Una plataforma de IA para toda la empresa: proveedor único, espacio de trabajo multimodelo, pasarela, catálogo en la nube o desarrollo propio

Muchas empresas llegan al mismo punto. Los empleados ya usan ChatGPT o Microsoft Copilot, y ahora alguien pide otro modelo, un asistente compartido para un equipo o un registro de quién preguntó qué. Un modelo es el programa entrenado que escribe las respuestas, y un modelo de lenguaje de gran tamaño (LLM) es un modelo que trabaja con texto. Puedes quedarte con el producto de un solo proveedor, comprar un espacio de trabajo con varios modelos o poner una pasarela delante de varios proveedores. Una pasarela es un punto de control entre tu software y los modelos. También puedes alquilar modelos de un catálogo en la nube o desarrollar los tuyos. La mayoría de las empresas medianas deberían empezar con el producto que ya usan sus empleados y añadir piezas solo cuando aparezca una necesidad concreta.

¿Por qué querría una empresa más de un modelo de IA, y cuándo basta con uno?

Los modelos se diferencian en lo que hacen bien y en lo que cuestan, y los proveedores cambian a menudo su oferta. Incluso un solo producto mezcla modelos. La página de Microsoft sobre Copilot dice: «De forma predeterminada, Copilot usa un enrutador en tiempo real para ajustar el modelo subyacente que utiliza según tu consulta».

Hay tres razones que justifican elegir los modelos por tu cuenta. Un equipo puede necesitar un modelo que tu producto no tiene. Una tarea rutinaria puede encajar con uno más pequeño y barato. O quieres tener listo un segundo proveedor por si hay una caída. Un solo proveedor basta cuando los empleados usan la IA para redactar y buscar, nadie integra IA en tu software y los controles de administración cumplen tus reglas.

¿Qué nos dan ChatGPT Enterprise y Microsoft 365 Copilot, y dónde se quedan cortos?

Si usas un espacio de trabajo de ChatGPT Enterprise, pide a OpenAI por escrito los controles de administración, las condiciones de datos y la lista de modelos vigentes. La documentación de la API de OpenAI dice que «los datos enviados a la API de OpenAI no se utilizan para entrenar ni mejorar los modelos de OpenAI (salvo que aceptes expresamente compartir datos con nosotros)», pero esa página trata de la API, no de las aplicaciones de ChatGPT.

Un GPT personalizado es un asistente que un empleado configura dentro de ChatGPT con instrucciones escritas y documentos adjuntos. OpenAI lo describe como una forma de personalizar ChatGPT «proporcionando instrucciones y adjuntando documentos como conocimiento».

Microsoft dice: «Microsoft ofrece modelos de IA de terceros en Microsoft Copilot, como los modelos de Anthropic y de OpenAI». Añade: «Como administrador, puedes decidir si usar estos modelos para impulsar tus experiencias, y pueden aplicarse condiciones adicionales».

Los límites aparecen cuando construyes asistentes. Microsoft dice que los agentes declarativos «usan la infraestructura de IA, el modelo y el orquestador de Copilot», de modo que defines instrucciones, conocimiento y acciones, pero te quedas con las opciones de modelo de Microsoft. Un agente de motor personalizado, en el que «traes tu propio orquestador y tus propios modelos», puede «requerir alojamiento adicional fuera de Microsoft 365». Microsoft dice que la configuración «varía desde configuraciones sencillas en Copilot Studio hasta implementaciones avanzadas de código propio», y el extremo de código propio de ese camino ya es un desarrollo.

¿Qué es un espacio de trabajo multimodelo y a qué renunciamos?

Un espacio de trabajo multimodelo es una aplicación de chat para empleados que ofrece modelos de varios proveedores con un único inicio de sesión. Dos ejemplos que se ejecutan en tus propios servidores: la documentación de Open WebUI menciona «compatibilidad con Ollama y con API compatibles con OpenAI», y LibreChat se define como «una aplicación web autoalojada». También existen productos alojados de este tipo.

A lo que renuncias es a la profundidad. Microsoft dice que Copilot «solo muestra datos de la organización a los que cada usuario tenga al menos permiso de lectura», porque lee directamente tus permisos de Microsoft 365. Un espacio de trabajo independiente necesita sus propias conexiones con tus archivos y sistemas, y tienes que definir quién puede ver cada archivo. Alojarlo tú mismo requiere a alguien que lo opere, y un producto alojado añade otra empresa que maneja tus consultas.

¿Qué hace una pasarela de LLM y quién la necesita?

