Python sigue siendo, con diferencia, el lenguaje sobre el que se construye la inteligencia artificial moderna. Da igual si hablamos de modelos generativos enormes, de un clasificador pequeño para tu propia base de datos o de un servicio de inferencia montado en tu servidor: casi siempre acabas escribiendo código Python. Y la razón es la madurez de su ecosistema: décadas de bibliotecas estables, usadas por millones de personas y mejoradas de forma constante por la comunidad.

Hoy el problema no es encontrar herramientas, sino saber cuáles merecen la pena. En PyPI hay miles de paquetes, pero la realidad es que un puñado concentra casi todo el trabajo real. Esta es mi selección de las librerías que de verdad necesitas en 2026, agrupadas por la tarea que cubren y con su enlace oficial para que las tengas a mano.

La base de todos los proyectos: NumPy y Pandas

Antes de que cualquier red o modelo estadístico toque tus datos, estos pasan por dos librerías que pocos mencionan pero que están en todas las instalaciones: NumPy y Pandas.

NumPy es la biblioteca de cálculo numérico sobre la que se apoya todo el resto. Sus arrays multidimensionales y sus operaciones vectorizadas te permiten procesar decenas de millones de registros sin escribir bucles lentos. Todas las librerías de deep learning modernas, de PyTorch a TensorFlow, están construidas sobre esta estructura de datos.

Pandas, por su parte, es la navaja suiza de la limpieza de datos. El DataFrame se ha convertido en el formato estándar de citas cuando quieres trabajar con tablas: leer un CSV, filtrar columnas, agrupar por fechas, unir conjuntos o rellenar huecos son operaciones de dos o tres líneas. Si trabajas con datasets reales, que suelen llegar sucios, Pandas es lo primero que vas a instalar.

Deep learning: PyTorch manda en 2026

La biblioteca de referencia para redes neuronales es hoy PyTorch. Dominó la investigación académica y terminó conquistando también la industria. Sus puntos fuertes: un grafo de computación dinámico que hace fácil depurar, un desarrollo muy natural en Python, soporte excelente para GPU y una integración perfecta con el ecosistema de Hugging Face.

Si entrenas o afinas modelos propios, trabajas con transformers o montas algo mínimamente serio, PyTorch es la opción natural. TensorFlow y Keras siguen vivos y tienen su hueco, sobre todo en producción, pero prácticamente toda la investigación y la mayoría del código nuevo orbitan alrededor de PyTorch. A su lado, el ecosistema incluye torchvision (imágenes), torchaudio (audio) y el resto de piezas que completan el puzzle.

Modelos listos para usar: Hugging Face Transformers

Si no quieres entrenar un modelo desde cero, que es lo más común, Transformers es la puerta de entrada a casi cualquier modelo moderno. Con un par de líneas descargas pesos preentrenados, los pruebas con tu texto y los reutilizas sin preocuparte por las diferencias internas entre arquitecturas como GPT, Llama, Mistral u otras.

La acompaña la pieza Datasets, para manejar y filtrar grandes conjuntos de datos de forma eficiente, y The Hub, el repositorio donde se alojan y descargan los pesos. El flujo típico es sencillo: cargas un modelo preentrenado, le pasas un prompt y recibes la salida; o usas un clasificador para etiquetar textos o imágenes. Como en The Hub hay decenas de miles de modelos, probar un enfoque nuevo se convierte en un trabajo de dos líneas.

El ecosistema de agentes: LangChain y LlamaIndex

Cuando tu aplicación no solo produce texto, sino que recuerda contexto, razona y llama a herramientas externas, entras en el territorio de los agentes. Las dos opciones más consolidadas son LangChain y LlamaIndex.

LangChain es el marco "todo en uno" para orquestar agentes: encadenar llamadas a modelos, conectar con herramientas y APIs, mantener memoria de conversación y montar bases de conocimiento. Da mucha flexibilidad y cubre medio ecosistema.

LlamaIndex está más especializado en lo que se conoce como "chatear con tus documentos": indexa tus archivos, construye una base de conocimiento semántica y responde preguntas sobre ellos (el patrón RAG). Ambos funcionan con OpenAI, Gemini, Anthropic o modelos locales, y no se pelean: muchos proyectos usan los dos a la vez para partes distintas.

