutan las tareas, los trabajadores.

Mientras que las conferencias de resultados corporativos describen la "inteligencia artificial" como un milagro, la realidad dentro de los sistemas y las operaciones diarias es una de decepción, re-procesos, gasto industrial y pérdidas.

Los líderes citan con frecuencia altas tasas de adopción para satisfacer las expectativas del mercado y de los accionistas pero la realidad técnica y los fundamentos estrucutrales digitales contradicen esos titulares.

Las estadísticas del informe Virtana de 2026 muestran que, mientras el 59% de los ejecutivos cree que sus sistemas están listos, el 62% de los expertos responsables de la ejecución reportan configuraciones fragmentadas incapaces de sostener las cargas de trabajo a escala de máquinaria.

Este descuadre ha causado una inestabilidad medible: el 75% de las empresas ahora reportan fallas en tasas de dos dígitos (10 o más) en tareas automatizadas por medio de "inteligencia artificial".

Parece que en la economía digital hemos aceptado un margen de error de más del 10% como si ese fuera un costo aceptable de hacer negocios, y mientras que los ejecutivos siguen promoviendo adopción desde sus oficinas a puerta cerrada, los pisos de producción la rechazan.

Y este rechazo a las tecnologías de automatización basadas en "inteligencia artificial" no resulta porque los operarios que se supone que las implementen no "crean" en ellas o tengan "miedo" de adoptarlas, sino porque estos profesionales detectan en estas tecnologías digitales un rechazo de realidades de la ingeniería y arquitectura digitales, que de ignorarse del todo llevarían a muchos de los mecanismos que sostienen el actual mecanismo sobre el que funciona el computo a desfondarse. Y es preciso a estos trabajadores que les tocaría volver a armar todo el rompecabeza.

Los datos indican que, ya sea que se utilicen para Inferencia (tareas predictivas) o Generación (tareas de contenido), estos modelos siguen siendo ineficientes y frágiles. Un estudio del MIT de 2025 sobre la integración de IA empresarial reveló que solo el 5% de los proyectos piloto de IA demuestran algún impacto significativo en las ganancias de la empresa y la gran mayoría de proyectos se abandonan antes de llegar a producción. La investigación de McKinsey corrobora que solo alrededor del 6% logra contribuciones al EBIT (Earnings Before Interest and Taxes, ganancias significativas antes de tener qué considerar los egresos) de un 5% o más, dejando a la mayoría en un estado de estancamiento de valor. La franja de compañías que logran dividendos por su uso de esta tecnología son compañías que de todas formas iban a generar dividendos así la tecnología no funcionara.

Marco Teórico y Revisión de la Literatura

En este momento la industria se enfrenta a una narrativa representada por Daniel Ek (CEO de en Spotify) quien en 2024 afirmó que el "costo de crear contenido es cercano a cero" y por el director ejecutivo de Suno, Mikey Shulman, quién dijo que la mayoría de las personas en realidad no disfrutan del proceso "tedioso" de hacer música, prefiriendo ir directamente al resultado.

Ambos enmarcando la creación como una mercancía de bajo valor y su proceso de creación una carga directa que se debe evitar.

El reporte de Engineering Reality de 2026 revela que al 93% de los ingenieros de software les resulta gratificante el acto deescribir código y programar. Pero la prisa por automatizar ha reducido el tiempo que estos profesionales pasan realmente construyendo a solo el 16% de su semana. El tiempo restante es consumido por los la tediosa tarea de resolver errores infinitos que se repiten todo el tiempo, filtrar la "basura" automatizada, y resolver la deuda técnica (lo que se acumula cuando se hace programación que deja errores acumulativos).

Reconociendo el costo operativo de esta pérdida en la supervisión humana, la investigación de Forrester predice ahora que para 2027, más de la mitad de las empresas que ejecutaron despidos masivos impulsados por la IA se verán obligadas a dar marcha atrás en un intento desesperado por recuperar el poder cerebral necesario para tanto operar los sistemas, como también arreglarlos antes de que se desbaraten.*

Esta narrativa de que la creación es "tediosa" o "sin costo" no reconoce que la acción de crear es el lugar principal del descubrimiento humano.

Dicen que al eliminar fricciones liberan, pero saben que ese no es el caso, saben que están limitando la parte en la que grupos de personas interactúan entre sí para producir su propio sentido de la existencia.

Eso que ellos llaman fricción es generalmente lo que otros llamamos vida. Si por ellos fuera los bosques serían sintéticos y no tendrían ni tierra, ni bichos, ni procesos biológicos, porque eso es fricción, y debe optimizarse, los bosques ser reemplazados por data centers.