Una pasarela es un servicio situado entre tu software y los proveedores de modelos. Tu software envía todas las solicitudes a una misma dirección y la pasarela las reenvía al modelo elegido. Un token es la pequeña unidad de texto que un modelo lee y escribe, y que los proveedores cuentan y facturan. El glosario de Anthropic dice que los tokens «pueden corresponder a palabras, subpalabras, caracteres o incluso bytes».

El proyecto de código abierto LiteLLM describe su pasarela como «un servidor autoalojado» que ofrece «un único endpoint compatible con OpenAI para más de 100 proveedores de LLM, herramientas MCP y agentes A2A». Dice que hay que «dar a cada usuario, equipo y proyecto una clave virtual», cada una con «modelos, presupuestos y límites de frecuencia». Las claves reales de los proveedores quedan entonces en un solo lugar.

Otros cubren un terreno parecido. Portkey dice que ha publicado su pasarela como «código abierto». Cloudflare AI Gateway, un servicio alojado, dice que puedes «ver métricas como el número de solicitudes, los tokens y el coste de ejecutar tu aplicación». Kong dice que su AI Gateway puede «cambiar automáticamente a otro proveedor o modelo cuando uno es lento o no está disponible».

Necesitas una pasarela cuando varios equipos o productos llaman a modelos desde código y quieres un único lugar para claves, presupuestos, enrutamiento y registros. Los empleados que solo usan aplicaciones de chat no necesitan una. Una pasarela no les da ninguna ventana de chat, y sus registros pueden contener consultas (el texto que escriben los empleados), según su configuración, así que protégelos.

¿Qué añade el catálogo de modelos de un proveedor de nube?

Tres ejemplos son Microsoft Foundry (antes Azure AI Foundry), Amazon Bedrock y Gemini Enterprise Agent Platform de Google (antes Vertex AI). Permiten que tus ingenieros llamen a modelos de muchos proveedores a través de la cuenta en la nube que ya tienes. Microsoft dice que el catálogo de Foundry «incluye más de 10 000 modelos», y AWS dice que Bedrock admite «más de 100 modelos fundacionales». Google dice que Model Garden contiene modelos «de Google y de sus socios».

Las ventajas son tu configuración de seguridad actual, una sola factura y la posibilidad de elegir dónde se procesa. Microsoft dice: «puedes elegir procesamiento global, por zona de datos o regional según tus requisitos de cumplimiento». Eso se aplica a las implementaciones sin servidor. Para los modelos Claude alojados en la propia infraestructura de Anthropic, Microsoft dice que los datos «podrían procesarse fuera de Azure, incluso fuera de la geografía de Azure que hayas seleccionado». El inconveniente es que es una caja de herramientas para quienes desarrollan. Cualquier pantalla de chat de su consola sirve para que los desarrolladores prueben, así que los empleados no reciben un producto de chat listo para usar, y las pruebas y la elección de modelos siguen siendo cosa tuya. Microsoft dice también que los modelos antiguos «podrían retirarse del catálogo de modelos de Foundry».

¿Cómo trasladamos nuestros GPT personalizados, instrucciones y archivos de conocimiento, y qué se queda atrás?

Consulta primero el calendario de OpenAI. Según la prensa del otoño de 2026, OpenAI prevé retirar los GPT personalizados en diciembre de 2026 y pasarlos a plugins, con fechas posteriores para algunos espacios de trabajo Enterprise. Sigue el aviso de tu propio espacio de trabajo. Haz una lista de cada asistente con su responsable y su uso. Reconstruye primero los más usados y prueba cada copia con las mismas preguntas. Tres cosas se trasladan bien: el texto de las instrucciones, los documentos de origen si conservas los originales y tus preguntas de prueba. Cuatro cosas se quedan atrás. El historial de conversaciones se queda en la plataforma antigua, y cuánto puedes exportar depende de sus herramientas de administración. Los ajustes de uso compartido hay que volver a configurarlos. Las acciones, es decir, las llamadas de un asistente a tus otros sistemas, hay que volver a configurarlas en cada plataforma. La descripción OpenAPI de la API puede reutilizarse donde la plataforma la acepte. Y las respuestas cambiarán, porque cada plataforma divide y busca los archivos a su manera y el modelo de fondo es distinto.

¿Quién puede ver qué, y cómo trata cada ruta nuestros datos?

