La inteligencia artificial empieza a comportarse como una red de especialistas. Un modelo puede clasificar miles de mensajes a bajo coste; otro razonar sobre un presupuesto complejo; y un tercero generar imágenes. Para la hotelería, la decisión ya no consiste solamente en adoptar IA, sino en asignar cada tarea al sistema adecuado sin perder el control sobre los datos y los resultados.

Durante los últimos años hemos hablado de ChatGPT, Claude, Gemini o Grok como si una empresa tuviera que elegir una plataforma y utilizarla para todo. Esa lógica empieza a cambiar.

Hace unos días, Elon Musk anunció que Grok Bot utilizará diferentes modelos según la tarea, incluyendo Claude Opus 5.5, Midjourney y Suno. No explicó todavía los criterios de selección, el calendario completo ni cómo se repartirán los costes. Por tanto, es un anuncio de dirección estratégica, no una demostración de que el sistema haya conseguido mejores resultados.

Lo relevante es que una compañía que ha invertido enormes recursos en desarrollar sus propios modelos acepta que no necesariamente serán los más adecuados para todos los trabajos. La competencia deja paso, en parte, a la orquestación: una capa intermedia recibe la petición, interpreta qué necesita y la deriva hacia la herramienta que previsiblemente puede resolverla mejor.

Esta arquitectura no es exclusiva de Grok. Amazon ofrece en Bedrock acceso a modelos de distintos proveedores mediante una sola interfaz y permite evaluarlos según el caso de uso. Su sistema de enrutamiento puede elegir entre modelos considerando la calidad esperada y el coste de cada respuesta.

No todas las tareas justifican la misma inteligencia

En un restaurante existen trabajos digitales muy diferentes. Clasificar reseñas por tema, identificar correos relacionados con reservas o resumir formularios son tareas repetitivas, frecuentes y relativamente acotadas. Revisar una propuesta de inversión, interpretar una desviación de rentabilidad o preparar una respuesta ante una reclamación delicada exige más contexto y criterio.

Utilizar el modelo más potente para cualquier operación puede ser tan poco eficiente como asignar al director financiero la introducción manual de cada factura. Puede realizarla, pero su capacidad está siendo utilizada en el lugar equivocado.

El lanzamiento de Claude Haiku 5.5 ilustra esta especialización. Anthropic lo presenta como un modelo diseñado para resúmenes, consultas breves, clasificación y otras cargas de trabajo de gran volumen. Según la compañía, su coste medio por tarea es aproximadamente un 75 % inferior al de la versión anterior; para peticiones de hasta 100.000 tokens, el precio publicado es de 0,10 dólares por millón de tokens de entrada y 0,50 por millón de salida.

El coste del modelo es solo una parte de la implantación. Hay que integrar sistemas, ordenar datos, supervisar resultados y atender excepciones. Un proceso puede consumir pocos céntimos en IA y seguir siendo caro si necesita que una persona corrija la mitad de sus respuestas.

Aun así, la reducción de precios cambia el umbral de lo que merece la pena probar. Un grupo de restaurantes podría utilizar un modelo ligero para clasificar diariamente comentarios, solicitudes y documentos. Solo los casos ambiguos o con mayor impacto pasarían a un modelo más avanzado y, finalmente, a una persona con capacidad de decisión.

No se trata de eliminar la intervención humana, sino de reservarla para los puntos donde realmente aporta valor.

El riesgo de que la selección sea invisible

El enrutamiento también introduce una pregunta incómoda: cuando una herramienta decide qué modelo responderá, ¿sabe el restaurante dónde viajan sus datos y bajo qué condiciones se procesan?

Una solicitud aparentemente sencilla puede contener nombres de clientes, teléfonos, alergias, información laboral, precios de proveedores o datos financieros. Si el sistema deriva las tareas entre diferentes empresas, la política de privacidad, la conservación de datos y las condiciones contractuales pueden variar.

Además, la elección automática no siempre será la mejor. La propia documentación de Amazon sobre enrutamiento inteligente reconoce que su eficacia depende de los datos con los que se entrenó el selector, que puede no adaptarse bien a casos muy especializados y que no incorpora automáticamente el rendimiento específico de cada aplicación. También indica que la optimización está centrada en instrucciones en inglés.

Por eso no delegaría completamente la selección desde el primer día. Antes definiría qué tareas pueden utilizar un modelo económico, cuáles necesitan mayor capacidad, qué información no debe abandonar determinados entornos y en qué decisiones es obligatoria una revisión humana.

Después compararía los modelos con ejemplos reales del negocio. Una prueba para responder reseñas debería medir precisión, personalización y coherencia con el tono del restaurante. Una prueba para analizar ventas tendría que comprobar los cálculos contra datos conocidos. La calidad no puede evaluarse únicamente porque la respuesta resulte convincente.

Del catálogo de herramientas al mapa de trabajos

La consecuencia estratégica es que el restaurante debería dejar de organizar su adopción de IA alrededor de marcas y empezar a organizarla alrededor de trabajos.

Para cada proceso conviene conocer su volumen, frecuencia, sensibilidad de los datos, coste de un posible error, tiempo máximo de respuesta y criterio utilizado para considerar correcto el resultado. Esa ficha permite decidir si la tarea necesita un modelo ligero, uno avanzado, una herramienta especializada o intervención humana desde el comienzo.

También reduce la dependencia de un proveedor. Si las instrucciones, los datos y los criterios de validación pertenecen al restaurante, sustituir un modelo será más sencillo. Si todo el proceso se ha construido dentro de una plataforma cerrada y nadie sabe reproducirlo fuera, cualquier cambio de precios o condiciones puede afectar a la operación.

Creo que aquí aparecerá una capacidad empresarial nueva: dirigir un equipo de inteligencias artificiales con la misma lógica con la que se coordinan proveedores especializados. No se elegirá únicamente por prestigio o potencia, sino por adecuación, fiabilidad, coste y riesgo.

La ventaja no estará en utilizar siempre la IA más avanzada, sino en saber cuándo una tarea necesita más inteligencia, cuándo necesita más velocidad y cuándo necesita que una persona siga tomando la decisión.