¿Por qué la implantación de la IA será híbrida?
Un estudio publicado a principios de este año por Lenovo señala que una solución de IA implementada en las propias instalaciones ofrece una ventaja en términos de costes de hasta 8 veces mayor en comparación con una implementación en la nube (IaaS), y de hasta 18 veces mayor en comparación con el uso de modelos LLM de última generación, accesibles a través de una API.
Aunque recientemente se han producido reducciones superiores al 50 % en el precio por token de algunos modelos de LLM ofrecidos por Anthropic y OpenAI, y aunque el estudio de Lenovo omite costes relevantes de la alternativa on-premises —como la mano de obra especializada y las licencias de software—, es evidente que, especialmente en implementaciones a medio y largo plazo con un elevado volumen de consumo de tokens, debe considerarse seriamente un enfoque híbrido de IA.
Además, el coste no es la única variable relevante en esta ecuación. La soberanía de los datos representa otro factor crítico a tener en cuenta, especialmente en un momento en el que el uso de la inteligencia artificial está recibiendo una atención cada vez mayor por parte de las instituciones gubernamentales de todo el mundo y en el que se están empezando a implementar marcos de gobernanza de la IA en diversas jurisdicciones. En este contexto, la gestión adecuada de los datos cobra aún más importancia estratégica, sobre todo para las empresas que operan en los sectores financiero, sanitario y gubernamental, donde los requisitos normativos en materia de privacidad y ubicación de los datos son especialmente estrictos.
A estos factores se suman consideraciones de carácter técnico, como la latencia y la capacidad de los modelos. Ciertas demandas —especialmente aquellas que implican grandes volúmenes de datos— pueden no ser adecuadas para su procesamiento en la nube, ya sea por restricciones de rendimiento o por el tiempo de respuesta exigido, lo que convierte a la infraestructura local en la opción más adecuada. Por otro lado, dado que los modelos disponibles a través de la API suelen incorporar las innovaciones más recientes, las tareas de mayor complejidad y sofisticación pueden requerir, necesariamente, el uso de la nube.
Desde cualquier punto de vista, la adopción de la inteligencia artificial en las empresas tiende a seguir un modelo híbrido. En general, las fases de exploración, creación de prototipos y pruebas se benefician de los modelos disponibles en la nube: son fáciles de implementar, asequibles, seguros para la experimentación y permiten obtener resultados rápidos. A medida que estos sistemas y aplicaciones maduran y migran a entornos de producción, la tendencia es que pasen a ejecutarse en una infraestructura local, donde el control, el rendimiento y la eficiencia de costes a gran escala se convierten en factores determinantes.
No es casualidad que estemos asistiendo a la aparición de plataformas de IA destinadas a coordinar este enfoque híbrido. Se trata de soluciones agnósticas, capaces de integrarse con cualquier modelo o proveedor disponible en el mercado, que permiten a los agentes cambiar dinámicamente su modelo LLM subyacente en función de variables como el coste por token, el volumen de datos o la naturaleza de la tarea ejecutada, y que implementan una capa de seguridad mediante «guardrails» sobre cualquier LLM que utilice la plataforma —o que se incorpore en el futuro—.
Por lo tanto, la cuestión no es elegir entre la nube y las instalaciones propias, sino desarrollar una estrategia de IA que aproveche lo mejor de cada enfoque. Las empresas que comprendan esta dinámica —y que inviertan en la gobernanza, la arquitectura y las herramientas adecuadas para gestionarla— estarán mejor posicionadas para ampliar su trayectoria en IA con seguridad, eficiencia y sostenibilidad económica a largo plazo.