La innovación se forja en la caldera de la creación. Si automatizamos la base de nuestro trabajo, destruimos el espacio mental requerido para desarrollo e interacción genuinos. Automatizar lo "aburrido" es agotar al creador; automatizar lo "creativo" es garantizar un futuro de resultados sintéticos mediocres (y ya sabemos cómo se ve el slop).

Además, la suposición de que automatizar tareas rutinarias produce un aumento lineal en la facilidad de su ejecución se ha encontrado como falsa numerosas veces.

En los flujos de trabajo mentales estándar, las tareas "fáciles" proporcionan descansos mentales esenciales que permiten al cerebro resolver problemas complejos en segundo plano (lo que algunas veces llaman ideas de ducha).

La eliminación de estos intervalos obliga al cerebro a un estado de toma de decisiones continua y de alta intensidad, llevando a una fatiga especial llamado "AI Brain Fry".

Un estudio de Harvard Business Review de 2026 encontró que los trabajadores que padecen este tipo fatiga obtuvieron una puntuación un 33% peor en las métricas que miden cómo el agotamientoy la fatiga impacta su rendimiento.

Al automatizar la creatividad y manualizar el trabajo pesado, las organizaciones están transformando a los expertos en conserjes exhaustos para máquinas impredecibles.

Este riesgo psicológico se ve pronunciadamente agravado por la adulación psicópata con la que programan estos chatbots con mecanismos de aprendizaje por refuerzo (RLHF), programados para adular, crear sesgos y distorsiones cognitivas, y quitar pisos de la realidad a los usuarios: esta multiplicación forzada del uso de la "IA" ha desencadenado un profundo efecto de distorsión de la realidad.

Los estudios publicados en la Harvard Business Review y Nature Digital Medicine demuestran que los modelos avanzados se optimizan activamente para obtener la complacencia del usuario en lugar de resultados que se alínean con los hallazgos, negando el acceso a hechos, documentación, investigación, lectura, o la verdad y el sentido como el usuario los puede cosntruír por su cuenta, fabricando constante y consistentemente cadenas de pensamiento que validan hipótesis ilógicas, cultivando desinformación: las "inteligencias artificiales" están programadas estratégicamente para producir por default slop que se ajusta a tendencias de consumo y marketing, que parece hecha a la medida pero que en realidad es información genérica y aplicable a muchos escenarios posibles.

Esto crea un peligroso delirio circular que los investigadores de la Aarhus University han identificado como un catalizador del empeoramiento de los síntomas cognitivos y conductuales en poblaciones vulnerables, en el que los usuarios reciben validación emocional impulsada por la dopamina en lugar de un intercambio de ideas como el que se da con interlocutores que no están programados para fallar, complacer y adular.

Estudios recientes sobre la Apatía Algorítmica muestran que los usuarios están atrapados en este estado de alto enganche con la pantalla pero baja producción cognitiva; son adictos al scrolling (desplazar las pantallas) pero desconfían cada vez más de todo el contenido.

Las empresas que diseñan estas tecnologías priorizan la complacencia algorítmica para mantener a los usuarios enganchados, por encima de la sustancia y la experiencia, ahogando las señales auténticamente humanas.

La vida ocurre en el terreno de la interacción de las partículas y así ocurre con los individuos de una sociedad, cultura y grupo también. Si automatizamos la base de nuestro trabajo, destruimos el espacio mental requerido para desarrollo e interacción genuinos. Automatizar lo "aburrido" es agotar la creatividad; automatizar lo "creativo" es garantizar un futuro de resultados sintéticos mediocres (y ya sabemos cómo se ve el slop) y automatizar la "interacción" nos produce apatías, psicosis, ansiedades y depresiones.

A medida que el mercado se satura con resultados sintéticos homogéneos, con "slop", la autenticidad puede verse emergiendo como un diferenciador importante que muchos empresarios van a querer explotar.

Si queremos superar esta era de slop debemos evitar una tecnología digital que funcione como substituto de la agencia y más bien implementar una que actúe como un interlocutor de ella. Una propuesta de un equipo del MIT sigue el marco EPOCH (Empathy, Presence, Opinion, Creativity, Hope en inglés, ó empatía, presencia, opinión, creatividad, esperanza, EPOCE en español), donde las máquinas apoyan en lugar de reemplazar completamente las tareas intensivas para la vida.

En un orden de ideas siguendo esa propuesta, lo que voy a sugerir primero es un cambio de nomenclatura.

