Python en 2025: de lenguaje de scripting a columna vertebral de la IA generativa empresarial
En octubre de 2020 publicábamos que Python era «el lenguaje del futuro». Cinco años después, la afirmación se queda corta: Python no es el futuro, es el presente operativo de cualquier iniciativa seria de IA generativa, agentes autónomos y modernización de legado en España y Europa.
El problema real en 2025-2026 no es elegir Python —esa batalla se ganó—. El problema es escalarlo en producción con gobernanza, observabilidad y ROI medible mientras el ecosistema cambia cada 6 meses: GPT-4o, Claude 4, LangGraph, CrewAI, AutoGen, MCP (Model Context Protocol), vLLM, Ollama. Las empresas que tratamos en BAOSS no preguntan «¿Python o Java?». Preguntan: «¿Cómo paso de un PoC en notebook a un agente en producción que resuelva tickets reales sin alucinar y que audite sus decisiones?».
El cambio de paradigma 2024-2025: de librerías a runtimes de agentes
Hasta 2023, el stack Python de IA era predecible: pandas, scikit-learn, PyTorch/TensorFlow, FastAPI para servir. Hoy, el 78% de los proyectos nuevos que auditamos en BAOSS (datos internos, Q1 2025, n=47) requieren orquestación de agentes multi-paso con memoria, tool-use, RAG híbrido y evaluación continua. Las librerías «clásicas» son ahora capas bajas; la lógica de negocio vive en LangGraph, CrewAI, AutoGen o Semantic Kernel.
- LangGraph (LangChain): grafos de estado cíclicos, checkpoints, human-in-the-loop nativo. Estándar de facto para agentes deterministas.
- CrewAI: roles, delegación, flujos secuenciales/jerárquicos. Ideal para pipelines documentales (legal, compliance, RFP).
- AutoGen (Microsoft): conversación multi-agente, code execution sandbox, patrones de «group chat».
- MCP (Model Context Protocol): estandariza cómo los agentes descubren y usan herramientas externas (bases de datos, APIs, sistemas de archivos). Clave para gobernanza y auditoría.
En BAOSS hemos estandarizado internamente sobre LangGraph + MCP + vLLM/Ollama para inferencia local cuando el cliente exige soberanía de datos (banca, sanidad, sector público). Para cargas de trabajo menos sensibles, Azure OpenAI / Anthropic Claude 4 via API con observabilidad LangSmith o Arize Phoenix.
Caso real anonimizado: Banca media — Agente de resolución de reclamaciones (Q4 2024)
Contexto: Entidad financiera española (activos >15.000M€). 12.000 reclamaciones/mes, 65% requerían intervención manual media de 4,2 horas. Objetivo: automatizar clasificación, enriquecimiento de datos y propuesta de resolución con supervisión humana.
- Arquitectura: LangGraph (orquestación) + MCP servers (acceso a core bancario, CRM, histórico PDF) + vLLM sirviendo Llama-3.1-70B-Instruct en clúster GPU on-prem (soberanía datos).
- RAG híbrido: Vector store (Qdrant) para jurisprudencia interna + SQL directo para saldos/transacciones via MCP tool-calling tipado (Pydantic).
- Evaluación: Dataset golden 2.000 casos. Métricas: accuracy clasificación 94,2%, hallucination rate <0,8% (guardrails NeMo + prompt engineering iterativo), latencia P95 3,4s.
Resultados a 6 meses (producción real, no PoC):
- Resolución automática end-to-end: 41% de reclamaciones (target 35%).
- Tiempo medio gestión (human-in-the-loop): 1,1h vs 4,2h (-74%).
- ROI: 3,2x en 6 meses (ahorro FTE + reducción penalizaciones regulatorias por SLA).
- Coste inferencia on-prem: 0,018€/reclamación vs 0,12€/reclamación API cerrada (factor 6,6x).
Clave técnica: MCP permitió aislar el acceso a core bancario detrás de contratos versionados. El agente no «habla SQL crudo»; invoca get_customer_balance(customer_id: str, as_of: datetime) -> BalanceResponse. Auditoría completa, rollback trivial, zero-trust por diseño.
Caso real anonimizado: Retail multinacional — Agente de procurement autónomo (Q1 2025)
Contexto: 3.200 proveedores, 180.000 órdenes compra/año. Problema: conciliación facturas-OC-recepción mercancía con 23% discrepancias, 15 días ciclo medio.
- Stack: CrewAI (3 agentes: Collector, Matcher, Resolver) + Ollama (Qwen2.5-32B local) + PostgreSQL + MinIO para PDFs.
- Innovación: Agente Collector usa browser-use (Playwright + LLM) para descargar facturas de portales proveedoras de proveedores sin API (scraping ético, rate-limited, con consentimiento contractual).
- Memoria a largo plazo: LangGraph checkpoints + base de conocimiento vectorial de disputas resueltas (few-shot dinámico).
Métricas 3 meses post-go-live:
- Conciliación automática: 68% facturas (baseline 12% reglas deterministas).
