greenai.guide

Inicio › Buenas prácticas › Elija el modelo adecuado para cada tarea

Buenas prácticas

Elija el modelo adecuado para cada tarea

Actualizado · 5 min de lectura

En resumen

Use el modelo más pequeño, o el método no basado en IA más sencillo, que alcance su nivel de calidad, y reserve los grandes modelos generales para los casos que los necesitan. Los modelos para tareas específicas pueden consumir una pequeña fracción de la energía de los modelos generativos de propósito general, y el enrutamiento le permite aprovechar la mayor parte de las ventajas de ambos.

Puntos clave

  • Empiece por preguntarse si la tarea necesita IA; las reglas, la búsqueda o un algoritmo clásico suelen bastar.
  • Se comprobó que los modelos para tareas específicas son órdenes de magnitud más baratos de ejecutar que los modelos generativos multipropósito para las mismas tareas.
  • La UNESCO y el UCL informan de que los modelos pequeños para tareas específicas pueden reducir el consumo de energía hasta en un 90%.
  • El enrutamiento envía las solicitudes fáciles a modelos pequeños y las difíciles a modelos grandes; fije los umbrales con cuidado, porque un intento fallido con un modelo pequeño más un reintento puede costar más.
  • Los flujos híbridos usan métodos clásicos o basados en la física para la mayoría de los pasos y una red pequeña solo donde aporta valor.

¿Por qué importa tanto la elección del modelo?

La elección del modelo suele ser la palanca individual más importante sobre la energía de una función de IA. La misma tarea pueden hacerla modelos cuyos costes de funcionamiento difieren en órdenes de magnitud.

En una comparación sistemática publicada en ACM FAccT 2024, Luccioni, Jernite y Strubell midieron la energía necesaria para ejecutar 1.000 inferencias en muchas tareas y modelos. Comprobaron que los modelos generativos multipropósito eran órdenes de magnitud más caros que los sistemas para tareas específicas en las mismas tareas, incluso controlando el tamaño del modelo. Un informe de 2025 de la UNESCO y el UCL concluyó que los modelos pequeños adaptados a tareas concretas pueden reducir el consumo de energía hasta en un 90%.

El patrón es sencillo: un modelo general paga, en cada solicitud, por conocimientos y capacidades que su tarea nunca utiliza.

¿Necesita esta tarea IA?

Compruebe primero si un método no basado en IA ya hace el trabajo. La inferencia más barata es la que nunca se ejecuta.

Un sandpit (taller intensivo) británico sobre IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, volvió una y otra vez a este punto: a menudo se recurre a la IA cuando ya existe un algoritmo bien conocido, y el cálculo más verde suele ser el que se evita. Las Web Sustainability Guidelines del W3C también piden a los equipos que evalúen la necesidad de la IA antes de implementarla.

Pregúntese:

  • ¿Podría hacerlo una regla, una tabla de consulta o una expresión regular?
  • ¿Podría una búsqueda en su propio contenido responder a la pregunta?
  • ¿Existe un método numérico o estadístico consolidado (un optimizador, una regresión, un solver)?
  • ¿La respuesta tiene que ser exactamente reproducible o auditable? Los métodos deterministas son más fáciles de comprobar.
  • ¿Con qué frecuencia se ejecutará? Una función que se usa millones de veces merece más esfuerzo de diseño que una puntual.

La IA no es gratuita aunque ahorre tiempo. Un estudio de 2025 que comparó la programación manual y la asistida por IA en 12 tareas de programación encontró que el enfoque asistido por IA tenía, de media, unas 33 veces la huella de carbono del enfoque manual, y que la diferencia aumentaba a medida que las tareas se hacían más difíciles. Eso no significa que nunca deba usar asistentes; significa que debe usarlos donde claramente compensen.

¿Pequeño, especializado o de frontera?

Adapte el modelo a la tarea, no a lo más potente que haya disponible.

Tipo de tarea Suele bastar Cuándo usar uno más grande
Clasificar, etiquetar, enrutar, detectar spam o sentimiento Un clasificador pequeño para la tarea específica Rara vez
Extraer campos de documentos Un modelo pequeño o ajustado, o reglas Formatos desordenados y variados
Búsqueda y respuesta a preguntas sobre su propio contenido Recuperación más un modelo pequeño o mediano Razonamiento complejo sobre varios documentos
Traducción, resumen Un modelo mediano o especializado Textos de alto riesgo o con matices
Razonamiento abierto, planificación, código difícil Un gran modelo general Aquí es donde justifica su coste

Los modelos pequeños especializados pueden obtenerse por varias vías, que se tratan en entrenamiento e inferencia eficientes:

  • Destilación: un "profesor" grande entrena a un "alumno" pequeño. DistilBERT era un 40% más pequeño que BERT y un 60% más rápido, y conservaba el 97% de su capacidad de comprensión del lenguaje.
  • Ajuste fino (fine-tuning) de un modelo pequeño con datos de su propia tarea.
  • Versiones cuantizadas de un modelo existente, que necesitan menos memoria y energía.

Cuando existan referencias públicas, compare a los candidatos tanto por energía como por calidad. El AI Energy Score de Hugging Face califica los modelos según la energía de GPU por cada 1.000 consultas en diez tareas habituales, con una a cinco estrellas en relación con otros modelos en la misma tarea.

¿Cómo funciona el enrutamiento de modelos?

Un enrutador envía cada solicitud al modelo más barato que probablemente la responda bien, y solo escala cuando hace falta.

