¿Qué es Model as a Service (MaaS)? La guía para entender la nueva forma de usar inteligencia artificial
Model as a Service (MaaS) está cambiando la forma en que empresas de todos los tamaños incorporan inteligencia artificial. Esta guía explica qué significa este modelo, cómo funciona, cuáles son sus ventajas, sus limitaciones y por qué proveedores como Huawei, OpenAI y otros están apostando por esta nueva forma de ofrecer IA.
Durante años, incorporar inteligencia artificial a una empresa parecía reservado para gigantes tecnológicos con enormes presupuestos. Entrenar modelos, comprar servidores especializados y contratar científicos de datos hacía pensar que la IA era un lujo para muy pocos.
Eso está cambiando rápidamente.
Hoy muchas organizaciones ya no necesitan construir un modelo de inteligencia artificial desde cero. Pueden consumirlo como un servicio a través de internet, pagando únicamente por el uso que hacen de él. Esa tendencia recibe un nombre que cada vez aparece con más frecuencia: Model as a Service, o simplemente MaaS.
La idea parece sencilla, aunque detrás existe una transformación profunda en la industria tecnológica. Si hace quince años las empresas dejaron de comprar servidores para empezar a alquilar infraestructura en la nube, ahora ocurre algo parecido con la inteligencia artificial.
En lugar de instalar un modelo en sus propios computadores, muchas organizaciones simplemente se conectan a uno que ya está funcionando en un centro de datos remoto.
Eso reduce barreras técnicas, disminuye costos iniciales y permite experimentar mucho más rápido.
Este artículo toma como punto de partida la conferencia técnica sobre Model as a Service (MaaS) presentada por Andrés González, de Huawei, pero amplía el contexto con documentación técnica y otras fuentes para explicar una tendencia que afecta a toda la industria de la inteligencia artificial.
Si prefieres una explicación en video, aquí puedes ver la conferencia que motivó este artículo.
En El Siglo 21 es Hoy analizamos cómo tecnologías como la inteligencia artificial, la computación en la nube y la automatización están transformando la vida cotidiana y las empresas. Este artículo hace parte de esa serie de guías para entender, con un lenguaje sencillo, las tecnologías que marcarán los próximos años.
La inteligencia artificial también se está convirtiendo en un servicio
Durante mucho tiempo el software se distribuía como un producto. Se compraba una licencia, se instalaba en un computador y allí permanecía durante años. Después apareció el concepto de Software as a Service (Software como Servicio), conocido como SaaS.
Aplicaciones como Gmail, Microsoft 365 o Salesforce cambiaron completamente la forma de consumir software. En vez de comprar una copia permanente, los usuarios pagan una suscripción y acceden al servicio desde cualquier lugar.
Con la inteligencia artificial está ocurriendo algo parecido. En vez de descargar un modelo enorme, instalarlo, actualizarlo y mantener toda la infraestructura necesaria, una empresa puede enviar una petición mediante internet y recibir una respuesta casi inmediata.
Desde el punto de vista del usuario parece magia. Desde el punto de vista técnico, simplemente está utilizando la capacidad de cómputo de otra organización.
¿Qué significa exactamente "Model as a Service"?
El nombre puede sonar intimidante, aunque el concepto es bastante simple. Un modelo de inteligencia artificial funciona como un motor capaz de comprender instrucciones y generar respuestas.
Ese motor puede permanecer instalado en un servidor remoto y miles de clientes pueden utilizarlo al mismo tiempo. La empresa que ofrece el servicio se encarga de todo:
- mantener los servidores;
- actualizar los modelos;
- administrar la seguridad;
- realizar mejoras de rendimiento;
- escalar la capacidad cuando aumenta la demanda.
El cliente únicamente consume el servicio mediante una conexión a internet. Es parecido a utilizar electricidad. Nadie instala una planta generadora en su casa para encender una bombilla. Simplemente conecta el aparato a la red eléctrica y paga por la energía consumida.
Con MaaS sucede algo parecido. Las empresas "enchufan" sus aplicaciones al modelo de inteligencia artificial.
¿Cómo funciona Model as a Service (MaaS)?
↓
Aplicación o API
↓
Plataforma MaaS
↓
Modelo de IA
↓
Respuesta
La empresa no necesita instalar ni entrenar el modelo. Simplemente envía una solicitud a través de una API, el proveedor ejecuta el modelo en su infraestructura y devuelve la respuesta. El cliente paga únicamente por el uso realizado.
