Introducción

Este manual pretende cubrir aspectos clave del uso de los modelos generativos. Muchos relacionados con la construcción de agentes, pero no todos.

La inteligencia artificial generativa tiene multitud de aplicaciones más allá de la mera generación de contenido y es bueno conocer estas aplicaciones así como las técnicas que habilitan estos otros modos. Conocer a fondo los modelos que hay detrás nos permite entender mejor las limitaciones que presentan y hacer así una adopción sensata de cara a ofrecer un impacto productivo.

Qué encontraréis y qué no

Hay una asimetría curiosa en la literatura sobre IA generativa. Sobra material sobre cómo escribir un buen prompt y sobre cómo montar un chatbot en veinte líneas, y escasea el que explica por qué ese chatbot se comporta de forma distinta el martes, cuánto cuesta al mes o quién responde si dice una barbaridad. Este manual se inclina deliberadamente hacia lo segundo.

Eso condiciona el recorrido, que va de dentro hacia fuera en seis partes:

Parte	La pregunta que responde
Fundamentos	De dónde sale todo esto y por qué la arquitectura es la que es
Modelos generativos	Qué hay dentro de la caja y por qué falla como falla
Contexto	Qué le damos de comer en cada llamada
Agentes	Qué pasa cuando le dejamos actuar y no solo hablar
Producción	Qué hace falta para que eso viva en una empresa
Normativa y seguridad	Qué puede salir mal y quién responde

No es un libro de investigación: no vamos a derivar la retropropagación ni a entrenar un modelo desde cero. Tampoco es un catálogo de herramientas, porque cualquier catálogo escrito hoy estará desfasado en seis meses. Cuando aparezca una herramienta concreta será como ejemplo de una categoría, y lo que interesa recordar es la categoría.

Para quien quiera acompañar este manual con una lectura de referencia más extensa, AI Engineering (Huyen 2025) cubre el oficio en su conjunto y Designing Machine Learning Systems (Huyen 2022) los fundamentos de los sistemas que hay debajo.

Un aviso sobre las fechas

Este manual se escribe en 2026 y cita modelos, versiones y plazos legales concretos. Buena parte de esas cifras habrán cambiado cuando lo leáis; los conceptos que las sostienen, mucho menos. Cuando encontréis una cifra, tomadla como una fotografía del orden de magnitud y no como un dato vigente.

Cómo leer los diagramas

A lo largo del manual los diagramas siguen siempre el mismo código de color, que se corresponde con las piezas que aparecen una y otra vez en cualquier sistema generativo. Merece la pena echarle un vistazo ahora para no tener que descifrarlo sobre la marcha.

flowchart LR
    u["Usuario"] --> ctx["Contexto"]
    ctx --> m["Modelo"]
    m --> h["Herramientas"]
    h --> ctx
    g["Control"] -.-> m
    g -.-> h

    classDef externo fill:#ececf0,stroke:#868d9c,stroke-width:1.5px,color:#2b2f3a
    classDef contexto fill:#d5e6f5,stroke:#3d7cb0,stroke-width:1.5px,color:#12354e
    classDef modelo fill:#e6ddf5,stroke:#7457bd,stroke-width:1.5px,color:#332757
    classDef herramienta fill:#fae3c8,stroke:#bf7f28,stroke-width:1.5px,color:#573809
    classDef control fill:#d7eddc,stroke:#4a9463,stroke-width:1.5px,color:#1c4a2e
    class u externo
    class ctx contexto
    class m modelo
    class h herramienta
    class g control

En violeta el modelo, que es lo único que no programamos. En azul el contexto, que es todo lo que le entra en cada llamada. En ámbar las herramientas, que es por donde el sistema toca el mundo. En verde el control: evaluación, límites y gobierno. En gris lo que no controlamos, que incluye tanto al usuario como al contenido externo y a los proveedores del modelo. En los capítulos de seguridad aparece además el rojo, reservado para lo que va mal.

Ese esquema de cinco piezas es, en el fondo, el índice del libro. Y el orden en que las presentamos no es casual: cada una de ellas solo se entiende bien cuando se entiende la anterior.

Por dónde empezar

Si venís del mundo del dato o del desarrollo y lo que queréis es construir, la ruta corta es qué es un agente, herramientas y evaluación, volviendo hacia atrás cuando algo no cuadre. Si lo que os toca es decidir si esto entra en vuestra organización, la ruta es el ecosistema productivo, los retos de seguridad y la normativa.

Y si el interés es entender de verdad qué está pasando, entonces sí: empezad por los fundamentos, que es donde se cuenta de dónde viene cada pieza, y seguid por los modelos generativos, donde se explica por qué un sistema que no sabe nada de nada resulta ser tan útil.

Sea cual sea la ruta, varios capítulos terminan con un cuaderno que se abre en Colab de un clic y ejecuta lo que el capítulo acaba de explicar. No son ilustraciones: montan la cosa y luego la miden contra un conjunto de casos, y unas cuantas veces el resultado contradice lo que uno esperaba. Quien prefiera empezar tocando puede ir directamente al final del capítulo que le interese y volver al texto cuando algo no encaje.

Qué esperar de los cuadernos

Usan modelos pequeños a propósito, para que quepan en la memoria gratuita de Colab y no hagan falta credenciales de ningún proveedor. Sus respuestas son mediocres comparadas con las de cualquier asistente comercial, y eso es deliberado: con un modelo grande casi todo funciona a la primera y no se aprende nada. Si algo sale peor de lo que esperabais, probablemente esté funcionando bien.

Conviene saber también que los cuadernos envejecen antes que el texto. Un capítulo que explica por qué existe la caché KV seguirá siendo válido dentro de tres años; una celda que llama a una librería con unos parámetros concretos puede romperse en tres meses. Si algo falla, mirad la versión de la librería antes que la lógica del ejemplo.