Google Cloud ofrece, según sus propias declaraciones, como primer gran proveedor de nube todas las tres familias de modelos actualmente líderes a través de una plataforma común: la familia propia Gemini, Claude de Anthropic y ahora también los modelos GPT de OpenAI.Para empezar, GPT-6 Astra, GPT-6.1 Sol y GPT-6 Luna están disponibles como vista previa privada para clientes empresariales, es decir, en un acceso restringido antes de la disponibilidad general.
Lo que suena a una mera ampliación de la cartera cambia para las empresas sobre todo una cosa: la decisión de arquitectura al inicio de un proyecto de IA.Hasta ahora, la elección del proveedor de modelos solía coincidir con la elección del entorno de nube.Quien quería utilizar varias familias de modelos, por regla general tenía que gestionar varios accesos, reflejar diferentes modelos de facturación y pasar por controles separados de seguridad y protección de datos.
Por qué la diversidad de modelos importa en la práctica
En proyectos reales rara vez hay un modelo que resuelva cada tarea igual de bien.Un modelo de lenguaje que resume de forma fiable textos técnicos largos no es automáticamente la mejor opción para la extracción de datos estructurados, para la generación de código o para un asistente de diálogo en atención al cliente.A ello se suman criterios no funcionales: tiempos de respuesta, costes por solicitud, disponibilidad en determinadas regiones y la cuestión de cómo encaja un modelo en los procesos de aprobación existentes.
Cuando varias familias de modelos son accesibles a través de la misma plataforma, tales consideraciones pueden tomarse por caso de uso en lugar de una vez de forma global para toda la empresa.Un configurador de producto puede entonces utilizar un modelo distinto que la búsqueda interna de conocimiento, sin que para ello surja una segunda infraestructura.
La dependencia del proveedor se vuelve más calculable
El segundo efecto afecta a lo que en TI se denomina lock-in: la vinculación técnica y contractual a un único proveedor, que encarece un cambio posterior.Esta vinculación no desaparece con una oferta de modelos más amplia, simplemente se desplaza.La dependencia del proveedor de modelos individual disminuye, la dependencia de la plataforma a través de la cual todo funciona tiende a aumentar.
Para la planificación de proyectos, sin embargo, esto sigue siendo un avance.Un cambio de modelo dentro de la misma plataforma afecta en el mejor de los casos solo a la capa de invocación de la aplicación y no a la infraestructura circundante de autenticación, registro, control de costes y almacenamiento de datos.Precisamente este entorno causa en la práctica la mayor parte del esfuerzo.
Qué se puede derivar de ello para la arquitectura
Independientemente de qué plataforma utilice una empresa, se recomienda una estructura que mantenga intercambiable el modelo concreto.Se han acreditado para ello algunos principios básicos:
- Capa de abstracción: La aplicación no se comunica directamente con un endpoint de modelo, sino con una interfaz interna detrás de la cual se puede cambiar el modelo.
- Prompts como configuración: Las instrucciones al modelo deben gestionarse versionadas y fuera del código del programa, para que puedan adaptarse por modelo.
- Calidad medible: Un conjunto fijo de casos de prueba con resultados esperados hace verificable la comparación de dos modelos, en lugar de dejarla a la intuición.
- Datos de costes y tiempo de ejecución: Sin registro del consumo de tokens y de los tiempos de respuesta, todo cálculo de rentabilidad sigue siendo una estimación.
- Nivel de respaldo: Para procesos productivos debería definirse qué ocurre cuando un modelo no está disponible o entrega respuestas inutilizables.
Vista previa privada no significa listo para producción
Que los modelos GPT estén disponibles inicialmente solo como vista previa privada para clientes empresariales merece atención.En esta fase, la disponibilidad, las condiciones y el alcance funcional aún pueden cambiar.Para evaluaciones, prototipos y pruebas comparativas internas, este es un marco razonable.Para procesos críticos para el negocio con compromisos frente a clientes, en cambio, debería esperarse hasta que existan condiciones operativas y contractuales claras.
Por ello es sensato un procedimiento escalonado: primero un caso de uso estrictamente delimitado con riesgo manejable, luego una comparación sólida de varios modelos basada en datos propios, y solo después la decisión sobre el uso productivo.Quien respeta este orden evita construir una arquitectura en torno a un modelo que en seis meses ya habrá sido reemplazado.
Protección de datos y gobernanza siguen siendo tareas propias
Un acceso común a la plataforma simplifica la conexión técnica, pero no sustituye ninguna revisión jurídica.Qué datos pueden transferirse a qué modelo, en qué regiones se realiza el procesamiento y durante cuánto tiempo se almacenan las entradas sigue debiendo aclararse por caso de uso.Especialmente con datos personales o contractuales, esta revisión debería realizarse antes del primer prototipo y no después.
Resulta útil una lista interna de aprobación que registre qué modelos están autorizados para qué clases de datos.Eso crea claridad para los equipos de desarrollo y evita que las decisiones se improvisen en cada caso individual.
Clasificación para proyectos web y de software
Para proyectos web y de software, la pregunta central se desplaza de «¿Qué proveedor elegimos?» a «¿Cómo mantenemos abierta la elección del modelo?».Los proyectos deberían estructurarse de modo que un cambio de modelo siga siendo un cambio de configuración y no desencadene una reconstrucción de la aplicación.
Quien hoy configure correctamente la capa de abstracción, los casos de prueba y el registro, podrá evaluar nuevos modelos más adelante con poco esfuerzo, en lugar de vivir cada movimiento del mercado como un riesgo de proyecto.