Cuando el maximalismo de la IA choca con la realidad del coste y la eficiencia, la vieja escuela siempre gana.
El Fantasma del Hype: 1987 vs. 2026
Viajemos en el tiempo. Estamos en 1987. El cofundador de Oracle, Larry Ellison, se sienta en una mesa redonda y suelta una frase que hoy, en pleno 2026, resuena como un trueno: califica el entusiasmo por aplicar la Inteligencia Artificial a todo como «el colmo del disparate».
¿Por qué esta noticia te importa? Porque estamos viviendo un ciclo de hype idéntico al que se vivió con los llamados «Sistemas Expertos» de los años 80. Hoy, la IA Generativa (los ChatGPTs del mundo) parece ser la solución universal, el martillo de oro para clavar cualquier clavo. Pero Ellison nos recuerda que a veces, para clavar un clavo, solo necesitas un martillo de hierro.
El argumento de Ellison no era anti-IA, sino anti-maximalista. Abogaba por la eficiencia, por la lógica de usar la herramienta adecuada para el trabajo adecuado. Y créeme, abrir el capó de esto te ahorrará muchos dolores de cabeza (y dinero) en el futuro.
Sistemas Expertos: El Hype de Ayer
En los años 80, la IA no eran modelos gigantes que generaban texto, sino los Sistemas Expertos. Piensa en ellos como libros de reglas gigantescas y complicadas, escritas a mano por programadores y expertos humanos. Si el cliente tiene un perfil A y el producto es B, entonces la decisión es C. Eran caros de construir, mantener y actualizar.
Se creía que estos sistemas iban a reemplazar a todos los contadores, abogados y doctores. El problema es que eran demasiado frágiles. Si cambiaba una sola regla en el mundo real, el sistema experto se rompía o daba respuestas absurdas.
Ellison observó que la gente quería usar estos mastodontes costosos y complejos para tareas que podían resolverse con un simple algoritmo. Y aquí viene mi analogía favorita:
Imagina que tienes que sumar 2 + 2. Un algoritmo tradicional lo hace en un nanosegundo. Es como preguntarle a la calculadora de tu bolsillo. Un Sistema Experto (o un LLM actual) lo haría consultando miles de reglas o probabilidades, consumiendo diez veces más energía y tardando mil veces más. Es como llamar a un premio Nobel de matemáticas, alquilarle un superordenador y pagarle por hora, solo para sumar cuatro.
A eso se refería Ellison con el «disparate».
¿Por qué este argumento de 1987 vuelve a ser vital en 2026?
Avancemos hasta hoy. Estamos fascinados con los modelos fundacionales (los LLMs, la IA Generativa). Son flexibles, creativos y capaces de manejar el lenguaje humano. Son una maravilla. Pero también son gigantescos, caros de entrenar y, crucialmente, caros de ejecutar.
Cada vez que interactúas con un servicio impulsado por IA, existe un coste de computación brutal detrás. Si la tarea es simple, usar un LLM para resolverla no es solo un desperdicio de recursos, sino que degrada tu experiencia como usuario.
Latencia y la Cola del Banco
Hablemos de un concepto técnico que te afecta directamente: la Latencia. La latencia es el tiempo que tarda tu solicitud en ir y venir del servidor. Si estás usando una aplicación que tiene que pasar por un modelo de IA inmensamente grande solo para, digamos, ordenar una lista de elementos por fecha, la latencia aumenta.
Analogía Flux: Piensa en la latencia como la cola en el banco. Si la tarea es simple (sacar 20€), quieres que el cajero (el algoritmo simple) lo haga rápido. Si para sacar 20€ tu solicitud tiene que ir primero a una junta directiva de 100 personas (el LLM) para que debatan la probabilidad de que tú necesites ese dinero, la cola se hace eterna.
Cuando una empresa aplica IA de forma maximalista, está garantizando que el servicio será más lento y, a la larga, más caro (lo que se traduce en costes de suscripción o menor margen de ganancia para la empresa).
El Pragmatismo de Ellison: Usar la IA Donde Realmente Duele
La visión de Larry Ellison era brillante y simple: no desperdicies la IA en tareas simples. Guárdala para donde la programación tradicional se convierte en un infierno. Usa la inteligencia para reducir la complejidad, no para aumentarla.
En el contexto de Oracle (bases de datos), Ellison quería usar la IA de forma interna. No para que el usuario chateara con la base de datos, sino para que la base de datos fuera más rápida y eficiente por dentro.
- ¿Dónde aplicamos un Algoritmo Simple? Para tareas predecibles, repetitivas, con reglas claras (ordenar datos, hacer cálculos matemáticos, verificar una contraseña, aplicar filtros básicos). Es rápido y 100% fiable.
- ¿Dónde aplicamos la IA (el motor complejo)? Para tareas con demasiadas variables o ambigüedad, donde el algoritmo simple colapsa (entender la intención de un cliente, generar texto o imágenes, predecir tendencias bursátiles complejas, optimizar la ruta de entrega de millones de paquetes en tiempo real).
El uso ideal de la IA, según esta escuela de pensamiento, es actuar como un ingeniero de alto nivel que optimiza la estructura interna del software. Es la IA que mejora el motor de búsqueda, no la IA que te da las respuestas.
La Trampa del Producto Inteligente
Hoy, muchas startups caen en la trampa de querer poner la etiqueta «IA» en su producto, aunque sea innecesario. Lo hacen por marketing, por levantar capital. Pero, ¿cuántos de esos productos podrían ser más rápidos, más baratos y más fiables si simplemente usaran una buena lógica de programación?
Cada vez que un desarrollador decide usar un modelo de 100 billones de parámetros para resolver una tarea que requiere 10 líneas de código, está aumentando el coste operativo, la latencia y, paradójicamente, el riesgo de error (al fin y al cabo, los LLMs alucinan, los algoritmos bien escritos no).
«La verdadera inteligencia artificial no es la que resuelve trivialidades, sino la que simplifica lo imposible.»
Conclusión: Menos Hype, Más Ingeniería
La lección de Ellison, que se gestó hace casi 40 años, es nuestro faro en la tormenta de la IA Generativa de 2026. No debemos caer en la ilusión de que la IA debe ser el componente arquitectónico por defecto en cada pieza de software que construyamos.
Cuando uses una aplicación lenta o pagues una suscripción cara por una funcionalidad que parece simple, pregúntate si estás pagando por un algoritmo eficiente o por el coste innecesario de un LLM.
Aprendizajes Clave para el Consumidor y el Creador
- Prioriza la Eficiencia: Un software rápido que usa algoritmos es mejor que un software «inteligente» que te hace esperar.
- Busca la Profundidad: La IA es valiosa cuando resuelve problemas que antes eran inabarcables, no cuando reemplaza la función de un Excel básico.
- Cuidado con el Coste Oculto: El maximalismo de la IA se paga en latencia, consumo energético y, finalmente, en tu bolsillo. Exige soluciones pragmáticas.
El motor debe funcionar con el combustible adecuado. Y si necesitas un simple empujón, no malgastes un cohete Saturno V. Esto es abrir el capó de la tecnología, y ver que las viejas lecciones de ingeniería siguen siendo oro puro.
