Qué es realmente un framework
Un framework es un marco preparado para un trabajo que, de otro modo, empezaría de cero cada vez. Trae ya las piezas de siempre — cómo entran los datos, cómo se controla un proceso, qué ocurre cuando un paso falla — y le deja a usted la parte que es propia. Esa es toda la magia, y es menos misteriosa de lo que suena la palabra.
La comparación que mejor funciona: un framework no es una caja de herramientas, sino un taller. En la caja de herramientas usted reúne lo que necesita y construye el banco de trabajo. En el taller el banco ya está ahí, los enchufes están donde toca, y a cambio hay que respetar la distribución que otra persona consideró razonable.
De ahí se deduce la propiedad más importante: un framework le quita decisiones que de otro modo tendría que tomar — y con ello también le quita decisiones que quizá habría tomado de otra manera. Por eso conviene saber ante qué tipo de framework está.
Tres familias que se confunden a menudo
Cuando en una conversación sale la palabra «framework de IA», dos personas en la mesa suelen referirse a dos cosas completamente distintas. Ayuda separar tres familias que tienen poco en común salvo el nombre.
Las tres familias de un vistazo:
- Aprendizaje automático clásico y deep learning: PyTorch, TensorFlow, Keras, Scikit-learn. Con ellos se entrenan modelos — una red aprende de los datos, capa a capa, pasada a pasada. Es el mundo en el que se habla de épocas, funciones de pérdida y tarjetas gráficas.
- Modelos de lenguaje y agentes: LangChain, LlamaIndex, CrewAI, AutoGen, el Claude Agent SDK. Aquí no se entrena nada. Se conecta un modelo ya hecho, se le proporcionan sus datos, se le enganchan herramientas y se le encaja en un proceso de varios pasos.
- Gobernanza y cumplimiento: el Reglamento de IA de la UE, el NIST AI Risk Management Framework, las políticas internas. No es código, sino reglas: qué riesgo tiene una aplicación, qué hay que documentar, quién responde al final.
La mayoría de las empresas que nos llaman no necesitan nada de la primera familia. No entrenan un modelo — usan uno. Es una diferencia como la que hay entre una fábrica de motores y una empresa de transportes. Y si todavía no ha empezado con ninguna herramienta, este otro artículo explica por dónde.
Entrenar: PyTorch, TensorFlow y compañía
Estos frameworks están hechos para convertir datos en un modelo. Le quitan las matemáticas que hay detrás, reparten la carga de cálculo entre tarjetas gráficas y se ocupan de que un entrenamiento que dura dieciocho horas no empiece de cero tras una caída.
Hacen falta cuando para su tarea no existe un modelo ya hecho: una inspección de imagen para una pieza que solo fabrica usted; una predicción sobre valores medidos en sus propias máquinas; una clasificación sobre datos que no aparecen en ningún otro sitio. Para todo lo que tiene que ver con lenguaje, esta familia hoy rara vez es el primer recurso — los grandes modelos de lenguaje ya están ahí, y volver a construirlos sería caro y saldría peor.
Construir: modelos de lenguaje, RAG y agentes
Esta familia es la que interesa en la mayoría de los proyectos de los que hablamos. El modelo ya existe; el trabajo consiste en conectarlo con la realidad de una empresa.
Para ello, estos frameworks resuelven tres problemas recurrentes. Primero: preparar documentos propios y hacerlos consultables de modo que el modelo responda con prueba en lugar de tirar de memoria — es la Retrieval-Augmented Generation, RAG. Segundo: dar herramientas al modelo para que no solo hable, sino que haga algo — consultar una base de datos, redactar un correo, crear un registro. Tercero: unir varios pasos en un proceso que sepa seguir aunque un paso falle.
Lo que estos frameworks no resuelven es igual de importante. No deciden en qué punto tiene que dar su visto bueno una persona. No le dicen si construirlo siquiera merece la pena. Y no impiden que un modelo se invente una cifra — eso lo impiden reglas que usted mismo fija y una comprobación que usted mismo incorpora.
Reglas: frameworks de gobernanza
La tercera familia es la que más se pasa por alto y, para las empresas, a menudo la de consecuencias más inmediatas. El Reglamento de IA de la UE clasifica las aplicaciones por riesgo: lo que decide sobre candidaturas en el área de personal está en otra clase que una herramienta que redacta textos de producto. De ahí se derivan obligaciones — de documentación, de supervisión humana, de información a las personas afectadas.
El NIST AI Risk Management Framework es el otro polo: no es una norma, sino un marco voluntario de EE. UU. que describe cómo identificar, medir y vigilar en operación los riesgos de una aplicación de IA de forma sistemática. Muchas empresas lo usan como armazón de sus políticas internas, porque está formulado de manera más práctica que un texto legal.
El consejo práctico es poco espectacular: aclare la clasificación antes de construir, no después. Una aplicación que está terminada y luego no pasa la revisión de riesgos cuesta el doble.
