Cómo agregar inteligencia artificial a tu app (guía práctica)

Empieza por la tarea, no por el modelo

La mayoría de las funciones de IA que fracasan no tenían un trabajo claro que hacer. Alguien agrega una burbuja de chat porque la competencia tiene una, los usuarios la prueban dos veces y no vuelven a abrirla. Las funciones que se quedan toman una tarea que la gente ya hace a mano, muchas veces lenta o aburrida, y la vuelven más rápida.

Una prueba útil: ¿puedes describir la función sin usar la palabra "IA"? "Convertir la grabación de una llamada de 40 minutos en cinco tareas pendientes" es una función. "Un asistente de IA para tu espacio de trabajo" es un deseo. Escribe una frase del primer tipo antes de elegir modelo, proveedor o framework.

Construyo este tipo de funciones para clientes y para nuestros propios productos en Loha.dev, y el patrón se repite: la versión acotada sale en semanas y se usa; la versión amplia se alarga y nadie la abre.

Funciones de IA que de verdad ayudan a los usuarios

Estas son las categorías que veo ganarse su lugar en apps reales, ordenadas más o menos de la más fácil a la más difícil de hacer bien:

• Búsqueda semántica. El usuario escribe lo que quiere decir ("la factura del plomero de la primavera pasada") y encuentra resultados aunque las palabras no coincidan. Se construye con embeddings, a menudo combinados con la búsqueda por palabras clave de siempre.
• Resúmenes. Hilos largos, documentos, notas de reuniones o tickets de soporte reducidos a lo esencial. Riesgo bajo, porque la fuente está ahí para comprobarla.
• Redacción. Primeros borradores de respuestas, descripciones, informes o publicaciones que el usuario edita antes de enviar. La persona sigue al mando, así que los errores salen baratos.
• Extracción de documentos e imágenes. Sacar campos de recibos, PDF, identificaciones, formularios o fotos y convertirlos en datos estructurados. Los modelos de visión actuales manejan escaneos desordenados mucho mejor que los viejos sistemas de OCR.
• Clasificación y enrutamiento. Etiquetar mensajes entrantes, detectar urgencias, ordenar prospectos, mandar tickets a la cola correcta. Invisible para el usuario, pero muchas veces es lo que más tiempo le ahorra a un negocio.
• Asistentes de chat. Una capa conversacional sobre los datos y la documentación de tu producto. Útil cuando se apoya en datos reales; frustrante cuando solo adivina.
• Agentes y uso de herramientas. El modelo ejecuta acciones: agenda la cita, actualiza el registro, envía el reporte. Muy potente, y justo donde necesitas más controles.
• Voz. Voz a texto para dictado y notas, texto a voz para uso sin manos, o conversaciones de voz completas en tiempo real. Ideal para trabajadores de campo y para quien tiene las manos ocupadas.

Cómo elegir el modelo: alojado, abierto o en el dispositivo

Tienes tres opciones realistas, y muchas apps terminan usando más de una.

APIs alojadas (Claude, OpenAI, Gemini)

Para la mayoría de los productos, esta es la opción por defecto correcta. Tienes los modelos más capaces, no administras GPUs y pagas por uso. Cada proveedor ofrece varios tamaños, desde modelos grandes para razonamiento difícil hasta modelos pequeños, rápidos y baratos para clasificar y extraer. Las diferencias de calidad entre los principales proveedores son reales, pero dependen de la tarea, así que prueba tus prompts reales en al menos dos antes de decidir. Mantén tu código independiente del proveedor detrás de una interfaz delgada, para que cambiar después sea un ajuste de configuración y no una reescritura.

Modelos de pesos abiertos (Llama, Mistral, Qwen y otros)

Puedes ejecutarlos en tus propios servidores o a través de proveedores de hosting. Tienen sentido cuando hay reglas estrictas sobre dónde deben residir los datos, cuando el volumen es muy alto y constante y el precio por token se vuelve caro, o cuando una tarea muy específica la resuelve mejor un modelo pequeño ajustado (fine-tuning) que uno general. El costo es operativo: servir, escalar, monitorear y actualizar el modelo pasa a ser tu problema.