¿Por qué este modelo resulta atractivo?
Existen varias razones. La primera es económica. Entrenar modelos modernos requiere cantidades enormes de procesamiento gráfico. Las tarjetas especializadas para inteligencia artificial pueden costar miles de dólares cada una y normalmente trabajan agrupadas en grandes centros de datos. Muy pocas organizaciones necesitan semejante infraestructura funcionando permanentemente. En cambio, muchas sí necesitan hacer algunas consultas al día. Pagar únicamente por esas consultas suele resultar mucho más razonable.
La segunda razón es el tiempo. Implementar un sistema propio puede tardar meses. Consumir un modelo ya disponible puede tomar apenas unas horas de desarrollo.
La tercera tiene que ver con la innovación. Los modelos de inteligencia artificial evolucionan a gran velocidad. Cada pocas semanas aparecen nuevas versiones con mejor capacidad de razonamiento, programación, análisis de documentos o generación de imágenes. Cuando el modelo pertenece al proveedor del servicio, el cliente evita buena parte del trabajo de actualización.
De un vistazo: ¿qué cambia con Model as a Service?
| Desarrollar y operar un modelo propio | Model as a Service (MaaS) |
|---|---|
| Comprar e instalar servidores propios. | Acceder al modelo mediante internet. |
| Alta inversión inicial. | Pago únicamente por el uso realizado. |
| La empresa mantiene la infraestructura. | El proveedor administra servidores, actualizaciones y escalabilidad. |
| Actualizaciones manuales. | Mejoras continuas a cargo del proveedor. |
| Mayor complejidad técnica. | Integración mediante API con menor complejidad. |
| Capacidad limitada al hardware disponible. | Escalado automático según la demanda. |
La comparación resume las diferencias generales entre desarrollar una solución propia y consumir modelos de inteligencia artificial mediante un servicio MaaS. En la práctica pueden existir variantes según el proveedor y el tipo de implementación.
Una buena idea ya no necesita esperar meses
Uno de los aspectos más interesantes mencionados durante la presentación es que la inteligencia artificial generativa está reduciendo una barrera que durante años frenó a muchos emprendedores. Muchas personas tienen una buena idea para resolver un problema, pero no saben programar una aplicación. Contratar un equipo de desarrollo puede resultar costoso o simplemente estar fuera de su presupuesto.
Los modelos generativos permiten construir prototipos funcionales en cuestión de horas o días. Eso no significa que la inteligencia artificial sustituya completamente el trabajo de los desarrolladores. Un prototipo rara vez es un producto listo para producción.
Lo habitual es utilizar la IA para acelerar la primera etapa y posteriormente complementar ese trabajo con ingeniería, pruebas, seguridad y mantenimiento realizados por personas.
En otras palabras, la inteligencia artificial está reduciendo el tiempo necesario para comprobar si una idea realmente tiene potencial antes de invertir grandes cantidades de dinero en ella. Esa visión aparece repetidamente durante la explicación técnica de los servicios de modelos consumidos bajo demanda.
No todo necesita inteligencia artificial
Existe otro mensaje interesante que suele pasar desapercibido. Durante los últimos dos años muchas empresas han sentido la presión de añadir inteligencia artificial prácticamente a cualquier producto.
Eso no siempre tiene sentido. Si un proceso está completamente definido, sigue reglas fijas y siempre produce el mismo resultado, un desarrollo tradicional puede resolver el problema de forma más simple, más rápida y con menor costo. La inteligencia artificial aporta mayor valor cuando debe interpretar lenguaje natural, clasificar información compleja, encontrar patrones, resumir documentos o ayudar en la toma de decisiones.
Convertir la IA en un simple adorno tecnológico puede mejorar la apariencia de un producto, aunque no necesariamente mejora la experiencia del usuario.
¿Qué es un LLM y por qué todos hablan de ellos?
Cuando usamos ChatGPT, Claude, Gemini, DeepSeek o cualquiera de las herramientas modernas de inteligencia artificial, en realidad estamos interactuando con un tipo de modelo llamado LLM. Las siglas corresponden a Large Language Model, es decir, Modelo Grande de Lenguaje.
La palabra "grande" no hace referencia únicamente al tamaño del programa. También describe la enorme cantidad de información utilizada durante su entrenamiento. Estos modelos analizan cantidades gigantescas de textos para aprender cómo se relacionan las palabras, cómo se construyen las frases y cómo suelen responder las personas a diferentes preguntas.
