Integrar funciones de IA en un producto o en un proceso interno también implica decidir sobre una nueva dependencia. En muchos casos se utilizan modelos cuyo funcionamiento interno no es visible para la organización usuaria y que no pueden adaptarse a sus propios requisitos. Precisamente en este punto interviene la Sovereign AI Foundation (SAIF), una nueva iniciativa bajo el paraguas de la Eclipse Foundation. Su objetivo es mostrar alternativas de código abierto.

La información disponible actualmente es escasa: se conoce la orientación, pero no cada detalle de la implementación. No obstante, la iniciativa es relevante para los responsables de proyectos, porque aborda un tema que aparece cada vez más en licitaciones y decisiones de arquitectura.

De qué se trata la soberanía en proyectos de IA

Aquí soberanía no se refiere solo a la ubicación del servidor. Abarca al menos tres niveles que en los proyectos a menudo se confunden:

  • Soberanía de los datos: quién controla hacia dónde fluyen las entradas, los documentos y los registros, y cuánto tiempo permanecen allí.
  • Verificabilidad: si es posible comprender cómo se construyó un modelo y sobre qué base responde.
  • Adaptabilidad: si un modelo puede adaptarse a particularidades del dominio, a la terminología propia o a requisitos regulatorios.

En los servicios de API puros, es decir, modelos accesibles exclusivamente a través de una interfaz de un proveedor, sobre todo el primer nivel puede regularse contractualmente. La verificabilidad y la adaptabilidad, en cambio, siguen siendo limitadas, porque los datos de entrenamiento, los pesos y los ciclos de cambio están en manos del proveedor.

Por qué la dependencia resulta costosa en la práctica

La dependencia técnica suele hacerse visible solo después de la implantación. Patrones típicos que pueden observarse en proyectos web y de software:

  • Un modelo se descontinúa o se sustituye por una nueva versión. Los prompts y la lógica posterior que estaban ajustados al comportamiento anterior de repente producen resultados diferentes.
  • La calidad y los tiempos de respuesta cambian sin que la propia aplicación se haya adaptado. En ese caso, el análisis de errores solo es posible de forma limitada.
  • Los cambios de precios y condiciones afectan a funciones que mientras tanto se han consolidado firmemente en el trabajo diario. Un cambio a corto plazo apenas resulta realista.
  • Surgen cuestiones de cumplimiento a posteriori, por ejemplo cuando un departamento especializado procesa contenidos personales o confidenciales.

Ninguno de estos riesgos habla en principio contra los modelos comerciales. Pero sí abogan por elegir la dependencia de forma consciente y limitarla arquitectónicamente.

Qué pueden hacer los modelos abiertos y qué no

Las alternativas de código abierto cambian el equilibrio, pero no resuelven automáticamente todos los problemas. Los modelos abiertos pueden operarse en la propia infraestructura o en un proveedor de servicios de propia elección, lo que mantiene manejables los flujos de datos. Pueden versionarse y congelarse, de modo que el comportamiento de una aplicación permanezca estable durante un periodo prolongado. Y pueden adaptarse cuando la terminología especializada, las estructuras de documentos o las reglas de verificación de una empresa se desvían del caso general.

A cambio, la responsabilidad pasa a la propia organización: deben organizarse la operación, las actualizaciones, la protección y la medición de la calidad. Además, el término «open source» tampoco está definido de forma uniforme en el ámbito de la IA: algunos modelos publican los pesos, pero no los datos de entrenamiento ni las condiciones completas de licencia para uso comercial. Una iniciativa que aporte orientación aquí aborda, por tanto, una carencia real.

Consecuencias para la arquitectura

Independientemente de cómo evolucione la iniciativa de Eclipse, la intercambiabilidad ya puede anclarse hoy en los proyectos. Resultan útiles sobre todo cuatro puntos:

  1. Introducir una capa de abstracción. Las aplicaciones no se comunican directamente con un proveedor, sino con una interfaz interna. Un cambio de modelo afecta entonces a un componente, no a la mitad de la base de código.
  2. Crear casos de prueba propios. Una colección manejable de tareas reales con resultados esperados permite medir si un modelo alternativo es suficiente para el caso de uso concreto.
  3. Mantener separados los datos y el conocimiento. Los contenidos, los índices de búsqueda y las reglas deben estar bajo la propia soberanía, no en el ajuste fino de un modelo ajeno.
  4. Clasificar la criticidad. Una sugerencia de texto en el sistema de redacción tiene requisitos distintos a una consulta con efectos jurídicos. No todos los casos de uso necesitan la misma soberanía.

Clasificación para proyectos de TYPO3 y de software

En los proyectos de gestión de contenidos, las funciones de IA aparecen ya en muchos lugares: sugerencias de texto en la redacción, traducciones, textos alternativos para imágenes, búsqueda semántica, clasificación de consultas. Estas funciones son pequeñas individualmente, pero en conjunto resultan críticas para el negocio, y rápidamente acaban en un único proveedor porque al inicio es el camino más rápido.

Para la planificación, esto significa que la selección del modelo debe ser una decisión con opción de salida, no un camino de sentido único. Un enfoque híbrido resulta pragmático en muchos casos: modelos comerciales donde importan la calidad y la velocidad, modelos abiertos donde los datos son sensibles o los resultados deben seguir siendo reproducibles durante años.

Para los proyectos web y de software, el foco se desplaza así de la pregunta «qué modelo es el mejor» a la pregunta «cuánto cuesta un cambio». Quien planifica desde el principio la abstracción, la medición propia de la calidad y flujos de datos claros, puede observar nuevos desarrollos como la Sovereign AI Foundation sin cuestionar la arquitectura cada vez.

Y quien de todos modos deba demostrar la soberanía de los datos, tiene con modelos verificables y adaptables una opción más sobre la mesa.

Fuentes