IA local: gobernanza antes de la compra de hardware

Cuatro desarrollos en dos semanas demuestran que la IA operada en local va mucho más allá del stack tecnológico. Quien opera modelos por cuenta propia asume operación, responsabilidad y nuevas dependencias. Eso debe resolverse como decisión de gobernanza antes de que un piloto de herramienta se convierta en estándar operativo.

RelacionadoGobernanza del consejo de supervisión: reforzar de forma específica la competencia digital  /  Records Management como tema del CIO: por qué la gobernanza necesita ownership

En resumen

• La descarga de pesos del modelo traslada la responsabilidad del contrato con el proveedor al propio manual de operaciones.
• Open Weights, Open Source según la OSI y la excepción en el EU AI Act son tres cosas distintas. El departamento jurídico debe separarlas.
• La decisión solo es sólida cuando la clase de datos, el responsable, la licencia, la operación y la salida están aclarados antes de la compra de hardware.

Cuatro señales que van de la mano

El debate se adelanta a la disponibilidad. A principios de agosto circulan rankings de los mejores modelos abiertos en los que figura muy adelante un modelo cuyos pesos aún no se han publicado. El propio Alibaba los ha anunciado para la semana siguiente. Los expertos lo han corregido, pero los rankings llegaron primero. Quien derive de esas fuentes presión de adquisición planifica contra un estado que no existe.

Un proveedor puede cambiar su posicionamiento en pleno funcionamiento. Ollama se ha consolidado como herramienta de IA local y ahora traslada modelos a una oferta cloud propia. En la comunidad se critica que se retengan modelos nuevos y populares para impulsar suscripciones; una herramienta que mantenga modelos tras un muro de pago acabaría siendo otro proveedor cloud con un paso intermedio. Es una postura de la comunidad y no un veredicto sobre la empresa. El punto estructural permanece: una estrategia de soberanía que se apoya en una sola herramienta solo ha desplazado la dependencia.

El panorama de proveedores se polariza en público. A finales de julio, Anthropic publicó una posición de principio sobre modelos de pesos abiertos que se ha debatido de forma amplia y controvertida. Casi al mismo tiempo, Moonshot liberó los pesos de Kimi K3. De un debate técnico ha surgido una división en bandos en la que la adquisición debe tomar partido en lugar de ampararse en un consenso de mercado.

La dimensión geopolítica ha llegado al mainstream. En el debate público circula la afirmación de que una parte considerable de las empresas apuesta ya por modelos chinos más baratos de pesos abiertos. Esa cifra procede de una entrevista y no está documentada. Como estadística de mercado no sirve; como termómetro del ánimo, sí: la pregunta entre cloud estadounidense o pesos abiertos chinos se plantea ya en la alta dirección.

Los Open Weights no son un pase libre

Las posturas están claras. Sebastian Raschka resume la utilidad de los modelos abiertos: permiten auditoría, se pueden verificar las afirmaciones y ejecutar los modelos en hardware propio sin entregar datos personales ni propiedad intelectual a proveedores cerrados. Andrew Chen de a16z aporta la visión de mercado y considera los modelos de punta sobredimensionados para la mayoría de los casos de uso. La contraposición es igual de nítida: muchos de estos modelos, por falta de recursos, no se pueden operar en local.

Para el cumplimiento normativo importa una distinción limpia. Open Weights significa: los pesos son descargables y la licencia regula el uso. Los datos de entrenamiento, el código de entrenamiento y la reproducibilidad no forman parte de ello. El open source según la definición de la OSI (Open Source Initiative), OSAID (Open Source AI Definition) 1.0, exige además Data Information: origen, alcance, métodos de obtención y selección, etiquetado, procesamiento y filtrado.

GLM-5.2 y DeepSeek V4 Pro están bajo licencia MIT, una licencia OSI genuina. Aun así, según la OSAID no son Open Source AI, porque faltan los datos de entrenamiento. Una licencia permisiva sobre los pesos y la IA de código abierto son dos cosas distintas. Aquí es donde debe mirar el departamento jurídico.

Kimi K3 lleva una licencia con cláusula de participación en beneficios: quien opera el modelo por su cuenta no paga nada. Quien lo ofrece como servicio de pago a terceros debe compartir ingresos. Para empresas que integran funciones de IA en productos propios, es una condición contractual relevante, no una nota a pie de página.

El AI Act de la UE agrava aún más la situación. El considerando 104 exige, para la excepción de modelos libres y de código abierto, parámetros, pesos e información de arquitectura y uso públicamente disponibles. La excepción cubre solo las obligaciones de transparencia. El resumen de los contenidos de entrenamiento y el cumplimiento del derecho de autor siguen vigentes. La cuestión interpretativa está abierta: leída de forma estricta según la OSI, casi todo modelo queda fuera de la excepción. Leída de forma laxa como Open Weights, también se cuelan modelos arriesgados. Por eso la contratación necesita un examen propio de licencia y del AI Act. El enlace de descarga por sí solo no basta.

