# ¿Cómo encuentro un modelo específico para una tarea en lugar de usar un chatbot general?

> Cómo encontrar un modelo pequeño creado para un solo trabajo, como clasificar, extraer o traducir, y comprobar que iguala a un chatbot general con menos energía.

Source: https://greenai.guide/es/como/como-encuentro-un-modelo-especifico-para-una-tarea-en-lugar-de-usar/  
Updated: 2026-11-19

## En resumen

Defina la tarea con precisión, busque luego en un repositorio de modelos como Hugging Face por tipo de tarea y pruebe dos o tres candidatos pequeños con sus propios ejemplos. Un modelo creado para un solo trabajo puede ser órdenes de magnitud más barato de ejecutar que un modelo generativo general que haga lo mismo, así que merece la pena dedicar una tarde a probarlo antes de decidirse por un chatbot.

## Steps

1. Describa la tarea en una línea, por ejemplo «clasificar los correos de soporte en seis categorías».
2. Busque en un repositorio de modelos filtrando por ese tipo de tarea, por ejemplo clasificación de texto o traducción.
3. Preseleccione dos o tres modelos pequeños y compruebe sus licencias e idiomas.
4. Pruebe cada uno con 50 a 100 de sus propios ejemplos reales y un umbral de aprobado.
5. Compare la energía por solicitud cuando exista una calificación, y reserve un modelo general solo para los casos que fallen.

**Para trabajos bien definidos, un modelo entrenado para ese trabajo suele ser más barato y a menudo igual de
bueno.** Un chatbot general paga, en cada solicitud, por capacidades que su tarea nunca usa.

## ¿Por qué importa? {#why-does-it-matter}

Luccioni, Jernite y Strubell compararon muchos modelos en tareas comunes y hallaron que los modelos generativos
multiuso eran órdenes de magnitud más caros de ejecutar que los sistemas específicos para las mismas tareas. La
UNESCO y el University College London informan de que los modelos pequeños específicos pueden reducir el consumo de
energía hasta en un 90%.

## ¿Dónde busco? {#where-do-i-look}

**Empiece por un repositorio público de modelos y busque por tarea, no por marca.** Hugging Face, por ejemplo,
permite filtrar los modelos por tareas como clasificación de texto, reconocimiento de entidades nombradas, resumen,
traducción o reconocimiento de voz. Busque:

- modelos ajustados con datos parecidos a los suyos (mismo idioma, mismo tipo de texto);
- una tarjeta del modelo clara que indique con qué se entrenó y cómo se evaluó;
- un tamaño que pueda permitirse ejecutar, medido en [parámetros](/es/glosario/#parameters).

Para comparar la energía, el AI Energy Score califica los modelos según la energía de GPU en diez tareas comunes, de
una a cinco estrellas.

## Errores frecuentes {#common-mistakes}

- **Juzgar solo por las pruebas de referencia públicas.** Pruebe con sus propios ejemplos; es la única puntuación que
  le importa.
- **Pedir a un chatbot una clasificación masiva.** Si va a etiquetar miles de elementos, un clasificador pequeño es
  más rápido y más barato.
- **Olvidar la alternativa.** Reserve un modelo más grande para los casos difíciles, y consulte
  [cómo enrutar solicitudes a modelos más pequeños](/es/como/como-enruto-las-solicitudes-a-modelos-mas-pequenos/).

Para el método completo, lea [elegir el modelo adecuado](/es/buenas-practicas/elija-el-modelo-adecuado-para-cada-tarea/).

## Fuentes

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