Ejecutar modelos en producción: vLLM, FastAPI y Ollama

Entrenar o cargar un modelo ya no es suficiente; hay que servir resultados de forma útil. Ahí entran otras tres piezas.

vLLM es el motor de inferencia de código abierto estándar para servir modelos grandes con gran eficiencia. Gracias a la gestión óptima de la memoria y a que agrupa varias peticiones de forma continua, consigue rendimientos y throughput mucho mayores, y expone una API compatible con OpenAI.

FastAPI es el framework web moderno de Python para envolver tu modelo en un endpoint propio. Definir una ruta que reciba tu prompt, llame al modelo y devuelva el texto es muy poco código, con validación de tipos, documentación automática y soporte asíncrono.

Y para pruebas locales o servidores pequeños, Ollama es la forma más rápida de descargar y ejecutar modelos en segundos con una API HTTP local y un cliente Python sencillo. Si no necesitas la máxima optimización y quieres simplicidad, es la vía más directa.

Aprendizaje automático clásico: Scikit-learn, XGBoost y LightGBM

No todo es deep learning. Una gran parte de problemas reales (clasificación, regresión, clustering) se resuelve mejor con métodos clásicos: más rápidos, más fáciles de explicar y a menudo suficientes para volúmenes moderados de datos.

Scikit-learn es la biblioteca de referencia para ML clásico: preprocesado, modelo de selección, métricas y pipelines completos. XGBoost y LightGBM son las dos implementaciones más potentes de gradient boosting, esas que casi siempre ganan en problemas tabulares y en competiciones. LightGBM destaca por entrenarse muy deprisa.

Una regla práctica: si tu problema es de tablas, empieza por aquí. El deep learning y la IA generativa entran mejor en escena cuando tienes texto, imágenes, audio o patrones muy complejos.

Visión y audio: OpenCV y Whisper

Para cerrar, la visión por computador y el audio tienen sus referentes. OpenCV es la biblioteca de visión que lo hace casi todo: cargar imágenes, filtrar, transformar, detectar contornos y mucho más. Da igual el framework de deep learning que uses: antes o después acabas con OpenCV para preparar imágenes.

En audio, Whisper se ha convertido en el modelo de transcripción estándar. Convierte audio y voz en texto con una calidad excelente y puedes ejecutarlo en local sin potencia de GPU muy grande. Es ideal para generar subtítulos, transcribir reuniones o, por qué no, tus propios videos antes de publicarlos.

Monta un entorno limpio

Con tantas librerías, la siguiente pregunta es cómo no romper el sistema al instalarlas. La respuesta siempre es el mismo: un entorno virtual aislado.

ice-tech
python -m venv .venv
source .venv/bin/activate
pip install torch transformers langchain fastapi

Eso aísla las dependencias y evita que una actualización rompa lo que ya tienes. Otro consejo que te ahorrará sustos: sigue siempre las instrucciones de instalación oficial de cada biblioteca, sobre todo en PyTorch, donde la versión con CUDA o sin CUDA cambia completamente el comando de pip.

Conclusión

Python e IA funcionan porque las librerías se apoyan unas en otras: NumPy y Pandas sostienen los datos, PyTorch el entrenamiento, Transformers los modelos preentrenados, LangChain y LlamaIndex la orquestación de agentes, vLLM, FastAPI y Ollama la producción, y Scikit-learn, OpenCV y Whisper el resto de casos. Conocer bien la librería que resuelve cada tipo de problema te da un fundamento sólido que no depende del ruido de la herramienta de moda.

No necesitas dominarlas todas a la vez. Elige el punto de partida según lo que quieras hacer: si tu objetivo es chatear con tus documentos, empieza por LlamaIndex; si entrenas desde cero, por PyTorch; si solo quieres servir un chat en local, por Ollama. El resto de la cadena aparecerá solo cuando haga falta. Con empezar por una y dejar que las demás lleguen según las habilites, tendrás un ecosistema completo funcionando en una tarde.