Después del entrenamiento ya no almacenan los documentos originales como una biblioteca donde puedan ir a buscar un párrafo específico. Lo que conservan son miles de millones —e incluso billones— de parámetros matemáticos que representan relaciones estadísticas entre conceptos.
Por esa razón un LLM puede escribir un correo electrónico, resumir un contrato, explicar una teoría científica o ayudar a programar software utilizando el mismo mecanismo interno. No "piensa" como una persona. Calcula cuál es la respuesta con mayor probabilidad de ser útil según el contexto que recibe.
Entonces... ¿por qué a veces parece tan inteligente?
Porque el lenguaje contiene muchísimo conocimiento. Durante décadas la humanidad ha explicado prácticamente todo utilizando palabras: historia, medicina, programación, literatura, derecho, cocina, ingeniería o filosofía.
Cuando un modelo aprende las relaciones existentes dentro de enormes cantidades de texto, termina desarrollando una sorprendente capacidad para relacionar conceptos. Eso puede dar la impresión de que comprende el mundo exactamente igual que un ser humano.
En realidad sigue existiendo una diferencia importante. El modelo no posee experiencias personales, emociones ni conciencia. Tampoco sabe si una respuesta es verdadera simplemente porque la escribió. Por eso todavía puede equivocarse o inventar información cuando no dispone del contexto suficiente.
El contexto: la memoria de corto plazo de la inteligencia artificial
Uno de los conceptos más importantes para entender los modelos modernos es la llamada ventana de contexto. Podemos imaginarla como una mesa de trabajo.
Sobre esa mesa el modelo coloca todo lo que necesita para responder:
- las instrucciones iniciales;
- las reglas del sistema;
- la conversación anterior;
- los documentos que el usuario haya cargado;
- la nueva pregunta.
Mientras todo eso cabe sobre la mesa, el modelo puede relacionar unas piezas con otras. Cuando la conversación se vuelve demasiado larga, parte de esa información debe desaparecer para dejar espacio a los nuevos mensajes.
Por eso muchas personas sienten que el asistente "olvidó" algo que habían dicho varias páginas atrás. No necesariamente lo olvidó. Simplemente ya no cabe dentro de la ventana de contexto disponible. Los modelos más recientes disponen de ventanas mucho más amplias que las de hace apenas dos años, aunque siguen teniendo un límite.
¿Por qué algunas respuestas cambian cuando hago exactamente la misma pregunta?
Es una de las dudas más frecuentes y hay varias razones. La primera es el propio contexto. Si antes de preguntar sobre energía solar estuvimos hablando de arquitectura, la respuesta probablemente será diferente a la obtenida después de una conversación sobre cambio climático.
La segunda razón consiste en las instrucciones internas. Todos los grandes asistentes incluyen reglas invisibles para el usuario. Esas reglas indican, por ejemplo, que el modelo debe evitar determinados contenidos, reducir las alucinaciones, responder con cierto estilo o reconocer cuándo no tiene suficiente información. La tercera razón tiene que ver con la evolución constante de los modelos.
Los proveedores actualizan periódicamente sus sistemas. Una respuesta obtenida hace seis meses puede ser diferente hoy simplemente porque el modelo fue mejorado.
Los tokens: la moneda invisible de la inteligencia artificial
Cuando las empresas hablan del precio de utilizar un modelo de IA casi nunca mencionan palabras o páginas. Hablan de tokens.
Un token puede entenderse como la unidad mínima con la que el modelo procesa el lenguaje. Aunque suele parecerse a una palabra, en realidad no siempre coincide con ella. Una palabra muy larga puede dividirse en varios tokens. Una palabra corta puede ocupar uno solo, incluso un signo de puntuación puede convertirse en un token independiente. Por eso los proveedores cobran normalmente según la cantidad total de tokens procesados.
Es parecido al consumo de agua o electricidad. No se paga por tener la tubería instalada. Se paga por la cantidad utilizada.
¿Por qué importa entender los tokens?
Porque permiten calcular el costo real de una aplicación basada en inteligencia artificial. Cada conversación consume tokens de entrada y tokens de salida.
Los de entrada corresponden a todo lo que el usuario envía. Los de salida representan la respuesta generada por el modelo. Una empresa que procese millones de documentos al mes puede terminar consumiendo miles de millones de tokens.