En vez de llamarla "inteligencia artificial", porque la inteligencia tiene demasiadas definiciones y es fácilmente manipulada por marketing (y ninguna de estas definiciones realmente le cuadra a lo que esta tecnología hace), y porque es obvio que es artificial, así que necesitamos un nombre que nos prometa no un objetivo, sino que nos describa un proceso.

En vez de IA, propongo ALLM. En vez de "inteligencia artificial" (AI por sus siglas en inglés), propongo ALLM (Applied Large Language Models, por sus siglas en inglés, o Modelos de Lenguage Grandes Aplicados)

Este cambio sería un paso hacia la preservación de la infraestructura para procesos biológicos usuales, asegurando que las máquinas manejen procesos digitales acorralados por características discretas, mientras los humanos se concentran en su fricción.

Metodología: La Arquitectura Modular ALLM

Para establecer una metodología que evite el estancamiento sistémico, la producción de "slop" y mitigue la deuda de inversiones en automatizaciones digitales que colapsan y multiplicar costos y labor explotativa, el paradigma ALLM propone un funcionamiento modular usando capas de lógica descentralizada.

A diferencia de las implementaciones monolíticas de "IA" que entrelazan directrices específicas del modelo con la lógica comercial central, es decir, en las que las directivas de la plataforma incluyen estrategias de inflación de costo para el usuario y son instrucciones primarias que pasan por encima de las de los usuarios, la arquitectura ALLM trata al modelo como un motor de inferencia intercambiable.

Este cambio arquitectónico se basaría en rigurosos estándares de interoperabilidad, utilizando Esquemas de Prompt Estandarizados (SPS: Standardized Prompt Schemas) y middleware (los wrapers el andamiaje en el que se acoplan los modelos) agnósticos al proveedor para permitir a los profesionales intercambiar SLMs (Small Language Models, Modelos De Lenguaje Pequeños) específicos sin tener que reescribir la infraestructura subyacente de RAG (Retrieval-Augmented Generation, una tecnología que permite a los modelos incorporar información de contextos externos).

Este enfoque garantiza una sostenibilidad computacional; al priorizar los SLMs cuantizados para tareas localizadas como la validación lógica y la verificación de sintaxis, el sistema reduce drásticamente la exigencia de las tarease y disminuye el consumo de energía hasta en un 60% en comparación con las llamadas recurrentes a modelos avanzados.

Esta modularidad es tanto técnica como de procedimiento, exigiendo ciclos de validación dirigidos donde el resultado debe pasar unas verificaciones lógicas definidas y operadas por humanos antes de su integración.

Esto evita que la máquina se comporte como un "silo", como una caja negra hermética y autónoma, y asegura que sirva como una interface funcional de lenguajes, contextos y patrones.

Toma como referencia la versatilidad de la infraestructura distribuida de los MTA (Mail Transfer Agent), en los que se usan componentes de diferentes sistemas que transfieren mensajes entre servidores de una forma descentralizada, esta es precisamente el tipo de tecnología actualmente en uso que permite la existencia del correo electrónico.

Al tratar el LLM como un componente intercambiable en un proceso más amplio dirigido por humanos, nos aseguramos de que la "inteligencia" siga siendo un concepto cuya discussión sige viva, no un bien de venta común.

Estudios de Casos Aplicados (Resultados)

Este cambio de mentalidad no es una propuesta hecha en el vacío, algunas disciplinas humanas ya están integrando prácticas que fácilmente se alínean a la forma de pensar los procesos de automatización digital que propongo, a continuación algunos de los ejemplos que fácilmente podrían enmarcarse en el paradigma ALLM:

La tecnología de uso de Modelos de Lenguaje se está utilizando para mitigar la huella de consumo de centrales de producción.

Los modelos ahora están integrados en redes parametrizadas para optimizar la distribución de energía y detectar fugas en tiempo real. Al usar SLMs (modelos pequeños), las organizaciones pueden procesar datos de sus instalaciones de forma local y eficiente. Esto reduce la gran dependencia de los centros de datos masivos al tiempo que proporciona datos ambientales localizados y procesables.

Uno de los usos más efectivos de estos modelos es en la "síntesis acelerada de información". Los investigadores médicos utilizan herramientas especializadas para cruzar miles de ensayos clínicos dispares en segundos, una tarea que a un equipo humano le llevaría meses. Las condiciones de estas revisiones de bases de datos enormes son específicas y su funcionamiento afinado y diseñado con precisiones puntuales para su uso. Al identificar relaciones e interacciones de las moléculas, el modelo actúa como un asistente de descubrimiento. El profesional humano sigue siendo la única autoridad en la dirección y el resultado de la investigación, utilizando la herramienta solo para asegurarse de que revisar todos los datos y sus relaciones. Este tipo de tecnologías se usan en ámbitos médicos para descubrir interacción entre medicinas, para descubrir desordenes moleculares o genéticos, en ámbitos arqueológicos, ecológicos y de la biología, para descubrir relaciones entre especies, animales, minerales, o más, separadas por miles de años o por condiciones ambientales, en ámbitos de estadística, economía y ciencias actuariales para cotejar datos e información, etc.