La curva a la que no conviene atarse

Entre estas señales hay un desarrollo que apenas figura en las plantillas de contratación, pero que para las decisiones de arquitectura pesa más que cualquier titular del día: la clase de modelos que se ejecutan en hardware propio está alcanzando a la élite a un ritmo que no se alinea con los ciclos de inversión clásicos.

Un ejemplo verificable: Alibaba publicó en abril de 2026 un modelo denso de 27 mil millones de parámetros que se ejecuta en una sola tarjeta gráfica profesional. En uno de los benchmarks más duros de programación agéntica alcanza el 77,2 por ciento y supera así a su propio modelo insignia predecesor, de 397 mil millones de parámetros, que llegó al 76,2 por ciento. Unas quince veces más pequeño, algo mejor, tres meses y medio de diferencia. Lo que en primavera era de clase centro de datos, en verano ya corría en el puesto de trabajo.

El motor es una competencia que presiona por ambos lados. Los proveedores de modelos abiertos han respondido en cuestión de pocas semanas: Moonshot ha liberado el modelo abierto más grande hasta la fecha, DeepSeek y Zhipu publican sus modelos de referencia bajo licencia MIT, Alibaba abre por primera vez su clase superior de modelos. En el otro extremo, los proveedores cerrados bajan precios y publican posicionamientos de principio sobre pesos abiertos, algo que hace un año nadie consideraba necesario. Ambos bandos trabajan ahora sobre la misma curva.

La expectativa de los analistas apunta en la misma dirección. Gartner calcula que la inferencia sobre un modelo de un billón de parámetros costará en 2030 más de un 90 por ciento menos que en 2025, frente a modelos comparables de 2022 con una eficiencia de costes hasta cien veces mayor. Los impulsores son semiconductores más eficientes, un mejor diseño de modelos, mayor utilización, hardware de inferencia especializado y el uso de dispositivos finales en determinados casos de uso. En cuanto a la cuota de procesamiento local, la expectativa es igual de clara: más de dos tercios de las empresas con IA en el edge para 2029, frente a alrededor del diez por ciento en 2025.

Conviene dejar explícita una salvedad. Viene del propio Gartner: el ahorro no llega uno a uno a la empresa usuaria. Las aplicaciones agénticas consumen muchos más tokens por tarea, lo que se come una parte considerable de la ventaja de precio. Más barato por token no significa más barato por operación de negocio.

La consecuencia para la gobernanza es, aun así, inequívoca. No dice «meterlo todo dentro de inmediato». Dice: no tomar ninguna decisión de arquitectura que encarezca el cambio. Quien hoy fije un operación puramente en la nube, con interfaces de proveedor rígidamente cableadas, vinculación plurianual y sin casos de evaluación propios, apuesta contra su propia curva de costes y pierde posición negociadora en cada renovación de contrato. A la inversa, una compra precipitada de hardware sale igual de cara, porque consolida una instantánea del momento. La posición sólida está en el medio: endpoints de inferencia intercambiables, casos de evaluación propios en lugar de rankings ajenos y una clasificación de datos que ya sepa qué procesos serían los primeros en migrar hacia dentro en cuanto salga a cuenta.

Lo realista es una proporción creciente: una parte del mapa de procesos que, por clase de datos, volumen o latencia, debe quedarse dentro y que se ampliará en los próximos años. Esa proporción conviene conocerla antes de firmar el próximo contrato marco.

Costes que faltan en el business case

Una frase del debate se ha consolidado como eslogan: Open Weights, closed by hardware. Si el funcionamiento exige cientos de miles de GPUs, no es un modelo local. Es un modelo en la nube con pesos descargables. En términos de gobernanza: la descarga de los pesos es una decisión operativa con plena responsabilidad en casa. Lo que antes figuraba en el contrato con el proveedor pasa después al manual de operaciones propio. Es legítimo. Pero debe tomarse y presupuestarse como tal decisión.

Los costes brutos de GPU solo representan del 30 al 40 por ciento de la inversión real en infraestructura. Como regla práctica se aplica un factor de 2.5 a 3 sobre el precio del hardware. La ocupación real en producción se sitúa entre el 40 y el 65 por ciento, mientras muchas estimaciones siguen calculando con un 80 a 90 por ciento y, con ello, sobredimensionan el beneficio. El stack de inferencia en producción exige además de 10 a 20 horas al mes para actualizaciones, diagnóstico, supervisión y planificación de capacidad.

El punto de equilibrio frente a los precios API de los modelos de punta se sitúa en unos 2 a 5 millones de tokens al día a lo largo de doce meses. Frente a proveedores baratos de modelos abiertos, solo a partir de 50 millones de tokens al día o más. Quien no alcanza esos umbrales financia con IA local más un sentimiento de soberanía que una ventaja de costes sólida.

A ello se suma la deriva en operación. Está documentado un caso en el que una actualización del modelo elevó el requisito de memoria de vídeo en 10 gigabytes. Una actualización puede invalidar a posteriori la planificación de hardware. Quien solo libera el precio de adquisición y deja fuera operación, actualización y riesgos de capacidad, aprueba un stack sin una planificación operativa sólida.