En ese escenario, una pequeña diferencia en el precio por millón de tokens puede representar cientos de miles de dólares al año. Por esa razón los departamentos de tecnología analizan cuidadosamente qué modelo utilizar para cada tarea.
No todos los modelos hablan el mismo "idioma"
Otro detalle interesante es que distintos modelos pueden dividir exactamente el mismo texto en cantidades diferentes de tokens. Eso significa que una misma consulta puede resultar más económica en un proveedor que en otro. La explicación es técnica.
Cada desarrollador diseña su propio sistema de tokenización. Es decir, decide cómo dividir el texto antes de procesarlo. En algunos idiomas esa diferencia puede ser bastante grande. Lenguas que utilizan caracteres muy compactos, como el chino, suelen representar más información utilizando menos tokens que idiomas como el español o el inglés.
Desde el punto de vista del usuario eso suele pasar desapercibido. Para quien desarrolla aplicaciones comerciales, en cambio, puede marcar una diferencia importante en los costos operativos. Durante la presentación técnica se mostró precisamente cómo un mismo texto puede convertirse en cantidades distintas de tokens dependiendo del modelo utilizado.
Elegir un modelo no consiste en buscar "el más inteligente"
Existe una idea equivocada muy frecuente. Muchas personas piensan que siempre conviene utilizar el modelo más potente disponible.
En realidad depende del problema que se quiera resolver. Si una empresa únicamente necesita clasificar correos electrónicos, quizá un modelo pequeño resulte suficiente. Si necesita analizar contratos jurídicos muy extensos o escribir código complejo, probablemente requiera un modelo con mayores capacidades. Es parecido a elegir un vehículo.
Un automóvil deportivo puede ser extraordinario en una autopista. Eso no significa que sea la mejor opción para repartir paquetes dentro de una ciudad. Con los modelos de inteligencia artificial ocurre exactamente lo mismo. La mejor elección depende del trabajo que deba realizarse, del presupuesto disponible y de la velocidad esperada.
Del chatbot al agente: la siguiente etapa de la inteligencia artificial
Hace muy poco la mayoría de las personas conoció la inteligencia artificial a través de una ventana de chat. Uno escribía una pregunta. El sistema respondía.
La conversación terminaba allí. Ese modelo sigue siendo útil, pero la industria ya está mirando hacia otra dirección. Ahora el objetivo no consiste únicamente en que la inteligencia artificial responda preguntas.
Se espera que sea capaz de ejecutar tareas completas. Ese cambio ha dado origen a uno de los conceptos más repetidos durante 2026: los agentes de inteligencia artificial.
¿Qué es realmente un agente de IA?
La palabra "agente" puede dar la impresión de que estamos hablando de un robot autónomo con voluntad propia. No es eso.
Un agente sigue siendo un sistema informático diseñado por personas. La diferencia es que ya no se limita a generar texto.
También puede planificar una secuencia de acciones, decidir cuál es el siguiente paso, utilizar herramientas externas y comprobar si alcanzó el objetivo que le asignó el usuario. Podemos pensar en la diferencia entre una calculadora y un asistente administrativo.
La calculadora responde cuando alguien oprime un botón. El asistente recibe una tarea, organiza el trabajo, consulta documentos, hace llamadas, verifica información y entrega un resultado. Los agentes intentan acercarse más a este segundo comportamiento.
¿Qué NO es un agente?
Supongamos que escribimos:
"¿Qué día es hoy?"
El sistema responde:
"Hoy es martes."
Allí no existe ningún agente.
Simplemente hubo una pregunta y una respuesta.
Ahora imaginemos otra situación.
"Revisa mi correo, identifica los mensajes urgentes, agrúpalos por tema, prepara un resumen y añade a mi calendario las reuniones que aparezcan confirmadas."
En ese caso la inteligencia artificial debe realizar varias tareas distintas.
- Tiene que comprender el objetivo.
- Planificar.
- Consultar el correo electrónico.
- Leer cada mensaje.
- Extraer información.
- Clasificarla.
- Utilizar otra herramienta para acceder al calendario.
- Finalmente debe verificar que terminó correctamente el trabajo.
Eso sí se acerca mucho más al concepto moderno de agente.
Las cuatro capacidades que distinguen a un agente
Aunque cada empresa utiliza definiciones ligeramente diferentes, la mayoría de arquitecturas actuales comparten cuatro características.
