Guillermo Rauch, director ejecutivo de Vercel, defendió la idea de desacoplar los modelos de lenguaje de los agentes que los ejecutan, un enfoque que busca dar a las empresas libertad para elegir qué inteligencia artificial usan según su costo y rendimiento. Lo hizo en declaraciones a TechCrunch, donde explicó que la clave, al llevar aplicaciones a producción, está en la relación entre precio y desempeño.

La distinción no es menor. Un agente es un programa de software capaz de ejecutar tareas de forma autónoma —buscar información, escribir código, encadenar acciones— apoyándose en un modelo de lenguaje que actúa como su motor de razonamiento. Hasta ahora, muchos desarrolladores atan su agente a un modelo específico de un proveedor. Rauch plantea lo contrario: que el agente sea una capa independiente capaz de cambiar de modelo según convenga.

El argumento del precio y el rendimiento

«La realidad es que, cuando optimizas para producción, empiezas a fijarte en el precio y el rendimiento», dijo Rauch a TechCrunch. La frase resume una tensión que viven cada vez más equipos de desarrollo: los modelos más capaces suelen ser también los más caros por cada consulta, y no siempre justifican su costo en tareas rutinarias.

Separar el modelo del agente permite enrutar cada tarea al modelo más adecuado. Una operación sencilla puede resolverse con un modelo económico y veloz, mientras que un razonamiento complejo se deriva a uno más potente. Ese ajuste fino, multiplicado por millones de llamadas, se traduce en ahorros concretos y en menor dependencia de un único proveedor.

Vercel, la empresa detrás del popular marco de desarrollo Next.js, ha empujado esta visión con su producto de enrutamiento de modelos. Según los datos publicados por la compañía en su pasarela de IA, el uso de distintos modelos en entornos de producción varía de forma notable según la tarea, lo que refuerza el argumento de no casarse con uno solo.

Por qué importa para desarrolladores y empresas

La discusión llega en un momento de fuerte competencia entre proveedores de modelos. OpenAI, Anthropic, Google y una creciente lista de laboratorios de código abierto lanzan versiones nuevas con frecuencia, cada una con distintos equilibrios de capacidad, velocidad y precio. Para una empresa que construye un producto sobre IA, quedar amarrada a un solo proveedor implica un riesgo tanto técnico como comercial.

El enfoque de desacople ofrece una salida: tratar a los modelos como piezas intercambiables. Si aparece uno mejor o más barato, el agente puede adoptarlo sin reescribir toda la aplicación. Esa flexibilidad también da poder de negociación frente a los proveedores y protege contra cambios de precio o de disponibilidad.

La postura de Vercel se inscribe en una capa de infraestructura que gana relevancia: las herramientas que se sitúan entre la aplicación y los modelos, encargadas de decidir a cuál enviar cada solicitud. Empresas como OpenRouter y otras pasarelas compiten por ese mismo espacio intermedio, apostando a que el valor no estará solo en quien entrena el mejor modelo, sino en quien orquesta el uso de todos ellos.

Una tendencia en formación

La idea de tratar los modelos como bienes intercambiables no está exenta de fricciones. Algunos proveedores diseñan sus modelos con capacidades particulares —formatos de llamada a funciones, ventanas de contexto o herramientas propias— que dificultan la migración limpia entre uno y otro. Lograr que un agente funcione igual de bien con cualquier modelo sigue siendo un desafío de ingeniería.

Aun así, la dirección que señala Rauch responde a una lógica de mercado difícil de ignorar: a medida que la IA generativa madura y pasa de la experimentación a la operación diaria, las decisiones se parecen más a las de cualquier área de infraestructura, donde el costo por unidad y la fiabilidad pesan tanto como la capacidad bruta.