Tu problema no necesita un LLM (y tu factura tampoco)

El reflejo de "usemos un LLM" se volvió la respuesta por defecto a casi cualquier problema de texto, clasificación o predicción. Y la factura llega rápido: equipos que queman el presupuesto anual de tokens en pocos meses, arquitecturas que pagan latencia de API por tareas que correrían en CPU local en milisegundos, y muchas veces sin mejorar el resultado.

En esta charla vamos a ver, sobre casos reales, dónde el Machine Learning tradicional le sigue ganando a los LLMs en costo y velocidad. También cuándo el LLM sí es la herramienta correcta, y cómo combinarlos en arquitecturas híbridas que aprovechan lo mejor de cada mundo.

Un ejemplo típico: agentes tipo OpenClaw resolviendo tareas repetitivas que con programación tradicional o un modelo clásico corren cientos de veces más rápido, a una fracción del costo, y son mucho más fáciles de debuggear cuando algo falla.

Qué vas a llevarte:
- Señales claras para detectar que tu pipeline actual está sufriendo por usar LLMs donde no corresponde
- Un criterio para decidir LLM vs ML clásico antes de escribir la primera línea de código
- Casos concretos con números: costo, latencia y precisión comparados
- Patrones de arquitectura híbrida para bajar consumo de tokens sin perder capacidad

Pensada para developers, data scientists y tech leads que tienen que decidir arquitectura y quieren un criterio claro para elegir herramienta, sin caer ni en el hype ni en el rechazo a la IA generativa.