Pregunta a cada ruta si tus datos entrenan los modelos del proveedor y dónde se procesan. Esto dicen los proveedores:

• API de OpenAI: «los datos enviados a la API de OpenAI no se utilizan para entrenar ni mejorar los modelos de OpenAI (salvo que aceptes expresamente compartir datos con nosotros)».
• Microsoft 365 Copilot: las consultas, las respuestas y los datos leídos a través de Microsoft Graph (el servicio de datos de Microsoft 365) no se usan para entrenar sus modelos fundacionales. «El tráfico de la UE permanece dentro del EU Data Boundary, mientras que el tráfico mundial puede enviarse a la UE y a otros países o regiones para el procesamiento por LLM», y «los modelos proporcionados por Anthropic como subencargado están actualmente excluidos del EU Data Boundary».
• Amazon Bedrock: «AWS y los proveedores de modelos de terceros no utilizarán ninguna entrada ni salida de Amazon Bedrock para entrenar Amazon Nova, Amazon Titan ni ningún modelo de terceros». Las preguntas frecuentes generales de AWS sobre privacidad añaden: «Tú eliges la región o regiones de AWS en las que se almacena tu contenido». Con un perfil de inferencia global entre regiones, Bedrock puede procesar una solicitud en «cualquier región comercial de AWS compatible en todo el mundo».
• Gemini Enterprise Agent Platform (antes Vertex AI): Google afirma que no entrena modelos con tus datos sin tu permiso o instrucción previos. Dice que los datos en reposo permanecen en la ubicación que elijas, pero que las solicitudes a un endpoint global «pueden procesarse en cualquier ubicación de Google Cloud del mundo».
• Un espacio de trabajo o una pasarela que alojas tú: los datos permanecen en tu entorno hasta que se reenvían, y a partir de entonces se aplican las condiciones del proveedor del modelo. Una pasarela alojada añade una empresa más.

Para los datos personales, el RGPD usa la palabra encargado del tratamiento para una empresa que trata datos por tu cuenta. En términos sencillos, el artículo 28 exige un contrato por escrito y que actúe solo según tus instrucciones documentadas, salvo que la ley exija otra cosa. Solo puede añadirse otro encargado con tu autorización previa por escrito. Esa autorización puede ser general, y entonces el encargado debe informarte de los cambios para que puedas oponerte. La página de Microsoft sobre Foundry dice que el servicio Azure Machine Learning «actúa como encargado del tratamiento de los datos de las consultas enviadas y del contenido generado en implementaciones sin servidor». Para los modelos Claude en Foundry, Microsoft dice que Anthropic «actúa como encargado del tratamiento independiente», así que comprueba quién es el encargado de cada modelo. Que tu propio asesor jurídico lea cada contrato.

Dentro de la empresa, un asistente solo debe mostrar a una persona lo que esa persona ya podría abrir. En cualquier ruta, incluido Copilot, compruébalo con un inicio de sesión sobre una carpeta que esa persona no deba ver.

¿Qué exige la gobernanza en la práctica?

Primero van los roles: quién es responsable de cada asistente, quién aprueba uno nuevo y quién puede cambiar un modelo. El AI Risk Management Framework del NIST dice: «Los roles, las responsabilidades y las líneas de comunicación relacionados con la identificación, la medición y la gestión de los riesgos de la IA están documentados y son claros para las personas y los equipos de toda la organización».

Las aprobaciones van en segundo lugar. Enviar un correo, cambiar un registro o pagar una factura debería esperar a una persona, como explica el artículo sobre la aprobación humana enlazado más arriba. Los registros van en tercer lugar: quién preguntó, qué modelo respondió, qué versión del asistente se ejecutó y cuánto costó. Una pasarela puede escribir la mayor parte de ese registro para cada modelo que llames, si tu software envía con cada solicitud la persona y la versión del asistente.

El cuarto elemento es un registro de casos de uso. La guía práctica del NIST dice: «Existen mecanismos para inventariar los sistemas de IA y se dotan de recursos según las prioridades de riesgo de la organización». Una hoja de cálculo compartida basta para empezar. Da a cada fila un caso de uso, un responsable, el modelo, los datos que toca y una fecha de revisión.

¿En qué se diferencia el precio por puesto del precio por token?

El precio por puesto cobra un importe fijo por cada usuario con nombre. El precio por token cobra por el texto que tu software envía y recibe. Pide a cada proveedor por escrito el precio actual por puesto, con todos los mínimos y complementos.

En cuanto a los tokens, Anthropic publica una lista de precios en dólares estadounidenses. Muestra Claude Sonnet 5.5 a 2 dólares por millón de tokens de entrada y 10 por millón de tokens de salida. Claude Haiku 5.5 cuesta 0,10 y 0,50 dólares para consultas de hasta 100 000 tokens.

