¿IA pública o IA privada? Por qué la mejor respuesta es la mezcla

Hay una conversación que tenemos casi cada semana. Una empresa ha hecho su prueba piloto con IA, ha funcionado, todo el mundo contento… y entonces llega la factura del mes. La pregunta deja de ser «¿esto funciona?» para pasar a ser «¿esto lo puedo pagar cada mes, para siempre?».

Esta segunda pregunta es la que casi nadie se hace antes de empezar. Y es la que decide si un proyecto de inteligencia artificial acaba en producción o acaba en un cajón. En Alterego llevamos tiempo dándole vueltas, y la conclusión es poco épica pero muy rentable: la mejor solución de IA para una empresa casi nunca es una sola IA. Es una mezcla.

El problema no es la inteligencia, es la factura

Los modelos de frontera —Claude, GPT y compañía— son extraordinarios. Hacen cosas que hace dos años eran ciencia ficción. Pero se pagan por uso: mientras la IA es un experimento de tres personas, pagas poco porque usas poco. El problema aparece exactamente cuando el proyecto tiene éxito. Si gusta, se usa. Y si se usa, la factura crece.

Añadimos un segundo factor: hay información que simplemente no puede salir de casa. Historiales, expedientes, contratos, datos de clientes. No es solo RGPD —que también—, es dormir tranquilo. Ante eso el mercado suele ofrecer dos respuestas malas: todo en la nube «y ya pagarás», o todo en casa con un modelo mediocre. Nosotros trabajamos la tercera.

Línea 1: IA pública, para cuando hace falta el máximo

Integramos modelos de frontera en procesos reales de cliente: análisis documental, atención, generación de contenido y automatización de oficina. Cuando una tarea pide razonamiento complejo, matices, creatividad o contexto larguísimo, un modelo de frontera gana. Intentar sustituirlo por un modelo pequeño solo porque es más barato es el ahorro que acaba saliendo carísimo.

Nuestro papel no es vender tokens: es diseñar el flujo de trabajo, conectarlo a los sistemas que la empresa ya tiene y medir qué ocurre de verdad. Una IA que nadie sabe qué hace es una IA que nadie puede optimizar.

Línea 2: IA privada, de coste variable a coste fijo

La segunda línea consiste en montar infraestructura de inferencia propia y ejecutar modelos de pesos abiertos. Para buena parte de las tareas de empresa —clasificar, extraer, resumir, responder con contexto, buscar dentro de la documentación interna— ya rinden perfectamente.

El cambio económico es lo que importa: con IA pública el coste es variable y sube con el uso; con IA privada el coste es fijo y previsible, y escalar el uso baja el coste unitario. Los datos sensibles no salen nunca de la organización. Cuando pasas de pagar por cada consulta a una cuota de infraestructura, la conversación interna cambia: deja de ser «¿cómo limitamos la IA?» y pasa a ser «¿dónde más la podemos poner?».

La tesis: no elegir, combinar

No creemos en la disyuntiva. Creemos en la arquitectura híbrida: una capa de enrutado decide, para cada tarea, qué modelo debe resolverla. El grueso del volumen —clasificaciones, extracciones, resúmenes, búsquedas internas— va al modelo privado. La minoría exigente —el caso difícil, el documento ambiguo, la decisión delicada— escala hacia el modelo público de frontera.

El resultado mantiene el nivel de inteligencia donde hace falta y un coste que la empresa puede presupuestar. No es lo más barato ni lo más potente posible: es el mejor equilibrio. Que, en la vida real de una empresa, es exactamente lo que necesitas.

Conectores MCP: la IA que toca los sistemas reales

Un modelo brillante aislado de tu ERP es un becario muy caro encerrado en un despacho sin ventanas. Por eso desarrollamos soluciones MCP (Model Context Protocol): conectores para que un modelo —público o privado— consulte el CRM, lea documentación interna, escriba en la base de datos o lance un proceso. Es la pieza que convierte un chat en una herramienta de trabajo.

Construir la integración una vez y que funcione con cualquier modelo y cliente es protección de la inversión: si dentro de seis meses cambias de modelo, el trabajo de integración no se tira.

IA aplicada, no IA de feria

Nuestra forma de trabajar no cambia: primero entender qué proceso de la empresa duele, después decidir qué tecnología toca y, solo al final, hablar de modelos. Al revés —empezar por la tecnología y buscarle un problema— es como se queman presupuestos enteros sin que cambie nada.

Si en tu empresa estáis en el punto de «nos gusta, pero los números no salen» o de «esto no lo podemos subir a la nube», probablemente la respuesta no sea elegir mejor el proveedor. Sea combinarlos bien.