Un agente de IA al que le preguntas el precio de un artículo puede responder 45 pesos. Preguntado otra vez, puede responder 43. A la tercera, 46. No es un fallo aislado: es la naturaleza del modelo, que no calcula, autocompleta. Y ese es, según Pablo Cruz Pineda, el problema que más dinero cuesta a las empresas que meten IA en producción sin resolverlo antes.
Cruz Pineda no es un consultor que vende IA por fuera: es quien construye la infraestructura que corre por debajo. Su empresa, Mind2Flow, ofrece la capa que permite a integradores y empresas tecnológicas desplegar agentes de IA en producción sin montar el backend desde cero para cada cliente.
El choque entre calcular y adivinar
Antes de los agentes, explica, un cálculo o una regla de negocio se resolvían con código determinista: reglas fijas, escritas por programadores, con un resultado exacto y repetible. Desarrollarlo llevaba semanas o meses, pero el resultado era seguro.
Los agentes redujeron ese desarrollo a horas, pero introdujeron un problema nuevo para quien no es ingeniero de software: la diferencia entre el determinismo de una regla fija y el probabilismo de un modelo de lenguaje, que no ejecuta un cálculo sino que predice la respuesta más probable. «Antes el problema no existía como tal, porque la precisión venía garantizada desde el diseño del código», resume.
El coste real: no son los tokens
Cruz Pineda es tajante sobre dónde está el gasto que nadie factura: no en los tokens ni en la infraestructura, sino en lo que falla después de la demo. «La demo del agente siempre funciona perfecto, pero al salir a producción falla desde el día uno», afirma. Según su estimación, basada en lo que observa en el sector, este problema de alucinación aparece en el 90 % de las implementaciones de chatbots hechas por consultores o agencias que conectan una interfaz sin controlar lo que hay detrás. La factura no aparece en una línea de gasto: aparece en clientes perdidos y meses de reputación dañada antes de que alguien detecte que el fallo estaba en la arquitectura desde el principio.
Sobre el gasto que sí es medible, para un cliente pyme tipo de Mind2Flow, Cruz Pineda desglosa: unos 100 dólares al mes en infraestructura (resuelta por créditos de la propia plataforma, sin servidor dedicado por cliente), unos 20 dólares al mes en tokens de los modelos, y alrededor de 500 dólares en horas de integración, generalmente un pago único. Son cifras de referencia de su propio caso, no un estándar universal: varían con la escala y el sector.
Cómo se fuerza el determinismo
El mayor reto técnico, cuenta, fue conseguir que el agente manejara datos tabulares o información estructurada con precisión absoluta, algo que un modelo generativo no garantiza por diseño. La solución no fue un modelo mejor, sino quitarle al modelo la tarea de calcular: herramientas propias («custom-tools»), funciones de tipo Lambda conectadas directamente al agente. Cuando el usuario necesita un dato exacto, el agente no lo predice: ejecuta esa función determinista y devuelve el resultado tal cual.
Lo que sigue faltando en el sector, según él, no es más tecnología sino más rigor: la facilidad para montar un agente («vibe-coding») ha democratizado el acceso, pero el control de calidad profesional antes de lanzar algo a producción sigue siendo, dice, «un gran vacío que debe cubrirse urgentemente».
Cuándo no compensa meter un agente
Cruz Pineda marca un límite claro: si lo que hace falta es una consulta directa a una base de datos estructurada, un agente de IA no aporta nada. «Una función determinista o un query tradicional de toda la vida es infinitamente superior, más rápido y seguro.» La IA, dice, rinde después de esa consulta, interpretando o generando analítica sobre el dato, no extrayéndolo. Y señala un error común: usar un agente para parchear un proceso operativo que ya estaba roto de antes. En ese caso, lo que hace falta no es IA, sino rediseñar el proceso.
Transparencia: Mind2Flow ha ofrecido a LaPrensaIA una comisión por recomendación por los clientes que lleguen a la empresa desde este medio, y LaPrensaIA la ha aceptado. Lo hacemos constar aquí porque el lector tiene derecho a saberlo antes de valorar lo que ha leído. El acuerdo es posterior a la entrevista y no ha cambiado ni una respuesta: las de Pablo Cruz Pineda se publican íntegras, en su orden y sin contraprestación por su parte. Lo haremos constar igualmente en cualquier pieza futura donde aparezca esta empresa.
Responde a LaPrensaIA: Pablo Cruz Pineda, fundador y CTO de Mind2Flow, infraestructura para agentes de IA en producción — perfil de LinkedIn.
Contenido elaborado con la asistencia tecnológica de IBERIA y supervisión editorial. Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico.