Qué ahorra de verdad un framework
Las tres ventajas que se citan en todas partes son ciertas — solo que casi siempre se cuentan en grande.
- Tiempo: no hay que reescribir las piezas ya hechas. Eso ahorra las primeras semanas de un proyecto, no el proyecto.
- Uniformidad: si todos construyen con el mismo patrón, otra persona puede retomar el trabajo cuando usted esté de vacaciones. En realidad es la mayor ganancia, y solo se ve en el segundo año.
- Crecimiento: lo que funciona en el portátil funciona también en un servidor — sin volver a escribir el código. Siempre que, al construir, se hayan respetado las reglas del framework.
La contrapartida honesta: usted asume las decisiones de otra persona y se ata a un proyecto que no controla. Por eso, en cada elección procuramos que el núcleo de la solución siga siendo comprensible incluso sin el framework.
Con qué criterios elegir
La pregunta casi nunca es «¿cuál es el mejor framework?», sino «¿qué seguirá siendo mantenible dentro de dos años?». Cuatro preguntas ayudan más que cualquier comparación de listas de funciones.
- ¿Qué hay que construir — entrenar un modelo o conectar uno existente? La respuesta decide la familia y, con ella, casi todo lo demás.
- ¿Quién lo operará después? Un framework que su equipo de TI conoce gana a uno más moderno que nadie en la casa sabe leer.
- ¿Cuánto ata? Compruebe cuánto trabajo supondría cambiar de modelo o de proveedor. Si la respuesta es «todo de nuevo», es un precio que no figura en la oferta.
- ¿Qué exige la clasificación según el Reglamento de IA? Los registros, la trazabilidad y un punto para la aprobación humana es más fácil incorporarlos que añadirlos después.
Cómo trabajamos con ellos
Construimos con independencia del modelo y de modo que el proceso siga siendo comprensible incluso quitando el framework. Cada solución lleva un panel donde figura lo que han hecho los agentes y lo que está pendiente de decisión — una automatización que no se puede observar no es una solución, sino una caja negra.
Y antes de construir va el análisis. Quince minutos sobre un proceso que cuesta tiempo semana tras semana dicen más sobre la técnica adecuada que cualquier comparación de frameworks — a veces también que construirlo no merece la pena. Esa respuesta forma parte del trato.
Preguntas frecuentes
¿Qué frameworks existen en el ámbito de la IA?
Tres familias que tienen poco que ver entre sí aparte del nombre. Para entrenar modelos: PyTorch, TensorFlow, Keras, Scikit-learn. Para construir aplicaciones y agentes sobre modelos ya hechos: LangChain, LlamaIndex, CrewAI, AutoGen, el Claude Agent SDK. Y como marco de reglas para el uso de ambos: el Reglamento de IA de la UE y el NIST AI Risk Management Framework. La mayoría de las empresas no necesita nada de la primera familia — no entrenan un modelo, usan uno.
¿Qué ventajas ofrecen los frameworks en el desarrollo de IA?
Tres, y casi siempre se cuentan demasiado grandes. Tiempo: los bloques ya hechos no hay que reescribirlos — ahorra las primeras semanas de un proyecto, no el proyecto. Uniformidad: si todos construyen con el mismo patrón, otra persona puede retomar el trabajo, y esa es en realidad la mayor ganancia — se ve en el segundo año. Crecimiento: lo que funciona en el portátil funciona también en un servidor. La contrapartida honesta: asume las decisiones de otro y se ata a un proyecto que no controla.
¿Necesito siquiera un framework?
Para un único paso bien delimitado, a menudo no: basta una llamada directa al modelo y es más fácil de entender. En cuanto varios pasos están relacionados, se consultan datos propios o algo hay que repetirlo en caso de error, un framework le ahorra más de lo que le cuesta en libertad.
¿Cuál es la diferencia entre LangChain y PyTorch?
PyTorch sirve para entrenar modelos: de los datos sale un modelo. LangChain se apoya en modelos ya hechos y los conecta con datos, herramientas y procesos. Resuelven tareas distintas y no compiten entre sí.
¿Es suficientemente seguro un framework de código abierto para una empresa?
La seguridad no se decide por el modelo de licencia, sino por dónde se procesan los datos, quién tiene acceso y qué se registra. Los frameworks de código abierto tienen aquí una ventaja: puede comprobar qué ocurre en lugar de creérselo.
¿Qué cambia el Reglamento de IA de la UE para mi proyecto?
Depende de la clase de riesgo. Las aplicaciones de riesgo bajo traen sobre todo obligaciones de transparencia. Donde se decide sobre personas — por ejemplo, en el área de personal — rigen exigencias bastante más estrictas de documentación, calidad de datos y supervisión humana. La clasificación va al principio de un proyecto, no al final.
¿Me ato a un proveedor de modelos con un framework?
No necesariamente, y es uno de los criterios de elección más importantes. Los buenos frameworks separan el proceso del modelo que hay detrás, de modo que un cambio sea una cuestión de configuración y no un desarrollo nuevo.