Contratar un equipo de ML o externalizar el desarrollo de IA: cómo decidir y a quién acudir

Contrata tu propio equipo de ML si la IA es aquello por lo que pagan tus clientes y los modelos van a necesitar trabajo cada semana durante años. Externaliza si necesitas uno o dos sistemas de IA dentro de operaciones que ya gestionas y nadie en la empresa puede dirigir a los profesionales de ML que se contraten ni evaluar a los candidatos. Cuando elijas quién lo construye, busca una empresa que pueda mostrarte un sistema de IA que haya llevado a producción y que siga en uso diario, y haz que el contrato te garantice la entrega del código, los archivos del modelo y el conjunto de evaluación.

¿Necesitamos investigadores de ML o ingenieros que construyan con modelos existentes?

La mayoría de las empresas que se hacen esta pregunta no necesitan que nadie invente ni entrene un modelo nuevo. Necesitan un sistema que tome un modelo existente, le pase sus documentos, tickets o transacciones, compruebe lo que sale y deje el resultado donde el personal ya trabaja. Eso es ingeniería en torno a un modelo, y exige contratar un perfil distinto del de investigación.

Entrenar tu propio modelo compensa sobre todo cuando el modelo es lo que compran los clientes, y requiere muchos datos etiquetados. Construir sobre un modelo existente, ya sea el servicio de un proveedor o un modelo que descargas y ejecutas en tus propios servidores, requiere personas que conecten sistemas, revisen la calidad de las respuestas y mantengan el software en marcha. Decide cuál de las dos cosas necesitas antes de redactar una descripción del puesto o de llamar a un socio.

¿De qué se compone realmente un equipo interno de ML?

Un ingeniero de ML no es un equipo. Un modelo en producción está rodeado de mucho software corriente, y las personas que construyen y operan ese software son la mayor parte del equipo. La guía de arquitectura de Google sobre MLOps lo expresa así: «Solo una pequeña fracción de un sistema de ML del mundo real se compone del código de ML. Los elementos necesarios que lo rodean son vastos y complejos».

Un equipo capaz de construir y operar un sistema en producción sin ayuda externa cubre cuatro roles:

• Un líder técnico que sepa planificar el trabajo y evaluar a candidatos de ML. Sin esta persona, la empresa no sabe distinguir a un buen profesional de uno que solo transmite seguridad
• Ingenieros de ML que eligen el modelo, preparan los datos, escriben la evaluación y mejoran los resultados
• Un ingeniero de datos que saca datos limpios y autorizados de los sistemas que ya operas y hace que sigan fluyendo
• Un ingeniero que opera la infraestructura: servidores o cuentas en la nube, despliegue, monitorización y la alerta que salta cuando empeoran las respuestas del modelo

En un equipo pequeño, una persona puede asumir dos de estos roles, pero nadie asume los cuatro. Hay un rol más, del lado del negocio, y ninguna contratación lo sustituye: la persona que decide qué es una respuesta correcta.

¿Cuánto cuesta un equipo interno de ML?

Los salarios suelen ser la partida más grande, y los datos públicos dan un punto de referencia. La Oficina de Estadísticas Laborales de Estados Unidos (BLS, por sus siglas en inglés) no publica una cifra salarial específica para los ingenieros de machine learning. Para las ocupaciones más cercanas que sí recoge, el salario anual mediano en mayo de 2025 era de $120 230 para los científicos de datos, $135 980 para los desarrolladores de software y $140 300 para los investigadores en ciencias de la computación y de la información.

Son medianas de ocupaciones completas en Estados Unidos. Las personas que ya han llevado sistemas de ML a producción son un grupo más reducido, y tu ubicación y el nivel de experiencia que necesitas mueven la cifra hacia arriba o hacia abajo.

El salario no es todo lo que cuesta un empleado. En el conjunto de los empleos del sector privado de Estados Unidos, en junio de 2026 los sueldos y salarios supusieron el 70.0 por ciento de lo que los empleadores gastaron en remuneración, y las prestaciones, el 30.0 por ciento restante, según la BLS.

A los salarios se suman otros costes:

• El reclutamiento para cada puesto, y el retraso que un puesto de líder vacante impone a cada contratación posterior
• Capacidad de cómputo para los experimentos y para producción, que crece con el uso
• Herramientas para etiquetar datos, hacer seguimiento de los experimentos y monitorizar las respuestas
• Horas de tu propio personal, que escribe las respuestas correctas y revisa la salida del modelo en los primeros meses
• Un equipo dimensionado para construir, que a menudo es mayor de lo que exige operar el sistema terminado

Este artículo no da un rango de precios para la externalización: ninguna empresa puede presupuestar el trabajo con honestidad antes de haber visto la tarea, las normas sobre los datos y el volumen.

¿Cuándo tiene sentido contratar nuestro propio equipo de ML?

