Caso práctico: GenMS™ Sybil

GenMS™ Sybil fue especificado, construido, securizado, validado y desplegado en un solo día de trabajo. Este caso documenta cómo.

El sistema

GenMS™ Sybil es un asistente conversacional de acceso público, construido sobre el contenido íntegro de este documento. Responde preguntas, explora implicaciones y acompaña la reflexión sobre las tendencias que aquí se analizan. No almacena datos personales de los usuarios, y por tanto no presenta dificultades respecto al Reglamento General de Protección de Datos. El sistema es compliant-by-design: la clasificación regulatoria, los requisitos del AI Act y las obligaciones de privacidad no se incorporaron como capa posterior de cumplimiento, sino como criterios de diseño desde la primera fase de especificación.

El proceso: ciclo de vida LLMOps

La construcción siguió las fases del ciclo de vida LLMOps de forma secuencial y sin excepciones.

Preparación de datos. El corpus de GenMS™ Sybil es este documento. La decisión de no extender el sistema con el contenido íntegro de las fuentes citadas fue deliberada: hacerlo habría introducido riesgos de derechos de autor y propiedad intelectual difíciles de gestionar. GenMS™ Sybil conoce las referencias, las cita y enlaza, pero no reproduce su contenido. El control de fuentes y la minimización son, aquí, simultáneamente una decisión técnica y un requisito de cumplimiento.

Experimentación y desarrollo. Esta fase produjo la especificación completa del sistema: arquitectura, comportamiento esperado, taxonomía de casos de uso, límites operativos, criterios de calidad y requisitos de seguridad. La especificación, de decenas de páginas, fue construida en diálogo con un LLM mediante vibe coding: el profesional formuló objetivos, evaluó propuestas y tomó decisiones; la máquina materializó la intención en documentación técnica de producción. Se evaluaron configuraciones alternativas de modelo, se gestionaron versiones del prompt desde el inicio y se definieron métricas cualitativas de evaluación: coherencia, factualidad, adecuación al contexto, comportamiento ante preguntas fuera de alcance.

Validación. La evaluación de GenMS™ Sybil integró revisión humana en el proceso, pruebas de estrés semántico y ejercicios de red-teaming orientados a identificar comportamientos no deseados. La validación no fue un evento puntual al final del proceso; fue continua a lo largo del ciclo. GenMS™ Atlas (el sistema de Management Solutions para el testeo de sistemas basados en LLMs) evaluó el sistema sobre varias de sus 26 dimensiones: sesgo, consistencia, privacidad, robustez, explicabilidad y cumplimiento regulatorio. Las incidencias detectadas se trataron antes del despliegue; las que persisten están documentadas.

Despliegue. La construcción del sistema fue ejecutada por Claude Code a partir de la especificación completa. El resultado fue una aplicación coherente, con lógica de contexto, gestión de sesión e interfaz de usuario. Se auditó el código en busca de vulnerabilidades y vectores de ataque; las correcciones se incorporaron en el mismo ciclo. El despliegue contempló desde el inicio las implicaciones de infraestructura, latencia y coste propias de un sistema generativo en producción.

Monitorización. GenMS™ Sybil opera con monitorización activa de costes por token, trazabilidad completa de interacciones para auditoría y supervisión regulatoria, y alertas ante comportamientos anómalos o patrones de uso no previstos. El proceso de construcción fue iterativo: la primera versión no fue la final. La iteración controlada, con criterios explícitos de evaluación en cada ciclo, es lo que distingue la industrialización de la experimentación.

Las decisiones de arquitectura

El diseño de GenMS™ Sybil implicó dilemas técnicos concretos, resueltos con criterios explícitos:

• RAG vs. contexto completo: contexto completo. El modelo subyacente dispone de una ventana de entrada de un millón de tokens; el documento cabe íntegro en cada conversación. La fragmentación RAG destruiría la coherencia global que las preguntas más valiosas requieren, y el argumento de coste que históricamente la justificaba no compensa ya ese deterioro de calidad.

• Extensión del corpus con fuentes citadas: descartado. El riesgo de infracción de derechos de autor y propiedad intelectual es incompatible con un sistema de acceso público. GenMS™ Sybil cita y enlaza las referencias; no reproduce su contenido.

• Fine-tuning vs. prompting: prompting con documento en contexto. El fine-tuning es costoso, lento y opaco ante actualizaciones del documento. El prompting garantiza trazabilidad completa de cada cambio de comportamiento.

• Modelo propietario vs. open source: modelo propietario de frontera. La madurez de los modelos open source es insuficiente para garantizar la consistencia y los controles de seguridad requeridos en un sistema público sin supervisión humana continua.

• Memoria persistente vs. sesiones independientes: sesiones independientes. Minimización de datos, cumplimiento estructural del GDPR y eliminación del riesgo de contaminación entre conversaciones.

El system prompt de GenMS™ Sybil ocupa varias páginas. Codifica los guardarraíles de comportamiento, los límites operativos, el tratamiento de preguntas fuera de alcance y los principios éticos que rigen las respuestas del sistema. Su contenido no se publica íntegramente por razones de seguridad. Su extensión refleja un principio que este documento articula en la sección de ética: la distancia entre los valores declarados y el comportamiento real de un sistema de IA se cierra en las instrucciones concretas que lo gobiernan, no en los principios que lo enmarcan.

Las tendencias en acción

GenMS™ Sybil no ilustra las tendencias que este documento analiza: las implementa. La democratización de la IA generativa hizo posible que perfiles sin especialización en ingeniería de software produjeran un sistema de producción. El vibe coding fue el método de construcción, no la metáfora. LLMOps estructuró un proceso que de otro modo habría sido irrepetible. Los perfiles implicados combinan conocimiento de negocio con capacidad de dirigir sistemas cognitivos: el perfil que el análisis de talento identifica como el más escaso y el más determinante. La IA auditó a la IA en la fase de seguridad. GenMS™ Atlas aplicó validación sistemática donde la validación ad hoc habría sido insuficiente. La regulación fue criterio de diseño, no requisito de cumplimiento posterior.

El cuello de botella que este documento identifica repetidamente como el factor limitante de la adopción real de la IA no es tecnológico. Este caso no demuestra que sea fácil de superar; demuestra que es superable, y que la distancia entre describirlo y cruzarlo es, hoy, fundamentalmente una cuestión de preparación organizativa.