En reuniones con clientes, Nguyen dice que casi siempre escucha la misma pregunta: «Should we use Claude Fable 5, Gemini 3.7 Flash or DeepSeek-V4-Flash-Vision-Exp?». Pero después de años construyendo sistemas de inteligencia artificial, concluye que el modelo rara vez es toda la historia.
El eje de su argumento es simple: se pueden usar los mismos modelos con herramientas, memoria, contexto y guardrails distintos, y los resultados cambian de forma drástica. Por eso, afirma que varios equipos han elegido el mejor modelo en papel y aun así se han quedado estancados durante meses, mientras otros lograron algo transformador con un modelo que nunca encabezó una clasificación.
Nguyen cuenta un caso en un proyecto de inteligencia documental, orientado a extraer información de manuales técnicos, informes y PDF especializados. Para probar si el modelo estaba limitando el trabajo, hicieron un experimento con el mismo prompt y el mismo caso de uso, pero con distintos LLM. Esperaban una mejora notable en la calidad de la extracción, pero no ocurrió. La diferencia fue «sorprendentemente pequeña».
Según el ejecutivo, los problemas reales estaban en el diseño del sistema: el diseño de los documentos, las tablas, el OCR, el contexto y la forma de validar los resultados. Entonces dejaron de optimizar el modelo y ajustaron todo lo demás: mejor preprocesamiento, contexto más limpio y validación para detectar errores antes de que llegaran al cliente. El resultado fue un sistema mucho más confiable.
La idea central es que el LLM funciona como el cerebro, pero necesita un entorno útil para operar. Ese entorno, explica, incluye siete piezas: gestión de contexto, memoria, herramientas e integraciones, orquestación, datos de negocio, verificación y seguridad y permisos. A ese conjunto lo llama «agent harness».
Nguyen también subraya que el mercado de modelos seguirá cambiando. Menciona que Claude evolucionó a Fable 5, que Gemini llegó a 3.7 Flash con una ventana de contexto de 1 millón de tokens y que DeepSeek pasó de curiosidad de investigación a una familia de peso abierto con V4 Pro, Flash y una variante de visión. Su lectura es que, si una aplicación está atada a un solo modelo, cada cambio puede convertirse en un proyecto costoso de reingeniería.
La consecuencia práctica es clara para cualquier empresa que esté invirtiendo capital en IA: la ventaja competitiva no debería quedar amarrada al acceso a un modelo puntual, sino a la capacidad de aprovechar cualquiera que venga después. En términos de productividad, eso reduce riesgo de dependencia y mejora la flexibilidad del flujo tecnológico.
Para el mercado, el mensaje es incómodo pero útil. No basta con comprar la novedad más cara ni correr detrás del último lanzamiento. Capital busca reglas claras, y en IA esas reglas empiezan por una arquitectura que soporte cambios sin obligar a rehacer todo cada vez que el proveedor modifica la oferta. Quien construya bien el sistema, sostiene Nguyen, tendrá más margen cuando el modelo de moda deje de serlo.