Entre la CLOUD Act y los Open Weights

Las empresas alemanas rara vez sopesan EE. UU. frente a China. Se sitúan entre hiperescaladores estadounidenses con exposición a la CLOUD Act y modelos chinos de pesos abiertos. El despliegue local es la opción que evita ambas dependencias. Cuesta exactamente lo indicado arriba.

Los escalones de soberanía de datos son estos: nube de EE. UU. con riesgo permanente de la CLOUD Act, nube de la UE con mejor residencia de datos pero aún expuesta si la matriz es estadounidense, nube soberana y on-premise, donde los datos no salen de la empresa.

Importante para la precisión: el RGPD (Reglamento General de Protección de Datos) no obliga al despliegue local. Exige protección, contratos y residencia de datos. Quien vende la IA local como obligación del RGPD argumenta mal. Lo local es una de varias arquitecturas que pueden lograr el cumplimiento. La pregunta correcta es qué clase de datos puede salir del perímetro y qué objetivos de protección se alcanzan de forma sólida con cada modelo operativo.

El tamaño de la empresa no es un umbral. Un asesor fiscal con doce personas tiene datos de clientes que a menudo no pueden salir de la empresa. Un gran grupo con estándar Zero Trust en la nube sigue siendo híbrido. El tamaño correlaciona con presupuesto, personal y apetito de riesgo. La causa de la decisión reside en la clase de datos y la capacidad operativa.

Ocho preguntas antes de la decisión

Un órgano no necesita una precisión fingida. Necesita ocho preguntas que se puedan responder con sí o no. Si se acumulan las respuestas negativas, la IA local no está madura como stack estándar. Entonces el camino honesto sigue siendo el piloto, el híbrido o la nube.

1. ¿Puede o debe la clase de datos afectada abandonar el perímetro?
2. ¿Hay un responsable designado que una TI, el área de negocio y la seguridad?
3. ¿Está el caso de uso descrito con suficiente precisión? ¿O se adquiere una herramienta genérica?
4. ¿La calidad de los modelos abiertos de tamaño medio es demostrablemente suficiente, medida con casos propios?
5. ¿Además del hardware, están presupuestados el funcionamiento continuo, la actualización, la supervisión y las actualizaciones del modelo?
6. ¿Se ha revisado la licencia, incluida la utilización comercial y la redistribución en el propio producto?
7. ¿Están resueltas la potencia de conexión, la refrigeración y la superficie de instalación?
8. ¿Existe una estrategia de salida en ambas direcciones, es decir, también de vuelta a la nube?

El resultado se interpreta como señal de autorización o de parada, nunca como puntuación. Cada no es un resto de decisión pendiente. Solo permanece abierto hasta que alguien asuma la responsabilidad y el presupuesto.

Lo que debe retener de todo esto

Para el nivel de gobernanza hay tres consecuencias importantes, con independencia de qué bando acabe teniendo razón.

La base de las adquisiciones debe desacoplarse del ritmo de las noticias. Si un ranking evalúa un modelo que aún no existe, no sirve como plantilla de decisión. Lo vinculante es lo que la empresa ha medido por sí misma en sus propios casos de uso.

La revisión de licencias va antes de la compra de hardware, no después. Una licencia permisiva sobre los pesos no es un cheque en blanco. Las cláusulas de participación en beneficios son contractualmente relevantes. La excepción del EU AI Act es más estrecha de lo que su nombre sugiere. Esta revisión cuesta días. Un parque de GPU mal adquirido cuesta trimestres.

La soberanía es un modelo operativo. Una descarga no basta para ello. Empieza allí donde se deciden a la vez la responsabilidad, el presupuesto y la salida. La IA local compensa cuando la clase de datos, el volumen y el riesgo sostienen la operación propia. Si falta esa base, el stack local sigue siendo un desvío caro con la sensación de control.

Y la pregunta que dentro de doce meses se responderá de forma distinta a como hoy: ¿Qué proporción del propio paisaje de procesos debe quedar dentro? La respuesta hoy, para la mayoría de las empresas, sigue siendo: una pequeña. No será así de forma permanente. Si un modelo en una sola tarjeta alcanza en un trimestre el rendimiento de un predecesor quince veces mayor y dos previsiones de analistas apuntan de forma independiente en la misma dirección, la preparación relevante no es la compra de hardware. Es la capacidad de desplazar esa proporción sin reconstruir la arquitectura. Quien escribe hoy esa flexibilidad en contratos e interfaces decide más tarde desde una posición de fuerza. Quien se la cierra negociará dentro de dos años sobre una base de costes que él mismo ha fijado.

Preguntas frecuentes

Más de la red MBF Media

cloudmagazin

Cuando las GPU devoran el presupuesto SaaS

mybusinessfuture

IA en la mediana empresa: del piloto a la escalabilidad

securitytoday

El AI Act es en realidad una ley de seguridad

También disponible en