1. Planificación
Antes de actuar, el agente divide el problema en pequeñas tareas. Es parecido a preparar un viaje.
Primero se revisan las fechas. Después los vuelos. Luego el hotel. Finalmente el transporte.
La inteligencia artificial intenta construir una estrategia semejante antes de empezar a trabajar.
2. Uso de herramientas
Un modelo de lenguaje, por sí solo, no puede consultar un correo electrónico ni abrir una hoja de cálculo.
Necesita herramientas que le permitan interactuar con otros sistemas. Esas herramientas funcionan como extensiones. Una puede acceder al correo, otra consultar una base de datos, otra enviar un mensaje, otra generar una factura.
El agente decide cuál utilizar en cada momento.
3. Memoria
Muchos agentes modernos conservan información temporal sobre el trabajo que están realizando.
Si una tarea dura varios minutos o incluso varias horas, necesitan recordar qué hicieron anteriormente para evitar repetir pasos o perder el objetivo inicial.
Esa memoria suele ser diferente de la ventana de contexto del modelo.
En muchos sistemas existe un mecanismo adicional para resumir lo ocurrido y mantener disponible únicamente la información más importante.
4. Verificación
Después de ejecutar una acción, algunos agentes revisan si el resultado realmente cumple el objetivo solicitado.
Si encuentran un error, pueden intentar corregirlo antes de entregar la respuesta al usuario.
Ese ciclo de planificación, acción y revisión representa una de las mayores diferencias frente a un chatbot tradicional.
Una sola inteligencia artificial... o varias trabajando juntas
Cuando un problema se vuelve complejo, muchas organizaciones dejan de utilizar un único agente.
En cambio, crean equipos de agentes especializados. Uno busca información. Otro analiza documentos. Otro revisa aspectos legales. Otro prepara el informe final.
Sobre todos ellos aparece un coordinador, llamado normalmente orquestador, encargado de decidir qué agente debe intervenir en cada momento.
La comparación con una empresa resulta bastante útil. El gerente no realiza personalmente todas las tareas. Coordina diferentes departamentos. Los sistemas multiagente intentan reproducir una organización parecida.
¿Cómo consigue un agente acceder a información que no conocía?
Aquí aparecen dos conceptos técnicos que probablemente veremos cada vez con mayor frecuencia durante los próximos años.
RAG: cuando la IA consulta documentos antes de responder
Las siglas RAG corresponden a Retrieval-Augmented Generation. El nombre parece complicado, pero la idea es bastante sencilla.
Antes de responder, el sistema busca información relevante dentro de los documentos autorizados por la organización. Después incorpora esos datos al contexto de la conversación. Finalmente genera la respuesta.
Gracias a este mecanismo una empresa puede permitir que la inteligencia artificial consulte manuales internos, políticas corporativas, contratos o documentación técnica sin necesidad de volver a entrenar el modelo completo.
Es una diferencia importante. El modelo no aprende permanentemente esos documentos. Simplemente los consulta cuando los necesita.
MCP: un idioma común para conectar herramientas
Otro término que comienza a ganar protagonismo es Model Context Protocol (MCP).
Puede imaginarse como un estándar que facilita que diferentes herramientas se comuniquen con los modelos de inteligencia artificial.
Hasta hace poco cada aplicación necesitaba construir integraciones prácticamente desde cero.
La idea detrás de MCP consiste en utilizar un lenguaje común para conectar calendarios, bases de datos, gestores documentales, aplicaciones empresariales y otros servicios.
Todavía es una tecnología en evolución, aunque muchos desarrolladores consideran que podría desempeñar un papel parecido al que tuvieron los puertos USB para conectar dispositivos físicos: un estándar compartido que reduzca la cantidad de adaptadores diferentes.
¿Dónde veremos primero estos agentes?
Curiosamente, es posible que la primera gran transformación no ocurra en los hogares.
Probablemente suceda dentro de las empresas.
Muchas organizaciones ya acumulan miles de documentos, procesos y sistemas que todavía requieren intervención humana para coordinar tareas repetitivas.
Allí un agente puede ahorrar tiempo sin sustituir completamente a los trabajadores.
- Puede preparar información.
- Clasificar solicitudes.
- Detectar anomalías.
- Resumir expedientes.
- Organizar reuniones.
- Proponer respuestas.
