La integración de modelos de lenguaje de gran escala (LLMs) en entornos corporativos, particularmente en sectores regulados como las telecomunicaciones, presenta desafíos únicos que van más allá del rendimiento puramente lingüístico. La soberanía de datos, las restricciones normativas y la sensibilidad de la información de clientes y redes obligan a las empresas a buscar alternativas a los modelos alojados en infraestructuras externas. En este contexto, el ajuste eficiente de parámetros mediante técnicas como LoRA (Low-Rank Adaptation) dentro del paradigma PEFT (Parameter-Efficient Fine-Tuning) se perfila como una solución pragmática para construir asistentes conversacionales especializados sin comprometer la seguridad ni incurrir en costos computacionales desorbitados. Un estudio reciente explora precisamente esta vía al aplicar LoRA sobre un modelo base de 3 mil millones de parámetros para crear un asistente de atención al cliente en telecomunicaciones, empleando una metodología de generación sintética de datos basada en un glosario de 52 términos técnicos del sector. Con aproximadamente 30.000 ejemplos de entrenamiento distribuidos en 1.560 escenarios de problemas, se evaluaron 16 configuraciones distintas de LoRA, variando hiperparámetros y módulos objetivo. Los resultados revelan una divergencia notable entre las métricas cuantitativas tradicionales y la calidad percibida por evaluadores humanos o sistemas de juicio basados en LLM: la mejor pérdida de validación (0,5024) solo alcanzó el sexto o séptimo puesto en rankings cualitativos, mientras que la peor pérdida (0,6807) fue considerada la mejor por dos jueces automáticos. Este hallazgo subraya la insuficiencia de emplear únicamente la pérdida como criterio de selección de configuraciones en sistemas conversacionales, y abre la puerta a enfoques de evaluación más holísticos que consideren aspectos como la fluidez, la coherencia contextual y la capacidad de manejo de situaciones complejas. Para las empresas de telecomunicaciones que buscan implementar soluciones de inteligencia artificial respetando la privacidad y las normativas locales, este tipo de estudios proporciona una hoja de ruta práctica: combinar generación de datos sintéticos con ajuste eficiente y evaluación cualitativa permite optimizar recursos sin sacrificar la calidad de la interacción. En Q2BSTUDIO, como empresa de desarrollo de software y tecnología, entendemos estos desafíos y ofrecemos servicios especializados que van desde el desarrollo de aplicaciones a medida hasta la integración de agentes IA y plataformas de inteligencia artificial para empresas. Nuestra experiencia abarca también la implementación de servicios cloud AWS y Azure, ciberseguridad, servicios de inteligencia de negocio con Power BI, y soluciones de automatización de procesos. La capacidad de adaptar modelos de lenguaje mediante LoRA, combinada con una infraestructura cloud segura, permite a las organizaciones desplegar asistentes virtuales que mantienen el control total sobre los datos sensibles. Además, la evaluación con métricas cualitativas, como las que emplean los propios LLM como jueces, resulta clave para garantizar que la experiencia del usuario final sea satisfactoria. En este sentido, la colaboración entre expertos en software a medida y especialistas en IA permite construir sistemas robustos, eficientes energéticamente y alineados con las necesidades reales del negocio. La tendencia hacia modelos más ligeros y eficientes, junto con metodologías de evaluación más centradas en el usuario, marcará el futuro de la atención al cliente en sectores regulados.