“IA privada” se utiliza para describir desde “hemos desactivado el entrenamiento en nuestra cuenta SaaS” hasta “ejecutamos modelos abiertos en nuestras propias GPUs dentro de una red aislada”. No son lo mismo.
Para las pymes, la arquitectura de IA privada adecuada depende de los datos, la tarea, los requisitos de calidad y la capacidad del equipo para operar la infraestructura. La opción más privada no siempre es la mejor; la más capaz puede no ser aceptable para determinados datos, y la más barata puede encarecerse si exige atención constante de ingeniería.
Este artículo ofrece un mapa práctico.
Empieza por clasificar los datos, no por la preferencia de modelo. Un modelo modesto dentro del límite de privacidad correcto es mejor que uno de vanguardia alimentado con datos que nunca debería recibir.
Los cinco patrones de despliegue
| Patrón | ¿Qué es? | Mejor para | Limitación principal |
|---|---|---|---|
| SaaS de consumidor | Cuentas personales de ChatGPT/Claude/Gemini | Tareas de bajo riesgo públicas o personales | Controles empresariales débiles |
| SaaS empresarial | Nivel empresarial con administración, SSO, retención, opción de no entrenamiento | Trabajo normal de la mayoría de las empresas | Los datos aún salen de tu entorno |
| VPC o nube privada | Endpoint de modelo gestionado dentro de un perímetro de nube controlado | Cargas confidenciales que necesitan un aislamiento más sólido | Mayor coste y configuración |
| Inferencia con alojamiento propio | Ejecutas modelos abiertos en tu propia infraestructura | Datos restringidos, modelos personalizados, economías de escala | Carga operativa |
| Modelos locales en el dispositivo | El modelo se ejecuta en un portátil, una estación de trabajo o un dispositivo de edge | Tareas sin conexión, sensibles y de baja latencia | Modelos más pequeños y limitaciones del dispositivo |
La mayoría de las empresas necesitan más de un patrón. El objetivo no es elegir uno para siempre. El objetivo es enrutar cada caso de uso al límite correcto.
Clasifica los datos primero
Usa cuatro categorías:
| Datos | Ejemplos | Límite de IA por defecto |
|---|---|---|
| Públicos | Copia de sitio web, documentos publicados, investigación pública | Cualquier herramienta aprobada |
| Internos | Notas de proceso, ejemplos anonimizados, borradores no sensibles | SaaS empresarial |
| Confidenciales | Datos de clientes, contratos, código fuente, finanzas, estrategia | SaaS empresarial con controles, VPC o alojamiento propio |
| Restringidos | Datos de salud, información protegida por secreto profesional, investigaciones de RRHH, registros regulados, credenciales | Revisión jurídica y de seguridad; a menudo local, VPC o sin IA |
Esta clasificación evita un error común: usar el mismo asistente para borradores de blog públicos y registros de clientes confidenciales porque es conveniente.
Patrón 1: SaaS empresarial como opción por defecto
Para muchas pymes, el SaaS empresarial es la opción correcta por defecto. ChatGPT Enterprise/Business, Claude for Work, Microsoft Copilot, Gemini for Workspace y herramientas similares suelen ofrecer:
- Exclusión contractual del entrenamiento.
- Controles de administración.
- SSO y gestión de acceso.
- Controles de retención.
- Registros de auditoría.
- Documentación de seguridad.
- Soporte del proveedor.
Esto es suficiente para una gran parte del trabajo: escritura, resumen, investigación, notas de reunión, análisis interno y uso aprobado de contexto de clientes.
La clave está en la configuración. No basta con comprar el plan para el equipo. Define la retención, el uso compartido, el acceso a conectores, los espacios de trabajo aprobados y las normas sobre datos.
Patrón 2: VPC o nube privada
Los patrones de VPC/nube privada son útiles cuando los datos pueden salir de tu aplicación pero deben permanecer dentro de un límite de nube controlado. Ejemplos:
- Asistente de soporte al cliente sobre tickets confidenciales.
- Asistente de conocimiento interno sobre documentos sensibles.
- Extracción de documentos para contratos o facturas.
- Asistente específico de dominio donde necesitas un aislamiento de datos más fuerte que el SaaS.
Ventajas:
- Mejor aislamiento.
- Más control sobre redes y registros.
- Un proceso de compra más sencillo para clientes sensibles.
- Menor carga operativa que un alojamiento propio completo.
Limitaciones:
- Más caro que el SaaS.
- Más trabajo de integración.
- La elección de modelos puede ser más limitada.
- Aún dependes de la infraestructura del proveedor.
Para muchos sistemas empresariales serios, este es el punto medio práctico.
Patrón 3: Inferencia con alojamiento propio
El alojamiento propio significa que ejecutas la infraestructura del modelo: vLLM, TGI, SGLang, llama.cpp, Ollama u otro stack de servicio. Tiene sentido cuando:
- Los datos no pueden salir de tu entorno.