Modelos en el dispositivo

Los teléfonos ya traen modelos pequeños integrados: Apple ofrece uno a los desarrolladores mediante su framework Foundation Models en versiones recientes de iOS, y Google ofrece Gemini Nano en dispositivos Android compatibles. No cuestan nada por llamada, funcionan sin conexión y mantienen los datos en el teléfono, pero son mucho menos capaces que los modelos alojados y no están en todos los equipos. Sirven para reescrituras rápidas, resúmenes cortos y clasificación; no para razonamiento complejo. Planea siempre un respaldo en el servidor.

Arquitectura: cómo encajan las piezas

La arquitectura importa más que la elección del modelo. Este es el esquema que uso para casi cualquier función de IA dentro de una aplicación a medida.

Llama al modelo desde tu servidor, nunca desde la app

Una clave de API incluida dentro de una app móvil o de un bundle web va a ser extraída, y alguien va a disparar tu factura. La app llama a tu backend; tu backend verifica quién es el usuario, aplica límites de uso y cuotas, agrega contexto y entonces llama al modelo. Ahí también registras las solicitudes, cambias de modelo y aplicas reglas de contenido sin publicar una actualización de la app.

Transmite la respuesta en streaming

Los modelos grandes pueden tardar varios segundos en terminar. Enviar los tokens a la interfaz a medida que llegan hace que la misma respuesta se sienta rápida. Todos los proveedores importantes soportan streaming, y en apps móviles funciona bien con server-sent events o con un backend en tiempo real. En nuestro propio stack, Convex hace muy sencillo escribir la salida en streaming en la base de datos y que todos los clientes abiertos se actualicen en vivo.

Recuperación (RAG) para tus propios datos

Los modelos no conocen los documentos de tus usuarios, tu catálogo de productos ni tus políticas. La generación aumentada por recuperación (RAG) resuelve eso: divides el contenido en fragmentos, guardas un embedding (una huella numérica del significado) de cada fragmento en un índice vectorial, buscas los fragmentos más relevantes para cada pregunta y se los pasas al modelo con la instrucción de responder solo a partir de ellos. Casi todo el trabajo de calidad en RAG es poco glamoroso: datos de origen limpios, fragmentos de tamaño razonable, búsqueda híbrida por palabras clave y vectores, y filtrado por permisos para que nadie vea los datos de otro cliente.

Llamadas a herramientas y salida estructurada

Las llamadas a herramientas (tool calling) permiten que el modelo pida una acción ("busca el pedido 1234", "crea un evento en el calendario") que tu código ejecuta y valida. La salida estructurada hace que el modelo devuelva JSON que cumple un esquema definido por ti, para guardarlo directamente en la base de datos o mostrarlo en la interfaz. Juntas convierten un chatbot en una función real: el modelo decide, tu código ejecuta y tú verificas todo en el medio.

Control de costos: tokens, caché y modelos más pequeños

Los modelos alojados cobran por token, más o menos por fragmento de palabra, tanto de entrada como de salida. Lo que suele crecer sin que lo notes es la entrada: un prompt de sistema largo, los documentos recuperados y el historial del chat se reenvían en cada llamada. Algunos hábitos mantienen los costos predecibles:

• Usa el modelo más pequeño que pase tus pruebas. Clasificar, etiquetar y extraer datos muchas veces funciona bien con el nivel pequeño de un proveedor, por una fracción del costo del modelo insignia.
• Usa caché. Los proveedores ofrecen caché de prompts que abarata los prefijos repetidos, como instrucciones largas o un documento compartido. Guarda también tus propios resultados: el mismo documento nunca debería resumirse dos veces.
• Recorta el contexto. Envía los cinco fragmentos más relevantes, no cincuenta. Resume los turnos viejos del chat en lugar de reenviarlos completos.
• Procesa en lote lo que no es urgente. Las APIs de procesamiento por lotes ejecutan trabajos de forma asíncrona con descuento, a menudo alrededor de la mitad del precio, ideal para etiquetado nocturno o extracción masiva.
• Pon límites por usuario. Las cuotas y límites de uso en tu servidor te protegen del abuso y de que un solo usuario intensivo se coma tu margen.