- Ciclo medio: 3,2 días (-79%).
- Falsos positivos (auto-aprobación errónea): 0,3% (umbral confianza 0,92 + human-in-the-loop obligatorio >50k€).
- Ahorro estimado/año: 1,1M€ (cash-flow + FTE + descuentos pronto pago capturados).
Python en producción 2025: lo que nadie cuenta en los tutoriales
1. Observabilidad ≠ logging. Es eval-driven development
En BAOSS exigimos a todo proyecto GenAI: dataset de evaluación versionado, métricas de negocio (no solo BLEU/ROUGE), alertas de deriva semántica. Herramientas: LangSmith, Arize Phoenix, Opik (Comet), o Ragas para RAG. Sin esto, no hay go-live. Punto.
2. Inferencia local: vLLM + Ollama + GPU sharing
Para cargas sostenidas (>500 req/min), vLLM (PagedAttention, continuous batching) reduce 3-5x el coste vs API. Ollama simplifica ciclo de vida modelos (pull, serve, update) en entornos air-gapped. GPU sharing (NVIDIA MIG, k8s device plugin) permite multi-tenancy seguro. En el caso banca: 4x A100 80GB particionadas en 8 instancias vLLM, 99,2% disponibilidad.
3. Tipado estricto como contrato de agente
Pydantic v2 + pydantic-ai + instructor son innegociables. El tool-calling de GPT-4o/Claude 4 respeta esquemas JSON Schema estrictos; si tu MCP server devuelve Optional[List[Transaction]], el agente lo entiende. Sin tipado, el 40% de fallos en producción son «el LLM inventó un campo». Lo medimos.
4. Testing de agentes: property-based + simulation
No basta con pytest. Usamos Hypothesis (property-based) para generar miles de inputs adversariales + simulación de trayectorias en LangGraph (checkpoint + replay). Detectamos bucles infinitos, tool-calls inválidos, fuga de contexto antes de staging.
Cuándo NO recomendar Python (honestidad de consultora)
- Latencia hard real-time <10ms (trading HFT, control industrial): Rust/C++/Zig.
- Mobile/native desktop (aunque BeeWare/Kivy avanzan, no es su fuerte): Swift/Kotlin/Flutter.
- Equipo sin cultura Python y deadline 4 semanas: mejor TypeScript/Node (ecosistema IA maduro: Vercel AI SDK, LangChain.js, Mastra).
- Monolito legado .NET/Java sin apetito de refactor: sidecar pattern (agente Python expuesto via gRPC/REST, legado invoca). Hemos hecho 12 integraciones así en 2024; funciona.
El stack BAOSS 2025-2026 (opinionated, probado en producción)
| Capa | Elección | Razón |
|---|---|---|
| Orquestación agentes | LangGraph (primary), CrewAI (documental) | Grafos de estado, checkpoints, HIL, debugging visual |
| Protocolo herramientas | MCP (servers tipados Pydantic) | Gobernanza, versionado, zero-trust, multi-lenguaje |
| Inferencia LLM | vLLM (on-prem), Azure OpenAI / Anthropic (cloud) | Coste/control vs comodidad/latencia |
| Modelos locales | Llama-3.1-70B/8B, Qwen2.5-32B/7B, Nemotron-3-Ultra | Benchmarks internos: calidad/coste/latencia |
| RAG / Vector DB | Qdrant (primary), pgvector (simple), Milvus (escala) | Filtrado metadata, hybrid search, multi-tenancy |
| Evaluación / Observabilidad | LangSmith + Ragas + Arize Phoenix | Trazas completas, evals continuos, alertas deriva |
| Testing | pytest + Hypothesis + LangGraph simulation | Property-based + replay determinista |
| API / Serving | FastAPI + Pydantic v2 + structured logging (structlog) | OpenAPI nativo, tipado end-to-end |
| Infra / Deploy | Kubernetes (EKS/AKS/GKE/on-prem) + ArgoCD + KServe | GitOps, canary, autoscaling GPUs, model versioning |
| Seguridad / Guardrails | NeMo Guardrails + Lakera + prompt templates versionados | Inyección prompt, PII, topic control, jailbreak |
Métricas que importan al CTO/CFO (no al data scientist)
En 2025, la conversación en BAOSS empieza por KPIs de negocio, no por accuracy del modelo. Nuestros dashboards estándar por proyecto:
- Coste por transacción resuelta (€/ticket, €/factura, €/reclamación).
- Tasa de automatización real (% casos end-to-end sin humano).
- Tiempo medio resolución (MTTR) con vs sin agente.
- Hallucination rate en producción (muestreo humano semanal + guardrails automáticos).
- Deriva semántica (embedding drift + eval set regression).
- ROI rolling 12 meses (CAPEX infra + OPEX inferencia + FTE ahorrado).
Si un proyecto no mueve estas agujas en 90 días, paramos y rediseñamos. No hacemos «innovation theater».