Hay un momento que casi todos los que trabajamos con IA generativa hemos vivido: escribes un buen prompt, el modelo responde algo sorprendente, y alguien en la sala dice "esto ya está, hay que lanzarlo".
No está. Lo que tienes es un prototipo. Entre ese momento y una aplicación en la que la gente confía todos los días hay un proceso entero: definir qué significa "funcionar bien", medirlo, observar lo que pasa en producción y convertir cada falla en una mejora. Ese proceso no es una línea recta. Es un ciclo.
En este artículo te comparto el mapa que uso para pensar en ese ciclo. Abajo lo encuentras en versión interactiva: puedes recorrerlo paso a paso o hacer clic en cualquier bloque para ver qué es, por qué importa y qué preguntas debe responder tu equipo antes de avanzar.
Por qué el software con IA necesita otro proceso
En el software tradicional, si una función recibe la misma entrada, devuelve la misma salida. Escribes pruebas unitarias, pasan, y puedes dormir tranquilo.
Con un modelo de lenguaje eso deja de ser cierto. Tres cosas cambian las reglas:
- No es determinístico. La misma pregunta puede producir respuestas distintas, y un cambio en el prompt que arregla un caso puede romper otros diez.
- Falla en silencio. Una API rota lanza un error. Un modelo que alucina devuelve un
200 OKcon una respuesta perfectamente redactada… y equivocada. - Se mueve debajo de ti. El proveedor actualiza el modelo, tus usuarios empiezan a preguntar cosas nuevas, tus documentos cambian. La calidad puede degradarse sin que nadie toque el código.
Por eso no basta con "construir y lanzar". Hay que construir, medir, observar y mejorar de forma continua.
Las cuatro fases del ciclo
El mapa tiene 17 pasos agrupados en cuatro fases:
- Definir. Antes de escribir código: cuál es el problema, cómo se ve el éxito en números (métricas) y cómo vamos a medirlo automáticamente (evals).
- Construir y lanzar. La prueba de concepto, el sistema agéntico que orquesta al modelo, la aplicación que usan las personas y la exposición gradual a usuarios reales.
- Observar y monitorear. Trazas de cada ejecución, feedback humano, una plataforma central de observabilidad, tableros de métricas y alertas cuando algo se sale de rango.
- Evaluar y mejorar. Correr las evals sobre tráfico real, encontrar las que fallan y elegir la palanca correcta para corregirlas: prompt, datos, modelo o arquitectura. El resultado es una nueva versión que vuelve a los usuarios.