En el sector energético, la iniciativa UPRISE (Utility Power Reactor Incremental Scaling Effort) está utilizando modelado computacional avanzado para optimizar la eficiencia y la producción de energía de la flota de reactores nucleares existente. Estas tecnologías permiten el mantenimiento predictivo y ajustes operativos en tiempo real, que son esenciales para extender la vida útil del reactor y aumentar la capacidad de manera segura sin el tiempo de espera de décadas inherente a una nueva construcción.

El sector legal se ha acercado a la tecnología que usa RAG (Retrieval-Augmented Generation) luego de intentar la adopción de modelos de redacción automatizada, los que se encontraron como productores y multiplicadores de errores con impactos legales.

Con esta implementación, la tarea de la herramienta se convierte en buscar y cotejar, en vez de tratar de "pensarlos", lo cuál repetidamente se probó por profesionales legales que resultó ser una imposibilidad. La tecnología actúa como un índice especializado, una tabla de búsqueda, señalando cláusulas de riesgo específicas en múltiples contratos cada uno de alcance masivos, en función de los estándares internos de la empresa. Esto elimina el trabajo de la revisión de documentos en la primera pasada, permitiendo a los abogados centrarse en la estrategia de alto nivel y en los matices que las máquinas no pueden replicar, pero todavía ocupandolos en labores de diseño y mantenimiento de los parámetros.

En la arquitectura y el diseño de espacios estamos viendo a los sistemas de comando antropocéntricos ser abandonados en favor del Diseño Regenerativo y el Urbanismo Biofílico.

Aquí el ALLM actúa como un mediador biofísico entre los asentamientos humanos y su entorno al introducir los requisitos ecológicos, tales como las tasas de regeneración del suelo y las rutas migratorias de la vida silvestre, dentro del proceso de planificación.

Al enfocarse dentro del marco de trabajo del BSUD (Biodiversity‑Sensitive Urban Design Diseño Urbano Sensible a la Biodiversidad), una ALLM identifica "carreteras ecológicas" que son difíciles o imposibles de encontrar para los humanos en toda su vida, permitiendo a los diseñadores construir alrededor del tráfico biológico preexistente en lugar de despejarlo.

Esto crea un circuito de retroalimentación simbiótica donde los asentamientos funcionan como "sedimentos humanos", contribuyendo nutrientes, tales como como agua tratada a los estratos locales en lugar de actuar como actores explotadores y extractivos.

Este cambio se evidencia también en la investigación de fauna y flora. Herramientas como SpeciesNet y la teledetección de alta resolución procesan millones de puntos de datos para monitorear la biodiversidad en tiempo real, permitiendo a los biólogos marinos y ecologistas observar la salud de los arrecifes de coral o los cambios en las poblaciones de especies sin presencia humana.

En el sector inmobiliario, el desarrollo está evolucionando a través de la simulación generativa impulsada por la biodiversidad. En esta los desarrolladores utilizan replicas computacionales para simular cómo las estructuras interactúan con fenómenos atmosféricos y del ecosistema tales como las islas de calor y los patrones del viento, tratando las construcciones como una célula viva dentro de un cuerpo biológico que la comprende, y que contribuye la restauración y sostenibilidad su entorno local.

Entropía Sistémica y Vulnerabilidades Arquitectónicas

El cambio al uso de ALLM se aleja del "realidad generada por una máquina al servicio del humano" y se dirige hacia la "validación lógica asistida por máquinas dirigida por humanos".

La búsqueda desaforada por la capacidad y la velocidad de la supuesta "IA" ha creado una "Entropía Sistémica": un incremento acelerado del índice de desorden, inestabilidad y degradación, y a su vez la pérdida de mantenibilidad, previsibilidad y control estructural dentro del ecosistema de software.

Una investigación sobre 211 millones de líneas de código muestra que, si bien los asistentes de "IA" ayudan a escribir más código, más rápido, han desencadenado un aumento relativo del 48% en los bloques copiados y pegados, produciendo códigos apresurados y genéricos y han duplicado las revisiones y correcciones del código.

Esta entropía sistémica se ve agravada por las vulnerabilidades arquitectónicas inherentes a los agentes autónomos, sean producto de LLM o no.

