LLM, RAG, MCP y Agentes: lo que un Project Manager necesita entender antes de firmar un proyecto de IA
IA · PMO · Transformación Digital
Lo que un Project Manager necesita entender, capa por capa, antes de firmar un proyecto de IA.
Seguramente ya te tocó. En la junta de arranque alguien dice «queremos un agente de IA que atienda las solicitudes internas». El sponsor está entusiasmado, el equipo técnico ya habla de RAG y de conectores, y tú tienes que salir de esa sala con un alcance, un presupuesto y un registro de riesgos.
El problema es que esas cuatro palabras (LLM, RAG, MCP y agente) no son sinónimos, y cada una trae decisiones distintas para el proyecto. Confundirlas en el kickoff sale caro tres meses después.
Una forma sencilla de ordenarlas es pensar en el cuerpo humano: un cerebro, unos libros que consulta, un conector que lo une con el mundo y unas manos que actúan. La analogía ayuda, pero como toda analogía, se queda corta en partes. Y justo en esas partes es donde aparecen los riesgos del proyecto.
Datos clave
| 2020 | Patrick Lewis y su equipo presentan RAG en NeurIPS. Su memoria externa original era un índice de Wikipedia. |
| 2024 | Anthropic presenta MCP, un protocolo abierto que su documentación compara con un puerto USB-C para aplicaciones de IA. |
| 4 capas | LLM, RAG, MCP y agente. Cada una con su dueño, su riesgo y su artefacto de PMO. |
LLM: el cerebro
CAPA 1 · SOLO RESPONDE
El LLM (Large Language Model) es el modelo que entiende y genera lenguaje. Sobre él se construye todo lo demás.
Donde la analogía falla es en la memoria. Un LLM no recuerda nada entre una conversación y otra, y lo que sabe se quedó fijo en la fecha en que terminó su entrenamiento. Un cerebro aprende todos los días; el modelo no. Por eso puede responder con total seguridad algo que ya cambió, o algo que nunca fue cierto.
En el proyecto, esto se traduce en una pregunta de calidad: ¿cómo vamos a saber si una respuesta del modelo es correcta? Si no hay criterio de aceptación para la salida del modelo, no hay forma de saber si el proyecto funciona.
RAG: el cerebro con libros
CAPA 2 · CONSULTA DOCUMENTOS
RAG (Retrieval-Augmented Generation) viene de un artículo de Patrick Lewis y su equipo, presentado en NeurIPS 2020. La idea era combinar lo que el modelo aprendió en su entrenamiento con una memoria externa de documentos que consulta cuando la necesita. En el experimento original, esa memoria era un índice de Wikipedia.
Se suele vender como la solución para que la IA responda con información confiable y actualizada. Hay que matizarlo.
«RAG no vuelve confiable a la IA. La vuelve exactamente tan confiable como los documentos que consulta.»
Si la base tiene la versión vieja de una política, el sistema citará con mucha seguridad la versión vieja.
Lo bueno, y el propio artículo lo señalaba, es que el conocimiento se actualiza cambiando los documentos, sin reentrenar el modelo. Para un PM eso significa que la base documental se vuelve un entregable con dueño. ¿De qué fuentes va a leer el sistema? ¿Quién las cura? ¿Cada cuánto se actualizan? Si nadie tiene esas tareas asignadas, el RAG se va a degradar en silencio.
MCP: el conector estándar
CAPA 3 · SE CONECTA A SISTEMAS
MCP (Model Context Protocol) es un protocolo abierto que Anthropic presentó a finales de 2024. Su documentación oficial lo compara con un puerto USB-C para aplicaciones de IA: una forma estándar de conectar un modelo con herramientas, archivos, bases de datos y servicios.
Un detalle que conviene aclarar en cualquier reunión técnica: MCP no sustituye a las APIs. Las envuelve, para que cualquier aplicación de IA compatible las use de la misma manera en lugar de tener una integración hecha a mano para cada una.
Aquí es donde yo me pondría más serio. Cada conector es una puerta a un sistema de la organización. ¿A qué se va a conectar? ¿Con qué permisos: solo lectura o también escritura? ¿Quién autoriza un conector nuevo? Esto es seguridad de la información desde el día uno, no un ajuste para el final.
Agente de IA: el cerebro con manos
CAPA 4 · EJECUTA ACCIONES
Un agente no solo responde: decide qué pasos seguir y ejecuta acciones.
