No queremos realmente inteligencia artificial general; queremos sistemas que resuelvan problemas específicos de manera fiable. Esta postura provocadora de Omar Khattab, profesor del MIT y creador de DSPy, enmarca una crítica fundamental a la actual carrera de la IA. Mientras muchos se obsesionan con escalar los parámetros de los modelos para alcanzar la AGI, Khattab sostiene que el verdadero cuello de botella no es la capacidad, sino la especificación: cómo los seres humanos comunican con claridad a las máquinas sus intenciones complejas y llenas de matices. El lenguaje natural es demasiado ambiguo, y el código tradicional es demasiado rígido, lo que crea una brecha que debe cerrarse con nuevas abstracciones.

La conversación se centra en pasar de ver los LLM como “oráculos” monolíticos a tratarlos como componentes dentro de sistemas programables. Khattab observa que los laboratorios de vanguardia ya han dejado atrás un enfoque puramente basado en el escalado para construir canalizaciones complejas que implican recuperación de información, uso de herramientas y entrenamiento de agentes. Este cambio reconoce que la inteligencia bruta del modelo es insuficiente; el verdadero desafío es construir sistemas fiables, mantenibles y componibles alrededor de estos modelos. Él introduce el concepto de “Inteligencia Artificial Programable” (API) como una meta más pertinente que la AGI, trazando una analogía con la historia de la informática: así como tener más transistores no volvió obsoleto al software, sino que lo hizo posible, unos modelos más capaces deberían potenciar mejores sistemas, no reemplazar la necesidad de ellos.

El marco de trabajo de Khattab, DSPy, se presenta como una posible solución: un “lenguaje C para sistemas de IA”. Su innovación central es la firma, una forma estructurada de declarar el comportamiento de entrada y salida de una función impulsada por un LLM sin quedar enredado en la redacción del prompt ni en detalles específicos del modelo. Esta abstracción permite a los desarrolladores aislar la ambigüedad en partes manejables, componer módulos de forma imperativa como en el código estándar y aplicar optimizadores automáticos que adaptan los prompts subyacentes y las estrategias de inferencia. El objetivo es la portabilidad y la mantenibilidad: la intención de tu sistema permanece constante incluso mientras evolucionan los modelos subyacentes y los algoritmos de optimización.

En última instancia, la discusión plantea que el futuro de la ingeniería de IA depende de este tipo de abstracción disciplinada. La elección no es entre chatbots y código, sino reconocer cuándo cada uno es apropiado. Para tareas complejas y repetibles, donde importan la fiabilidad y la estructura, necesitaremos sistemas construidos con una intención formalizable. El trabajo en marcos como DSPy es un intento de proporcionar las herramientas fundamentales para esta nueva era del desarrollo de software, en la que la inteligencia es una mercancía barata, pero dirigirla con propósito sigue siendo la parte difícil.

Ideas sorprendentes

• Nadie quiere inteligencia, sin más. El objetivo último no es crear una inteligencia general, sino construir sistemas específicos que resuelvan problemas humanos. La inteligencia es solo un componente poderoso dentro de ese esfuerzo de ingeniería más amplio.


• La “lección amarga” podría estar aplicándose mal a los sistemas. Aunque escalar cómputo y datos suele superar a algoritmos de IA excesivamente sofisticados, esta lección no se extiende a los sistemas construidos con IA. Sobreingenierizar la arquitectura del sistema con las abstracciones adecuadas es esencial para la mantenibilidad y la fiabilidad.


• La AGI puede ser menos relevante que la API (Inteligencia Artificial Programable). La búsqueda filosófica de una inteligencia general similar a la humana distrae del objetivo más práctico de crear inteligencias que puedan programarse formalmente y componerse en sistemas más grandes.


• El cuello de botella es la especificación, no la capacidad. Incluso con modelos infinitamente capaces, el desafío fundamental es cómo los seres humanos pueden especificar con precisión sus deseos —a menudo ambiguos, complejos y llenos de compensaciones— de una manera que la máquina pueda ejecutar de forma fiable.


• La ingeniería de prompts es una abstracción sin salida. Confiar en prompts en lenguaje natural para evocar las capacidades del modelo es inherentemente limitado y frágil. El futuro está en abstracciones estructuradas de más alto nivel que separen la intención de la implementación.

Conclusiones prácticas

• Piensa en términos de sistemas, no solo de modelos. Al construir una aplicación de IA, diseña una arquitectura de sistema con módulos claros y flujo de datos definido. Usa el LLM como un componente poderoso dentro de ese sistema, no como el sistema completo.


• Separa el “qué” del “cómo”. Declara claramente la tarea (la firma) de forma estructurada, desvinculándola de los prompts específicos, de las elecciones de modelo o de las estrategias de inferencia (como la cadena de pensamiento) usadas para implementarla. Esto hace que tu sistema sea más adaptable y esté mejor preparado para el futuro.


• Usa los datos no solo para entrenar, sino también para compilar. Marcos como DSPy te permiten usar pequeños conjuntos de datos para optimizar o “compilar” automáticamente los prompts y las estructuras de razonamiento de tu programa para lograr mayor calidad, reduciendo la necesidad de ajustar prompts manualmente.


• Evita usar una interfaz de chatbot para tareas estructuradas. Si necesitas salidas repetibles y estructuradas que se integren en un proceso más amplio, no dependas de una interfaz conversacional abierta. Construye un programa con funciones definidas y flujo de control.


• Adopta sistemas de IA compuestos. No esperes a que un solo modelo lo haga todo. Combina componentes especializados (recuperadores, herramientas, ejecutores de código) con LLM mediante un marco estructurado para construir aplicaciones más capaces y fiables de lo que cualquier modelo por sí solo podría ofrecer.