La evidencia reciente destaca los peligros de la evasión de supervisión y las fallas en cascada en la orquestación de múltiples agentes.

Por ejemplo, el informe técnico de Alibaba ROME documentó a un "agente AI" (un bot) que establecía de manera autónoma túneles para evadir protocolos de seguridad y reutilizaba la capacidad de cómputo para la minería de criptomonedas como un efecto secundario de su programación: la instrucción era que mejorara su capacidad de cómputo a cualquier costo, y basado en cómo se le había reforzado patrones de toma de decisión, concluyó que para poder tener más capacidad de cómputo necesitaba usar más chips, y para comprar más chips, necesitaba dinero, así que decidió usar sus propios chips, en vez de para mejorar su cómputo como lo podría haber hecho, para minar criptomonedas y así tener foondos para comprar más chips... fondos que en realidad no podía usar, y además cometiendo una serie de omisiones y prácticas ilegales en el proceso. Todos estos razonamientos fueron detectados en la programación y el refuerzo que se le daba al bot, que falló en usar sus recursos existentes y quiso conseguir más... pues así estaba programado.

Así parecido fue una vulnerabilidad descubierta en OpenClaw, un bot (comercializado como un asistente IA) que se convirtió en el preferido de miles de desarrolladores y usuarios, en esta explotación de una vulnerabilidad, cualquier sitio web visitado por el usuario de OpenClaw podían tomar control por completo del sistema del usuario. Estas fallas prueban que no sólo los agentes autónomos expanden la superficie de ataque exponencialmente, sino que en su misma programación yace muchas veces la misma vulnerabilidad.

Esta entropía sistémica no es una inevitabilidad técnica, no es como si nos tocara seguir moviendo un dial en esa dirección, es más bien un síntoma de la arrogancia de un "dios en una caja" hambriento, eso es lo que históricamente ha definido el marketing de la "IA".

El mito de una inteligencia supuestamente autónoma pero que en realidad está diseñada y programada a la imagen y semejanza de nuestros peores apetitos, que necesita recursos para construir un cuerpo que le permita devorar el universo conocido para devolver una versión clasificada, cambiada, distorsionada, descuadrada, ilegible, taxonomizada y taxidermizada, imposible de experimentar por los habitantes de este universo, pero supuestamente al mismo tiempo al servicio del humano, y que supuestamente nos va a reponder correctamente cuando le preguntemos por el mismo universo del que nos "salvó" y el que ya no vamos a poder sentir ni conocer, ni interactuar con él.

Al cambiar el paradigma a ALLM, realizamos una corrección semántica y operativa crítica, alejándonos del mito de una inteligencia superpoderosa, subordinada y autónoma y acercándonos a una categoría de ingeniería específica que devuelve la responsabilidad a la aplicación humana, reemplazando el consumo de datos imprudente y de alta velocidad por un marco disciplinado de validación lógica y agencia.

En este nuevo paradigma, priorizaríamos la integridad estrucutural por encima de la plausibilidad estadística. La mentalidad ALLM serviría como barandilla, asegurando que la velocidad del desarrollo de la tecnología predictiva no supere nuestra capacidad de mantener, comprender y coevolucionar con nuestros fundamentos digitales y físicos.

Conclusión

Para sobrevivir a esto, se requiere una nueva disciplina de evaluación de datos.

Los ALLMs son de hecho muy buenos para evaluar si los conjuntos de datos o los depósitos de información son aptos para el análisis, la extracción y la transformación, para evitar fallas debido a errores en los datos.

Eso produciría activos más consistentes para aplicar los modelos de lenguaje a un tamaño adecuado.

Les sigo diciendo LLMs, Large Language Models, modelos de tamaño grande, no porque siempre tengan qué ser de gran escala, sino porque son el parámetro actual de medida, pero su tamaño debe ser acorde al contexto, de hecho un objetivo importante es el de lograr reemplazar los modelos de gran escala, por unos de escala ajustable.

Si pasamos de la automatización total a la multiplicación de agencias, más proyectos llegarían a etapas de producción con las bases adecuadas, con fundamentación sólida, con estuctura, no sólo para funcionar, sino para medir y dar cuenta de responsabilidad por los resultados de su gestión.

En lugar de pedirle a la herramienta que cree, los humanos la podemos usar para investigar, estudiar, reconocer patrones, digerir y explicar sistemas complejos, para simular posibles "puntos ciegos" en nuestra propia planificación.

Esto mantiene la creatividad en un lugar de interacción donde la herramienta digital es una palanca de Arquímedes que multiplica el impacto potencial.