Quien introduce flujos de trabajo asistidos por IA en una empresa mediana se topa pronto con la misma pregunta: ¿pueden los datos salir de la empresa? En el caso de contratos, expedientes de personal, cálculos o datos de clientes, la respuesta suele ser no, y con ello muchos servicios en la nube quedan descartados. Precisamente en ese hueco incide un paso reciente de Perplexity: según su propia presentación, la empresa ofrece un modelo y un agente asociado que pueden operarse localmente en hardware propio.
Lo llamativo no es tanto el producto individual como su justificación. Perplexity argumenta que los agentes para operación local necesitan un ajuste distinto que los modelos que trabajan en un centro de datos con capacidad de cómputo casi ilimitada. En la comparación competitiva, según indica el proveedor, el agente superaría a los modelos Hermes y Pi. Este tipo de autoevaluaciones debe leerse con cautela: Perplexity persigue sus propios intereses con un agente utilizable localmente, y las afirmaciones de benchmark de los fabricantes no sustituyen una verificación propia en el caso de uso concreto.
Qué distingue a un agente de un modelo de chat
Un modelo de lenguaje responde a consultas. Un agente —es decir, un sistema de IA que planifica tareas de varios pasos, invoca herramientas y evalúa resultados intermedios— trabaja, en cambio, en bucles: buscar, leer, resumir, escribir un archivo, comprobar el resultado. Para cada uno de estos pasos se genera una consulta propia al modelo.
Eso explica por qué los agentes locales necesitan un perfil distinto. En la nube se puede permitir un proceso de razonamiento costoso a lo largo de muchos pasos intermedios. En una estación de trabajo con una sola tarjeta gráfica, en cambio, cada paso adicional decide si una tarea termina en segundos o en minutos. Un modelo que decide de forma concisa y fiable qué herramienta invocar a continuación es más valioso en este entorno que uno que se expresa con detalle.
La ventaja real: los datos se quedan en la empresa
Para las empresas, el punto central es organizativo, no técnico. Si un agente se ejecuta en un equipo dentro de la propia red, desaparece toda una clase de preguntas:
- Encargo de tratamiento: no hay ningún proveedor externo que trate datos personales y, por tanto, no hay ningún contrato adicional ni verificación.
- Transferencia a terceros países: no se plantea la pregunta de en qué país se realiza el tratamiento.
- Uso para entrenamiento: no surge incertidumbre sobre si las entradas influirán en futuras versiones del modelo.
- Disponibilidad: una caída o un cambio de precios en el proveedor no interrumpe el flujo de trabajo de inmediato.
Así se abre un ámbito que hasta ahora solía estar bloqueado: evaluaciones sobre fondos documentales internos, preparación de ofertas, búsqueda en bases de conocimiento propias, elaboración de actas. Todas ellas tareas en las que los datos son sensibles, pero el beneficio se percibe de inmediato.
Los costes se desplazan, no desaparecen
El cambio de la nube al hardware propio no es un programa de ahorro, sino un traslado. En lugar de la facturación continua por consulta, en la factura figuran la adquisición y la operación de tarjetas gráficas, el consumo eléctrico, la refrigeración y la administración. A ello se suma el conocimiento que debe construirse o adquirirse internamente: actualizar modelos, estimar necesidades de memoria, medir tiempos de respuesta, regular permisos de acceso.
La calidad también es un tema de ponderación. Los modelos que caben en una sola estación de trabajo son más pequeños que los mayores modelos en la nube. Para tareas estructuradas y recurrentes con entradas claras, puede bastar. En preguntas abiertas con contexto largo, la diferencia se nota más. Por eso, quien trabaja localmente no debería aspirar al mayor campo de tareas posible, sino seleccionar de forma específica los procesos en los que la protección de datos es determinante.
Cómo comprobar el enfoque de forma sensata
En lugar de una decisión de principio, se recomienda un diseño de prueba acotado:
- Elegir un flujo de trabajo concreto que hoy fracasa por cuestiones de protección de datos; no el más exigente, sino uno con un resultado claro y medible.
- Definir de antemano qué significa suficientemente bueno: tasa de acierto, tiempo de respuesta aceptable, esfuerzo de control posterior.
- Recorrer el mismo flujo con un modelo local y uno en la nube y comparar los resultados, en lugar de asumir las indicaciones del fabricante.
- Conectar el agente de modo que el modelo siga siendo intercambiable. Las interfaces con los sistemas propios son más duraderas que cualquier generación actual de modelos.
El último punto es el más importante. El mercado de modelos operables localmente se mueve rápido, y lo que hoy se considera la cima de una comparación puede quedar superado en pocos meses. Quien fija su automatización a un único modelo compra una dependencia que precisamente quería evitar con el paso a su propia infraestructura.
Para proyectos web y de software, esto significa que la arquitectura determina más el beneficio que la elección del modelo. Quien encapsula las funciones de IA detrás de una interfaz propia puede alternar entre operación local y servicio en la nube, según lo sensibles que sean los datos en cada caso de uso. Y la protección de datos pasa así de ser un criterio de exclusión a una decisión que se toma para cada flujo de trabajo.