La gobernanza de la IA convierte el consumo de tokens de los modelos de frontera en cálculos de CIO

El antiguo reflejo de la IA empresarial era simple: ante la duda, enviar el prompt al modelo más grande y dejar que finanzas descubriera la religión más tarde. Esa era se está viendo comprimida por la presión de la gobernanza, la realidad de los flujos de trabajo y la física brutal de las facturas por tokens. El enfoque práctico de Jon Reed sobre el estado de ánimo empresarial es útil porque trata el consumo de tokens de los modelos de frontera como una señal de mal diseño arquitectónico, no como un fallo moral. La API más grande empieza a parecerse menos a una estrategia y más a pedir un camión de mudanzas para entregar un sándwich.

El modelo más grande no es la configuración predeterminada

En Governing AI Beyond the Pretraining Frontier, los autores escriben que jurisdicciones de todo el mundo, incluidos Estados Unidos, la Unión Europea, el Reino Unido y China, están preparadas para promulgar o revisar leyes que regulen la IA de frontera. Argumentan que muchos esfuerzos de gobernanza se basan en la suposición de que aumentar la escala del modelo mediante preentrenamiento es el camino principal hacia capacidades más sólidas. La parte incómoda, según el mismo artículo, es que cada vez hay más evidencia de que la vía de escalado del preentrenamiento puede estar llegando a un límite, mientras las grandes empresas de IA recurren al razonamiento en tiempo de inferencia para mejorar las capacidades. Traducción para los equipos empresariales: el medidor de riesgo ya no está conectado solo a la gigantesca ejecución de entrenamiento en el sótano con el coro de GPU.

Eso cambia la conversación sobre la selección de modelos. Si la capacidad y el costo aparecen durante la inferencia, entonces la gobernanza tiene que preocuparse por lo que ocurre en tiempo de ejecución, no solo por qué logotipo de proveedor aparece en la factura. Un modelo de frontera aún puede ser la herramienta adecuada para trabajos difíciles, ambiguos y de alto valor. Pero usarlo como opción predeterminada para cada tarea de resumen, clasificación y asistencia interna es menos ingeniería que superstición con una clave de API.

El tiempo de ejecución es donde la gobernanza deja

de ser teatro Stephen Catanzano, de TechTarget, describe el problema de datos empresarial como una expansión descontrolada entre almacenes de datos en la nube, bases de datos locales, aplicaciones SaaS, lagos de datos, múltiples nubes y equipos con versiones contradictorias de la verdad. Esa expansión era molesta cuando los paneles no coincidían. Se convierte en riesgo operativo cuando los modelos y agentes se basan en esos datos, porque, como lo expresa TechTarget, cada brecha, duplicado y rincón sin gobernanza se convierte en una responsabilidad. Un modelo gigante puede hacer que los datos desordenados suenen seguros, que es exactamente el problema. Es un esmoquin puesto a un mapache.

TechTarget también argumenta que los agentes autónomos empujan a las empresas hacia una gobernanza unificada y controles en tiempo de ejecución para gestionar el acceso de los agentes y las acciones que pueden realizar. Esa es la parte que muchos pilotos de IA se saltan porque las demostraciones prefieren el brillo antes que la fontanería. Pero el control en tiempo de ejecución es donde las empresas deciden quién puede ver qué, qué acciones están permitidas y si un flujo de trabajo de IA es lo suficientemente auditable como para sobrevivir al contacto con el equipo legal. La pregunta del CIO pasa a ser menos qué modelo es el más inteligente y más qué sistema puede demostrar lo que hizo.

La presión no es solo europea

AI in Asia informa que la conversación sobre gobernanza de IA de ASEAN está avanzando más allá de un punto de referencia centrado solo en Singapur, con una fecha límite en abril de 2026 para el Plan de Acción Estratégico de ASEAN bajo la presidencia de Filipinas. El mismo informe cita un aumento proyectado del PIB impulsado por la IA del 18 por ciento para ASEAN para 2030, con un valor aproximado de 1 billón de dólares. Esas cifras no son una razón para entrar en pánico; por favor, devuelvan la máquina de humo al proveedor. Son un recordatorio de que la gobernanza de la IA se está convirtiendo en un contexto operativo regional, no en una misión secundaria de cumplimiento aparcada en Bruselas.

Para las empresas multinacionales, eso significa que el menú de modelos tiene que viajar. Un flujo de trabajo que parece barato y simpático en una jurisdicción puede necesitar documentación, controles de datos o restricciones de implementación diferentes en otra. Aquí es donde convergen el consumo de tokens de los modelos de frontera y la presión de la gobernanza: el modelo caro no solo es caro. También puede ser más difícil de justificar si la tarea, los datos y el perfil de riesgo nunca lo necesitaron desde el principio.

Qué deberían cambiar los equipos de construcción este trimestre

La medida práctica no es prohibir los modelos de frontera. Eso sería reemplazar la adicción a la frontera por cosplay de modelos pequeños, y nadie necesita otra fiesta de disfraces con peor precisión. En su lugar, usen la advertencia del artículo de arXiv sobre la capacidad en tiempo de inferencia como una razón para gobernar el comportamiento en tiempo de ejecución, y usen el argumento de gobernanza de datos de TechTarget como una razón para ordenar los accesos antes de que los agentes empiecen a deambular por los sistemas empresariales como becarios con demasiada cafeína.

Empiecen por clasificar las cargas de trabajo de IA según el riesgo de la tarea, la exposición de datos, el requisito de calidad y la sensibilidad al costo. Coloquen los modelos de frontera donde la ganancia marginal de calidad valga el costo marginal de gobernanza e inferencia. Dirijan el trabajo rutinario a opciones más baratas o más restringidas cuando cumplan el estándar, y registren suficiente comportamiento en tiempo de ejecución para que las auditorías sean aburridas. Las auditorías aburridas están infravaloradas, como los cinturones de seguridad y las pruebas unitarias.

La próxima fase de la IA empresarial recompensará a los equipos que puedan explicar por qué se eligió un modelo, qué datos tocó y qué controles envolvieron el flujo de trabajo. Estén atentos a las herramientas de gobernanza que conectan el enrutamiento de modelos, los controles en tiempo de ejecución y el linaje de datos, en lugar de tratarlos como rituales de templo separados. La nueva forma de presumir no es usar el modelo más grande. Es saber cuándo no usarlo.