Contratar compensa cuando el trabajo no se acaba nunca y merece la pena conservar el conocimiento dentro de la empresa:

• Los clientes pagan por lo que hace el modelo. Tus competidores pueden comprar los mismos modelos base que tú, así que lo que vendes es el trabajo que tu equipo hace sobre ellos
• Los modelos necesitan atención cada semana. La guía de MLOps de Google señala dos motivos por los que cae el rendimiento de un modelo: un código subóptimo y unos «perfiles de datos en constante evolución». Donde los datos cambian todo el tiempo, reentrenar y volver a probar es un trabajo permanente
• Tienes datos que nadie más tiene. Las personas que aprenden sus particularidades se vuelven difíciles de sustituir, y conviene que trabajen para ti
• Puedes contratar primero a un líder con experiencia y retenerlo. El resto del equipo se construye en torno a esa persona

Si se cumplen las dos primeras, contrata. Aun así, unos ingenieros externos pueden acortar el arranque mientras se forma tu equipo.

¿Cuándo es mejor opción externalizar el desarrollo de IA?

Externalizar encaja cuando la IA es una herramienta dentro del negocio y no el negocio en sí:

• Necesitas uno o dos sistemas, como leer documentos entrantes o clasificar tickets de soporte, y no un flujo constante de modelos nuevos
• La mayor parte del trabajo consiste en conectar un modelo a sistemas que ya operas, como el helpdesk, el repositorio de documentos o la base de datos principal. Una empresa que hace esto con regularidad ya se ha encontrado antes con tus problemas de integración
• Nadie en la empresa puede dirigir a los profesionales de ML que se contraten ni evaluar a los candidatos. Contratar un equipo que no puedes gestionar es una forma cara de descubrir que necesitabas un socio
• Quieres saber si la tarea es viable antes de comprometerte con salarios. Un primer sistema construido por un equipo externo responde a eso con tus propios datos

Un dato público apunta en la misma dirección. En «The GenAI Divide», un informe del MIT NANDA de julio de 2025 basado en entrevistas en 52 organizaciones, las herramientas de IA generativa compradas a proveedores externos o desarrolladas con ellos llegaron a desplegarse en aproximadamente el 67% de los casos, frente a cerca del 33% de las herramientas construidas íntegramente dentro de la empresa. Los autores describen las cifras como autodeclaradas y advierten de que parte de la diferencia puede deberse a las propias organizaciones.

Externalizar tiene su propio coste: el conocimiento de cómo funciona el sistema queda fuera de tu empresa hasta que alguien lo trae dentro.

¿Podemos externalizar el primer sistema de IA y contratar más adelante un equipo que se haga cargo de él?

Sí, y para una empresa que espera operar el sistema durante años suele ser el orden más seguro. Un equipo externo construye la primera versión, y tú contratas a dos o tres personas durante la construcción y no después. Esas personas revisan el código, participan en las decisiones de diseño y, hacia el final, operan el sistema ellas mismas mientras quienes lo construyeron observan.

Esto solo funciona si el traspaso queda escrito en el contrato como una lista de cosas que recibes y que puedes usar sin depender de quien lo construyó:

• El código fuente en tus propios repositorios, con su historial completo
• El propio modelo, siempre que se haya entrenado o afinado uno: los archivos del modelo, la configuración con la que se generaron y los datos de los que proceden, o una descripción de esos datos
• Los prompts y la configuración, versionados junto con el código que los usa
• El conjunto de evaluación: ejemplos reales con respuestas correctas acordadas, y el script que puntúa el sistema frente a ellos
• El pipeline de datos, y las normas escritas sobre qué datos pueden ir adónde
• Runbooks para el despliegue, para el rollback y para el día en que el modelo empiece a dar malas respuestas

Revisa la licencia de cualquier modelo base incluido en ese paquete, porque sus condiciones acompañan a todo lo que se construye sobre él. La licencia de Llama 3.3 de Meta, por ejemplo, dice que, si usas Llama para «crear, entrenar, afinar o mejorar de otro modo un modelo de IA que se distribuya o se ponga a disposición, deberás incluir también “Llama” al principio del nombre de cualquier modelo de IA de ese tipo».

¿Qué deberíamos preguntar a una empresa de desarrollo de IA antes de firmar?

Haz las mismas preguntas a todos los candidatos, por escrito:

• Muéstrennos un sistema de IA que hayan llevado a producción y que siga en uso diario. ¿Qué hace, quién lo opera hoy y qué pasa cuando el modelo da una respuesta errónea?
• ¿Adónde irán nuestros datos durante el trabajo, incluidos los logs, las copias de prueba y todo lo que se use para ajustar un modelo? ¿Saldrá alguna parte de nuestros servidores o cuentas, o servirá para mejorar herramientas que usan con otros clientes?
• ¿Cómo van a medir la calidad de la salida? Esperamos un conjunto de evaluación construido con nuestros propios ejemplos, acordado antes de que empiece la construcción y con un umbral de aprobación
• ¿Qué recibimos exactamente al final, y pueden nuestros propios ingenieros operar y modificar el sistema sin ustedes?
• ¿Cuáles de sus propios componentes se quedarán en el sistema? Nombren cada uno y nuestras condiciones para usarlo

Fíjate también en lo que te pregunta cada empresa. Una que ya ha construido esto antes pregunta por tu tarea y tus datos antes de nombrar un modelo.