Toma una carga de trabajo inventada de 1000 solicitudes al día, cada una con 3000 tokens enviados y 500 recibidos, es decir, 3 millones de tokens de entrada y 0,5 millones de salida. Con Sonnet 5.5 el coste es de 6 dólares por la entrada más 5 por la salida, 11 dólares al día. Con Haiku 5.5 es 0,30 más 0,25, 0,55 dólares al día. La carga de trabajo es un supuesto, y los revendedores de nube pueden cobrar de otra forma.

Los tokens de salida cuestan más que los de entrada, la elección del modelo mueve la factura en un factor muy grande y los documentos adjuntos largos aumentan la parte de entrada. Fija un presupuesto en la pasarela desde el primer día.

¿Cómo se manifiesta la dependencia del proveedor y qué debemos conservar para poder irnos?

La dependencia del proveedor está donde se ha invertido el esfuerzo: en asistentes creados en el editor de un solo proveedor, en archivos guardados y preparados para la búsqueda en su sistema, en acciones escritas en su formato y en un historial que solo él conserva. Una pasarela también puede crear dependencia si tus reglas de enrutamiento están en un formato que solo ella lee.

Guarda en un repositorio el texto de las instrucciones de cada asistente, junto con los documentos de origen, tus preguntas de prueba y una exportación de los registros. Llama a los modelos mediante un endpoint compatible con OpenAI (un formato de solicitud que copian muchas herramientas) y construye las acciones sobre formatos abiertos, como una descripción OpenAPI (una descripción estándar de una API) o el Model Context Protocol, que se define como «un estándar de código abierto para conectar aplicaciones de IA con sistemas externos». Acuerda en el contrato la exportación, la eliminación y el plazo de aviso de retirada de modelos.

¿Cuándo se justifica desarrollar nuestra propia plataforma?

Desarrollar tiene sentido cuando la IA forma parte del producto que vendes, porque entonces tus clientes son los usuarios y ninguna licencia de empleados los cubre. También tiene sentido cuando un proceso necesita una lógica que ningún producto ofrece, como el enrutamiento según el contrato del cliente. Y las reglas sobre dónde pueden procesarse los datos pueden descartar todas las opciones alojadas.

Es difícil justificarlo solo para un chat de empleados. Los productos anteriores ya lo hacen, y tú asumirías las actualizaciones, el control de acceso, los registros y las guardias.

¿Qué deberíamos preguntar a un proveedor?

• ¿Qué modelos podemos elegir, y quién decide cuándo se sustituye o se retira uno?
• ¿Se usan nuestros datos para entrenar en algún plan, y dónde lo dice el contrato?
• ¿En qué región se procesan los datos, y cambia según el modelo que elijamos?
• ¿Es el proveedor nuestro encargado del tratamiento según el RGPD, y qué subencargados utiliza?
• ¿Puede un administrador ver y exportar los registros de las consultas y las respuestas?
• ¿Cuánto cuesta un mes de nuestro uso real, con todos los mínimos y complementos incluidos?
• ¿Qué podemos llevarnos si nos vamos, y en qué formato?

¿Qué deberíamos preguntar a una empresa que lo construiría?

• ¿Qué partes desarrollaréis y cuáles configuraréis a partir de productos existentes?
• ¿Funcionará en nuestra cuenta de nube, y quién guarda las claves?
• ¿Cómo probaréis cada asistente antes del lanzamiento, y quién lo da por bueno de nuestra parte?
• ¿Qué recibimos al final: código, configuración, conjuntos de pruebas, registros, guías de operación?
• ¿Quién lo opera tras el lanzamiento, y cuánto cuesta cada mes?

¿Dónde encaja amBrain?

amBrain publica este blog. Sobre su propio producto, dice: «Nuestro propio producto, shyash.ai, funciona con agentes de IA que investigan, escriben, revisan y miden a partir de una memoria compartida de datos de la empresa. Una persona aprueba todo lo que sale».

Este artículo no es un caso de éxito y no describe trabajo para ningún cliente. No afirma que amBrain haya construido una plataforma multimodelo ni una pasarela para ningún cliente. La línea anterior se refiere al producto propio de amBrain, y los ejemplos son generales.

Las empresas y los proyectos citados aquí se toman de sus páginas publicadas, leídas el 10 de noviembre de 2026. El artículo no afirma ninguna relación entre amBrain y ninguno de ellos y no da precios ni plazos de amBrain.

amBrain desarrolla software desde 2019. Sobre cómo trabaja con sus clientes, dice: «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 la lista de esos componentes, nombre por nombre, antes de firmar.

Si amBrain está en tu lista corta, hazle las mismas preguntas que a cualquier otra empresa.