Diseños habituales:

  1. Clasificador primero: un modelo pequeño o un conjunto de reglas predice la dificultad de una solicitud y elige un modelo.
  2. Cascada: se prueba el modelo pequeño; si su confianza es baja o falla una comprobación, se pasa a uno más grande.
  3. Enrutador aprendido: entrenado con ejemplos de qué modelo funcionó bien con qué solicitud. El estudio RouteLLM informó de reducciones de costes de más de la mitad en algunos casos sin bajar la calidad de las respuestas.

Fije el umbral con cuidado

El sandpit planteó una advertencia importante: en los sistemas agénticos, un modelo demasiado pequeño puede fallar y obligar a repetir la ejecución con el modelo grande. Un intento barato fallido más un reintento caro puede costar más que ir directamente al modelo grande. Por tanto:

  • mida el coste total por tarea resuelta con éxito, no por llamada;
  • ajuste el umbral de escalado con sus propios datos;
  • registre con qué frecuencia escalan las solicitudes y revíselo cuando cambien los modelos;
  • deje la decisión de enrutamiento en manos del sistema, no del usuario final.

¿Qué son los flujos híbridos?

Los flujos híbridos usan métodos clásicos, basados en la física o en reglas para la mayoría de los pasos y un modelo pequeño solo donde aporta valor. Suelen ser más baratos, más precisos y más fiables que un enfoque neuronal de principio a fin.

Ejemplos:

  • Un modelo físico o numérico hace la simulación; un pequeño componente aprendido sustituye solo su parte más costosa (un "modelo sustituto").
  • El código determinista se encarga del análisis, la validación y el formato; un modelo solo se ocupa del juicio sobre texto libre.
  • Un modelo generativo planifica o elige, pero el resultado se ensambla a partir de una biblioteca de componentes ya comprobados en lugar de generarse de nuevo cada vez. Consulte orquestación en lugar de generación.

El sandpit también abordó la incorporación de estructura matemática o física (simetrías, leyes de conservación, convexidad) a los modelos para que necesiten menos parámetros y menos entrenamiento. Consulte matemáticas para una IA eficiente.

Lista de comprobación

  • [ ] El método no basado en IA más sencillo, documentado y probado primero
  • [ ] Nivel de calidad definido con sus propios casos reales
  • [ ] Al menos un modelo pequeño o para la tarea específica probado frente a ese nivel
  • [ ] Energía por solicitud comparada para cada candidato, medida de la misma forma
  • [ ] Modelo grande usado solo donde el pequeño no alcanza el nivel
  • [ ] Coste del enrutamiento medido por tarea resuelta con éxito, incluidos los reintentos
  • [ ] Elección registrada, con una fecha para revisarla

Qué hacer a continuación

  1. Enumere sus funciones de IA y señale cuáles podrían usar un modelo más pequeño, un método clásico o ninguna IA.
  2. Cree un pequeño conjunto de evaluación con casos reales y una nota de aprobado.
  3. Pruebe dos o tres tamaños de modelo frente a él y mida la energía de cada uno.
  4. Pruebe el enrutamiento en una función de gran volumen y haga un seguimiento del coste por tarea resuelta con éxito.
  5. Incluya "usar el modelo más pequeño que alcance el nivel" en su política de IA verde.
  6. Pregunte a los proveedores qué tamaños de modelo ofrecen y cuál es su energía por solicitud; consulte compra sostenible de IA.

Preguntas frecuentes

¿Son suficientemente buenos los modelos de lenguaje pequeños?

Para muchas tareas bien definidas, como la clasificación, la extracción y el enrutamiento, sí. Pruébelos con sus propios casos frente a un nivel de calidad claro antes de decidir.

¿Qué es el enrutamiento de modelos?

Un enrutador examina cada solicitud y la envía al modelo más barato que probablemente la resuelva bien, y solo pasa a un modelo más grande cuando hace falta. En algunas pruebas, enrutadores publicados han reducido los costes a menos de la mitad sin bajar la calidad.

¿Cuándo no debería usar IA?

Cuando una regla, una consulta, una búsqueda o un método numérico consolidado ya hace la tarea de forma fiable. Suelen ser más baratos, más rápidos, más predecibles y más fáciles de comprobar.

¿Un modelo más grande es siempre más preciso?

No. Para tareas acotadas, un modelo pequeño ajustado o destilado puede igualar o superar a un modelo general, y sus errores suelen ser más fáciles de entender.

Fuentes

  1. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT 2024 (arXiv 2311.16863) (2024)
  2. AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO (2025)
  3. RouteLLM: Learning to Route LLMs with Preference Data, Ong et al. (arXiv 2406.18665) (2024)
  4. DistilBERT, a distilled version of BERT, Sanh et al. (arXiv 1910.01108) (2019)
  5. Comparative Analysis of Carbon Footprint in Manual vs. LLM-Assisted Code Development, arXiv 2505.04521 (2025)
  6. Green Software Patterns: right-sized, energy-efficient AI models, Green Software Foundation (2025)
  7. AI Energy Score, Hugging Face (2025)
  8. Web Sustainability Guidelines, W3C (2025)

Únase a nosotros

Ayude a reducir el impacto de la IA en el planeta

Reciba por correo electrónico nuevas guías, convocatorias de financiación y fichas de los directorios, aproximadamente una vez al mes. O añada su producto, curso, doctorado o investigación a los directorios.

Sin seguimiento. Cancele la suscripción con un clic. Otras formas de unirse · Privacidad