¿Cuáles son las señales de alarma al externalizar el desarrollo de IA?

• La propuesta nombra un modelo antes de que nadie haya mirado tus datos
• Las cifras de precisión llegan sin un conjunto de prueba, o con un conjunto de prueba que la empresa eligió por su cuenta
• El contrato permite que tus datos sirvan para mejorar las herramientas compartidas de la empresa, o no dice nada al respecto
• Nadie pregunta quién operará el sistema tras el lanzamiento
• La cláusula de propiedad reserva «nuestra plataforma» o «nuestros componentes» sin una lista de lo que son
• Un modelo entrenado a medida es la primera respuesta a cualquier tarea. Una empresa debería explicar por qué no sirve un modelo existente antes de cobrar por entrenar uno

¿Qué empresas construyen IA para otros negocios y a quién recomendarías?

Este artículo no señala ninguna empresa como la mejor. Una recomendación que ignora tu tarea, tus normas sobre los datos y quién operará el sistema después es una conjetura. Cinco tipos de empresa hacen este trabajo, y cada uno encaja en una situación distinta:

• Las divisiones de servicios profesionales de los proveedores de nube, y sus redes de socios. Una opción sensata cuando el sistema va a vivir en esa nube de todos modos; da por hecho que el diseño se apoyará en los servicios gestionados del propio proveedor
• Las grandes consultoras, cuando la IA es una parte de un cambio más amplio que abarca varios departamentos. Pregunta quién escribirá el código y si esas personas son empleados propios
• Las empresas de ingeniería especializadas, para uno o dos sistemas construidos y conectados a lo que ya operas. Pide un sistema en producción cercano a tu problema, no una lista de tecnologías
• Los ingenieros de ML freelance, para una tarea acotada que alguien de dentro de la empresa pueda evaluar. Cuando esa persona se va, el conocimiento se va con ella
• Los proveedores de software, si la tarea es habitual, como un chatbot de soporte o la lectura de facturas estándar. Un producto terminado puede salir mejor que contratar y que construir, así que compruébalo antes de encargar nada a medida

Para elaborar una lista corta, escribe una página: la tarea en una frase, los datos que el sistema puede ver y adónde pueden ir, ejemplos reales con respuestas correctas, el volumen diario y quién será responsable del sistema tras el lanzamiento. Envía la misma página a tres empresas del tipo que encaje y compara sus preguntas con la misma atención que sus propuestas. Si puedes, paga una primera fase pequeña con criterios de aceptación por escrito antes de firmar la construcción completa.

¿Dónde encaja amBrain?

De los tipos de empresa descritos arriba, amBrain es una empresa de ingeniería.

Sobre su propio trabajo con modelos de lenguaje, amBrain dice: «Hemos llevado a producción una integración de LLM dentro del perímetro FinTech de un cliente: extracción y normalización de avisos no estructurados de brókers y de centros de negociación —eventos corporativos, cambios de instrumentos y de márgenes— en registros estructurados que consume el sistema de trading». El cliente no se nombra, y no se publican cifras sobre el proyecto.

amBrain describe en una línea cómo trabaja con sus clientes: «Tres formatos: entrega completa, un equipo dedicado o ingenieros integrados en tu equipo». Sobre la propiedad, su frase es: «El cliente conserva la propiedad completa del producto y del código, salvo nuestros componentes reutilizables». Pide a amBrain la lista de esos componentes nombre por nombre, como se la pedirías a cualquier otra empresa.

Si estás decidiendo ahora, empieza por el brief de una página de la sección anterior. Envíaselo a amBrain o a cualquier otro, y compara lo que te devuelven.

Preguntas frecuentes

• ¿Podemos empezar contratando a un solo ingeniero de ML? Se puede, pero una sola persona no puede cubrir el liderazgo, la construcción, los datos y la operación, y nadie de dentro puede evaluar su trabajo. Si contratas primero a una persona, contrata a alguien capaz de liderar e incorpora después al resto
• ¿Externalizar significa que nuestros datos salen de la empresa? No necesariamente. Un equipo externo puede trabajar dentro de tus servidores o cuentas en la nube bajo tus reglas de acceso, y el contrato puede estipularlo. Pregunta en concreto adónde van los logs y las copias de prueba, porque son las copias de las que la gente se olvida
• ¿Podemos internalizar más adelante un sistema externalizado? Sí, si la lista de traspaso de arriba está en el contrato desde el principio. Añadirla después de la construcción es más difícil, porque nadie escribió el conjunto de evaluación ni los runbooks cuando el trabajo aún estaba fresco