Conectar múltiples modelos de lenguaje sin reescribir código para cada proveedor es posible gracias a una capa de abstracción bien diseñada. El AI SDK de Vercel permite exactamente eso: una sola estructura de código que funciona con OpenAI, Anthropic y Google cambiando apenas unas líneas. A continuación se detalla cómo crear el proyecto desde cero, configurar cada proveedor y ejecutar la primera llamada real a un modelo de lenguaje.
¿Cómo inicializar un proyecto de TypeScript con el AI SDK?
El punto de partida es una carpeta vacía. Desde la terminal se ejecuta npm init -y para generar el archivo package.json con valores por defecto [0:39]. Después se instalan dos dependencias fundamentales:
ai: la librería principal del AI SDK de Vercel, que expone funciones como generateText [0:52].@ai-sdk/openai: el paquete específico para conectarse a OpenAI [1:05].
bash
npm install ai
npm install @ai-sdk/openai
Con eso listo, se crea un archivo index.ts donde se escribe toda la lógica. La estructura mínima importa dos cosas: la función generateText desde la librería ai y la función constructora openai desde @ai-sdk/openai [1:24].
typescript
import { generateText } from "ai";
import { openai } from "@ai-sdk/openai";
async function main() {
const { text } = await generateText({
model: openai("gpt-5"),
prompt: "¿Cuál es la capital de Colombia?",
});
console.log(text);
}
main();
El patrón es claro: se pasa un model y un prompt. La función generateText se encarga de todo lo demás under the hood [1:40].
¿Qué ocurre con las API keys y los errores comunes?
Al ejecutar sin una API key configurada, el SDK lanza un error explícito indicando que falta la variable OPENAI_API_KEY [2:16]. La solución es crear un archivo .env.local y agregar la clave obtenida previamente en la plataforma de OpenAI [2:32].
Otro error frecuente es especificar un modelo que no existe. En el ejemplo, la documentación sugería gpt-5.3-chat, pero ese nombre no era válido; al cambiarlo a gpt-5 la llamada funcionó correctamente [2:50]. La respuesta fue directa: "Bogotá, D.C. es la capital de Colombia" [3:14].
¿Cómo cambiar de OpenAI a Anthropic sin modificar la estructura?
El verdadero poder de esta abstracción se demuestra al cambiar de proveedor. Los pasos son mínimos [3:30]:
- Instalar el paquete de Anthropic:
npm install @ai-sdk/anthropic.
- Importar la función
anthropic en lugar de openai.
- Especificar el modelo, por ejemplo
claude-sonnet-4-20250514.
- Agregar la variable
ANTHROPIC_API_KEY al archivo de entorno.
typescript
import { anthropic } from "@ai-sdk/anthropic";
const { text } = await generateText({
model: anthropic("claude-sonnet-4-20250514"),
prompt: "¿Cuál es la capital de Colombia?",
});
La respuesta de Anthropic fue mucho más elaborada que la de OpenAI, incluyendo el nombre oficial "Bogotá, Distrito Capital" y una descripción adicional [4:23]. Esto refleja las diferencias entre modelos: unos más económicos, otros más potentes, unos más rápidos y otros más detallados.
¿Cómo integrar Google Gemini con el mismo patrón?
Para Google se repite la misma dinámica [5:08]:
- Instalar
@ai-sdk/google.
- Importar la función
google.
- Configurar la variable
GOOGLE_GENERATIVE_AI_API_KEY (el nombre es más largo que en los otros proveedores).
- Seleccionar un modelo como
gemini-2.0-flash en su versión preview para cuentas gratuitas.
typescript
import { google } from "@ai-sdk/google";
const { text } = await generateText({
model: google("gemini-2.0-flash"),
prompt: "¿Cuál es la capital de Colombia?",
});
Al ser un modelo preview y más liviano, respondió más rápido pero con menos elaboración: "La capital de Colombia es Bogotá" [5:55]. Los modelos frontera ofrecen respuestas más completas, mientras que los modelos ligeros priorizan velocidad y bajo costo.
¿Por qué es tan importante la capa unificada del AI SDK?
Al finalizar la integración con los tres proveedores, el archivo package.json contiene cuatro dependencias: ai, @ai-sdk/openai, @ai-sdk/anthropic y @ai-sdk/google [5:25]. Sin embargo, la función generateText nunca cambió. Esa es la clave de una buena abstracción: separar la lógica de negocio de los detalles de implementación de cada proveedor [6:28].
Lo único que varía entre un proveedor y otro es:
- La importación de la librería específica.
- El nombre del modelo dentro de la función constructora.
- La variable de entorno con la API key correspondiente.
Esto significa que puedes comparar modelos cambiando dos líneas, evaluar costos y velocidad sin reescribir la arquitectura de tu aplicación. Vercel se encarga de la comunicación con cada proveedor, y tú te concentras en construir.
Si ya probaste la conexión desde la terminal, el siguiente paso natural es llevar esto a una interfaz visual en el navegador. ¿Con cuál de los tres proveedores te gustaría experimentar primero? Compártelo en los comentarios.