Aquí es fácil mezclar dos cosas distintas. Anthropic las separa así: un workflow sigue rutas de código definidas de antemano, mientras que un agente dirige por sí mismo su proceso y el uso de herramientas. Uno es predecible. El otro es flexible, pero también más caro, y sus errores pueden encadenarse. Por eso Anthropic recomienda probarlos a fondo en ambientes aislados y con controles adecuados.
Por eso, cuando el sponsor pide «un agente», la primera pregunta del PM no debería ser técnica: ¿de verdad necesitamos un agente, o con un workflow bien diseñado resolvemos la mayor parte del caso?
Lo que esto cambia en la PMO
Hasta aquí todo suena a arquitectura. Para la PMO es otra cosa: cada capa agrega entregables, roles y riesgos que no aparecen en un proyecto de software tradicional. Así lo bajaría yo a la gestión del proyecto.
Gobierno: alguien tiene que decir que sí
En un proyecto de IA hay decisiones que no deberían quedar solo en el equipo técnico: qué modelo se usa, qué conectores se habilitan y qué acciones puede ejecutar un agente sin pedir permiso. Yo propondría un punto de aprobación formal para cada una, aunque sea un comité pequeño. Un conector con permisos de escritura no se habilita en una conversación de pasillo.
Alcance: la EDT crece por donde nadie mira
La curaduría de documentos para el RAG, la definición de permisos de los conectores y el set de preguntas de prueba para evaluar al modelo son paquetes de trabajo reales, con horas y responsables. Si no están en la EDT, alguien los va a hacer de noche y sin presupuesto.
Riesgos: cada capa trae los suyos
En el LLM, respuestas incorrectas dichas con seguridad. En el RAG, documentos desactualizados o contradictorios. En MCP, accesos de más a sistemas sensibles. En el agente, acciones que se encadenan sin que nadie las revise. Son cuatro riesgos de naturaleza distinta, y meterlos en una sola línea que diga «riesgos de IA» es no gestionarlos.
Calidad: los criterios de aceptación cambian de forma
En software tradicional, la misma entrada da la misma salida. Con un modelo de lenguaje, no siempre. Por eso conviene acordar desde el inicio un conjunto de preguntas de prueba con sus respuestas esperadas, y medir contra él en cada entrega. Si la aceptación depende de que «se vea bien», el cierre del proyecto va a ser una discusión eterna.
Costos: el gasto no termina en la salida a producción
Los modelos suelen cobrarse por uso, y un agente que da muchos pasos para resolver una tarea consume más que una consulta simple. Si el caso de negocio no estima el costo de operación, el proyecto puede ser un éxito técnico y un problema financiero.
Autonomía: subirla por etapas
Mi recomendación es tratar la autonomía como un escalón que se gana. Primero el modelo solo responde. Luego consulta documentos. Después se conecta a sistemas en modo lectura. Y solo al final ejecuta acciones, con puntos de aprobación humana. Cada escalón puede ser una fase del proyecto con su propio stage gate.
Así se ve todo en una sola tabla:
| Capa | Dueño típico | Riesgo principal | Artefacto de PMO |
|---|---|---|---|
| LLM | Arquitecto o líder técnico | Respuestas incorrectas con seguridad | Criterios de aceptación y set de pruebas |
| RAG | Dueño del proceso o del contenido | Documentos desactualizados | RACI de curaduría y calendario de actualización |
| MCP | Seguridad de la información | Accesos de más | Matriz de permisos y aprobación de conectores |
| Agente | Sponsor y dueño del proceso | Acciones encadenadas sin revisión | Puntos de aprobación humana y stage gates |
Para llevar al kickoff
Si al terminar el kickoff no sabes quién es dueño de cada capa, todavía no tienes un proyecto de IA: tienes una demo con presupuesto.
Fuentes de información
- Lewis, P., Perez, E., Piktus, A. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arxiv.org/abs/2005.11401
- Model Context Protocol. Introduction. modelcontextprotocol.io
- Anthropic (2024). Building effective agents. anthropic.com/research/building-effective-agents
- La analogía del cuerpo humano se inspira en la infografía «Sistemas de IA: una analogía humana», de E2E.
Glosario de Términos Project Management
¿Te topaste con un término que no conocías? Consúltalo en nuestro glosario. ¡Se actualiza día con día!
Ir al Glosario →Síguenos en las Redes Sociales
Recibe cada post directo en tu celular
Nos leemos pronto, ¡un abrazo!
