LLMs y la IA en 2025: experimentos, frustraciones y algunas grandes sorpresas
2025 ha sido un año de experimentación práctica para nosotros con LLMs y la IA aplicada. En lugar de simplemente observar el espacio desde las gradas, dedicamos el año a construir, probar, romper cosas y probar ideas que a veces funcionan y otras no.
La sensación general es mixta. Algunas partes de la tecnología son impresionantes y avanzan increíblemente rápido. Otras partes aún se sienten tempranas y frágiles. Aquí hay un resumen de lo que aprendimos y cómo está moldeando lo que queremos hacer a continuación.
Mezclar búsqueda semántica y de texto completo
Una gran parte de nuestro trabajo este año se centró en sistemas de búsqueda construidos en torno a LLMs. Experimentamos mucho con búsqueda híbrida: combinando búsqueda semántica (embeddings + bases de datos vectoriales) con búsqueda de texto completo clásica.
En la práctica, la combinación es poderosa. La búsqueda semántica ayuda a recuperar información conceptualmente relevante, mientras que la búsqueda de texto completo mantiene las cosas precisas y explicables. Cuando ambos están bien afinados, los resultados son significativamente mejores que usar uno solo.
El problema es la complejidad. Mantener las bases de datos vectoriales sincronizadas, afinar el rango y gestionar la infraestructura requiere un esfuerzo real de ingeniería. No es plug-and-play aún.
Nuestra recomendación honesta actual es: si no tienes los recursos para experimentos riesgosos y una cantidad considerable de prueba y error, podría ser mejor esperar. El ecosistema está mejorando rápidamente, pero hoy aún favorece a los equipos que pueden permitirse explorar e iterar.
RAG vs contexto grande: depende
También dedicamos tiempo a comparar pipelines RAG con enfoques que dependen más del contexto grande.
Nos esperábamos encontrar un ganador claro. No lo hicimos.
RAG es excelente cuando se trata de bases de conocimiento grandes o constantemente cambiantes. Los enfoques con contexto grande simplifican la arquitectura, pero pueden volverse caros e inesperados a gran escala. En sistemas reales, a menudo terminamos con híbridos de cualquier manera.
La principal conclusión es que aún no existe una receta universal. Las decisiones arquitectónicas aún son muy específicas de la aplicación, y mucho de lo que funciona proviene de experimentación en lugar de prácticas establecidas.
Uso de bases de datos vectoriales para aprendizaje automático tabular (un desvío extraño)
A un punto determinado decidimos probar algo un poco loco: usar bases de datos vectoriales para realizar aprendizaje automático tabular clásico.
Desde un punto de vista práctico, no fue muy exitoso. Para tareas predictivas estándar, los pipelines tradicionales de aprendizaje automático siguen siendo mucho más eficientes y directos.
Pero este desvío fue sorprendentemente productivo. Lo obligó a profundizar en agrupamiento, métricas de similitud y ingeniería de características. Esta exploración abrió nuevas direcciones de investigación y terminó alimentando trabajos académicos que aún estamos desarrollando.
Así que aunque la idea original no funcionó como enfoque de producto, sí resultó como investigación.
El salto enorme en códigos de IA
El cambio más impresionante este año ha sido el códigos de IA.
Al inicio de 2025, los sistemas de códigos agenciastrr luchaban con tareas relativamente simples. Obtener una buena página de aterrizamiento a menudo requería una gran cantidad de limpieza manual. Al final del año, esos mismos sistemas podían generar y organizar proyectos complejos y de múltiples componentes de una manera que realmente se siente útil.
Esto cambia lo que las pequeñas equipos pueden construir realmente. El códigos de IA ya no es solo autocompletar fancy. Está empezando a sentirse como un verdadero compañero de desarrollo.
Estamos sinceramente impresionados por la velocidad de mejora aquí.
Lo que estamos enfocando en 2026
Todo esto conduce directamente a nuestros planes para 2026.
Queremos aprovechar lo que hemos aprendido y enfocarnos fuertemente en usar códigos de IA para ayudar a pequeñas empresas a través de aplicaciones muy específicas de iOS. En lugar de construir plataformas amplias, nos interesa más en herramientas dirigidas a resolver problemas concretos.
Vamos a explorar más a fondo por qué nos enfocamos en iOS y cómo pensamos en la estrategia de producto en futuras publicaciones.
Reflexiones finales
Si tuviéramos que resumir 2025 en una sola frase: la tecnología es poderosa pero aún desigual.
La búsqueda híbrida funciona pero es compleja. RAG frente a contexto depende de la situación. Algunas ideas experimentales fallan de maneras útiles. Y el código de IA ha hecho un salto que abre nuevas posibilidades para equipos pequeños.
Finalizamos el año con sentimientos mixtos sobre la madurez, pero con mucha optimista sobre la dirección. Las cosas avanzan rápido y la brecha entre la investigación y las aplicaciones prácticas se está acortando.
Para equipos dispuestos a experimentar y tolerar la incertidumbre, es un momento muy interesante para construir.