- Necesitas un modelo abierto personalizado o ajustado.
- El volumen de inferencia es lo suficientemente alto como para justificar la infraestructura.
- Las necesidades de latencia o disponibilidad requieren control directo.
- Tienes personas que pueden operarlo.
No elijas el alojamiento propio solo porque parezca la opción más pura. El coste operativo es real: capacidad de GPU, monitorización, actualizaciones, parches de seguridad, evaluación de modelos, escalado y respuesta a incidentes.
El alojamiento propio es una opción sólida para la organización adecuada. En un equipo pequeño sin experiencia en infraestructura de ML, puede convertirse en un proyecto secundario frágil.
Patrón 4: Modelos en dispositivo local
Los modelos locales están infravalorados para el trabajo individual sensible a la privacidad:
- Resumir notas locales.
- Redactar desde documentos privados.
- Clasificar fragmentos internos.
- Trabajo en campo sin conexión.
- Flujos de trabajo en el borde donde importa la latencia.
El compromiso está en la calidad. Un modelo local pequeño puede bastar para resumir, clasificar, extraer y redactar primeros borradores, pero no igualará a los modelos de vanguardia alojados en tareas de razonamiento o escritura complejos ni en un uso amplio de herramientas.
Usa modelos locales cuando la tarea esté acotada y el límite de privacidad importe más que la calidad de vanguardia.
Patrón 5: Enrutamiento híbrido
El patrón maduro es híbrido:
- Tareas públicas y de bajo riesgo van al SaaS empresarial.
- La recuperación confidencial ocurre dentro de un sistema RAG privado.
- La extracción restringida se ejecuta localmente o en un VPC.
- La redacción final puede usar un modelo de vanguardia después de eliminar los campos sensibles.
- Los registros y evaluaciones deciden si cada ruta funciona.
El enrutamiento híbrido te permite usar modelos fuertes sin tratar cada registro de la misma manera. Requiere disciplina:
- Clasificación de datos antes del enrutamiento.
- Supresión donde sea posible.
- Lista de modelos y herramientas permitidos.
- Registros que documenten qué perímetro se utilizó.
- Vía alternativa cuando el modelo privado no pueda completar la tarea.
Marco de decisión
Haz seis preguntas:
- ¿Qué datos entran en el modelo? Públicos, internos, confidenciales, restringidos.
- ¿Qué impacto tiene la salida? Borrador, recomendación, decisión o acción de cara al cliente.
- ¿Qué calidad se requiere? Suficiente, nivel experto, razonamiento de vanguardia.
- ¿Qué latencia se requiere? Interactiva, por lotes, en tiempo real, sin conexión.
- ¿Qué capacidad operativa existe? Ningún equipo de infraestructura, equipo de aplicaciones, equipo de plataforma o MLOps.
- ¿Qué pruebas necesitan los clientes o reguladores? Documentación del proveedor, registros, residencia de datos, trazabilidad de auditoría y aislamiento.
Luego elige el patrón de menor complejidad que satisfaga las necesidades de datos y calidad.
No hagas esto aún
No adoptes el alojamiento propio antes de medir la carga de trabajo y los requisitos de calidad.
No envíes datos restringidos a herramientas de consumidor.
No presupongas que “open source” significa privado. Solo lo será si el despliegue, los registros, el acceso y el flujo de datos también lo son.
No construyas un gran gateway de IA sin clasificar los datos: podría enrutar de forma incorrecta información sensible.
No ignores las evaluaciones. La IA privada pero incorrecta sigue siendo incorrecta.
Punto de partida práctico para una pyme
Para la mayoría de las pymes:
- Aprueba un asistente de SaaS empresarial para el trabajo general.
- Escribe una regla de clasificación de datos.
- Bloquea los datos restringidos a menos que se revisen.
- Construye un flujo de trabajo privado RAG o en VPC para el caso de uso confidencial más valioso.
- Usa modelos locales para tareas sensibles acotadas en las que la calidad sea aceptable.
- Evalúa el alojamiento propio solo cuando la privacidad, la personalización o el coste lo justifiquen claramente.
Así, la organización obtiene una ruta hacia un diseño privado sin asumir que cada caso de uso de IA necesita un clúster de GPU.
El mensaje clave
La IA privada es una arquitectura ajustada a los datos. La respuesta correcta rara vez es “todo SaaS” o “todo con alojamiento propio”. Suele ser una cartera: SaaS empresarial para el trabajo habitual, sistemas privados o VPC para flujos confidenciales, modelos locales para tareas sensibles acotadas y alojamiento propio cuando la escala o el control realmente lo exijan.
Elige según los datos, el impacto, la calidad, la latencia, las operaciones y las pruebas necesarias. Es la versión menos llamativa, pero también la que sobrevive en producción.