Para ver el panorama completo de lo que cuesta un desarrollo entero, con diseño, backend y lanzamiento, revisa cuánto cuesta hacer una app.

Calidad: evaluaciones, controles y una persona en el circuito

Los modelos son probabilísticos. La misma entrada puede producir salidas distintas, y un ajuste al prompt que arregla un caso puede romper otros tres. Necesitas una forma de saber si un cambio mejoró las cosas.

1. Arma un conjunto de evaluación desde temprano. Reúne entre 30 y 100 ejemplos reales con la respuesta que esperas. Corre cada cambio de prompt o de modelo contra ellos. Algunas verificaciones son exactas (¿extrajo el total correcto?); otras usan un segundo modelo como evaluador frente a una rúbrica escrita.
2. Agrega controles en el código. Valida la salida estructurada contra su esquema, rechaza valores fuera de rango, limita los permisos de las herramientas y bloquea acciones que el modelo nunca debería tomar por su cuenta.
3. Mantén a una persona en el circuito para todo lo importante. Los borradores se revisan antes de enviarse. Pagos, eliminaciones y mensajes a clientes necesitan un paso de confirmación. El modelo propone; el usuario aprueba.
4. Registra y revisa en producción. Toma muestras de conversaciones reales (con consentimiento y datos ocultos), mide los pulgares arriba y abajo, y suma los fallos al conjunto de evaluación.

Privacidad y manejo de datos

Los usuarios y los clientes empresariales van a preguntar a dónde van sus datos. Ten las respuestas listas antes de lanzar:

• Conoce los términos de tu proveedor. Los principales proveedores de API declaran que por defecto no entrenan con los datos de la API y que los conservan solo por periodos limitados, con opciones de retención cero para algunos clientes. Lee los términos vigentes y firma un acuerdo de procesamiento de datos si manejas datos personales.
• Envía lo mínimo. Quita nombres, correos e identificadores que la tarea no necesita antes de que el prompt salga de tu servidor.
• Respeta los permisos en la recuperación. Filtra los resultados de búsqueda según los permisos del usuario antes de que lleguen al modelo, no después.
• Infórmalo. Indica en tu política de privacidad y en la interfaz cuándo un servicio de IA procesa el contenido. Para datos de salud, finanzas o menores, busca asesoría legal adecuada; los modelos en el dispositivo o autoalojados pueden ser la única vía aceptable.

Patrones de UX que hacen que la IA se sienta bien

• Pon la IA donde está el trabajo. Un botón de "Resumir" en el hilo largo funciona mejor que una pantalla de chat aparte. Las acciones en contexto se usan; los destinos separados se olvidan.
• Muestra progreso de inmediato. Transmite el texto, usa esqueletos de carga y deja que el usuario cancele los trabajos largos.
• Haz que la salida sea editable. Los borradores van a un campo de texto normal. Los campos extraídos llegan a un formulario que el usuario puede corregir antes de guardar.
• Muestra las fuentes. En respuestas de búsqueda y chat, enlaza los documentos usados para que el usuario pueda verificar.
• Permite reintentar y dar feedback. Un botón de regenerar y un pulgar abajo cuestan poco y te dan tus mejores datos de evaluación.
• Falla con elegancia. Los tiempos de espera agotados, las caídas del proveedor y las negativas del modelo ocurren. Vuelve al flujo sin IA en lugar de dejar al usuario en un callejón sin salida.

Cómo empezar: un primer paso realista

Elige una función, haz un prototipo con datos reales en pocos días y ponlo frente a un puñado de usuarios. Si lo usan, refuérzalo: evaluaciones, límites, registros, revisión de privacidad. Si no lo usan, perdiste una semana y no un trimestre. Es la misma lógica de un buen MVP, y las funciones de IA encajan de forma natural en ese enfoque.

Si quieres ayuda para definirla o construirla, nuestro servicio de desarrollo de apps con IA cubre desde una sola función dentro de un producto existente hasta apps pensadas para la IA desde el inicio en iOS, Android y web. La forma más rápida de empezar es obtener un plan gratuito para tu app: describe la tarea que quieres que haga la IA y te diremos con honestidad si encaja bien.