El criterio final sigue perteneciendo a las personas.
La inteligencia artificial se convierte en una herramienta de apoyo capaz de reducir buena parte del trabajo mecánico.
La autonomía también tiene límites
Cuanta mayor capacidad adquiere un agente para ejecutar acciones, mayor importancia adquieren los mecanismos de control.
No todas las decisiones deberían quedar completamente automatizadas.
En ámbitos como la salud, la justicia, el sector financiero o la administración pública, muchas organizaciones incorporan revisiones humanas antes de permitir que determinadas acciones produzcan efectos reales.
Ese enfoque suele describirse como human in the loop, una expresión utilizada para indicar que una persona conserva la supervisión sobre las decisiones más delicadas.
Más que eliminar a los profesionales, la tendencia actual consiste en trasladarlos hacia funciones donde aportan contexto, criterio y responsabilidad, mientras la inteligencia artificial acelera las tareas repetitivas y el procesamiento inicial de la información.
Privacidad, seguridad y propiedad de los datos: las preguntas que toda empresa debería hacerse antes de usar IA
Cuando una organización comienza a utilizar inteligencia artificial, la primera pregunta rara vez es cuál modelo escribe mejor o cuál genera imágenes más llamativas. La conversación suele empezar por otra preocupación: ¿qué ocurre con la información que enviamos?
Es una inquietud razonable. Muchas empresas trabajan con contratos, información financiera, expedientes médicos, estrategias comerciales o datos personales protegidos por la legislación. Antes de incorporar un servicio basado en inteligencia artificial necesitan saber quién puede acceder a esa información, cuánto tiempo permanecerá almacenada y si terminará utilizándose para entrenar nuevos modelos.
Las respuestas no son iguales en todos los proveedores. Cada plataforma establece condiciones de uso diferentes, por lo que resulta indispensable revisar la documentación técnica y los contratos antes de poner en producción cualquier sistema basado en IA.
La primera regla: no toda la información debería enviarse a un modelo de IA
Durante la presentación se insistió en una recomendación que comparten prácticamente todos los especialistas en ciberseguridad: evitar enviar datos personales cuando no sea estrictamente necesario. Antes de procesar documentos suele aplicarse un proceso de anonimización, que consiste en eliminar nombres, números de identificación, direcciones u otros elementos que permitan identificar a una persona.
Este procedimiento permite aprovechar las capacidades de análisis de un modelo sin exponer información sensible. En sectores regulados, como la salud o el sistema financiero, esa práctica suele formar parte de las políticas internas de seguridad mucho antes de incorporar inteligencia artificial.
¿Quién es realmente el dueño de la información?
Ésta parece una pregunta obvia, aunque durante los últimos años ha generado numerosos debates.
Al utilizar un servicio de IA intervienen al menos tres actores: la organización que aporta los datos, la empresa que ofrece la plataforma y, en algunos casos, el desarrollador del modelo de lenguaje.
Dependiendo de cómo esté construido el servicio, la información podría permanecer únicamente durante el tiempo necesario para generar la respuesta, almacenarse temporalmente para auditorías o incluso utilizarse para mejorar futuras versiones del modelo. Cada escenario implica condiciones diferentes.
Precisamente por esa razón muchas empresas revisan con detalle las políticas de tratamiento de datos antes de contratar un proveedor. La diferencia entre una plataforma y otra puede tener implicaciones jurídicas importantes.
El procesamiento no siempre significa entrenamiento
Existe una confusión bastante frecuente. Muchas personas creen que cualquier dato enviado a un modelo termina incorporándose automáticamente a su entrenamiento.
No siempre ocurre así.
Una cosa es procesar información para generar una respuesta y otra muy distinta utilizar posteriormente esos datos para modificar el comportamiento del modelo. Algunos proveedores separan completamente ambos procesos y establecen contractualmente que la información del cliente no será utilizada para entrenamiento. Otros ofrecen esa posibilidad únicamente si el cliente la autoriza expresamente.
La recomendación sigue siendo la misma: leer cuidadosamente las condiciones del servicio antes de asumir que todos los proveedores trabajan bajo las mismas reglas.
La confianza también depende de las certificaciones
La seguridad informática no puede evaluarse únicamente a partir de declaraciones comerciales. Existen estándares internacionales que buscan verificar si una organización aplica procesos adecuados para proteger la información.
Uno de ellos es la norma ISO/IEC 42001, publicada para establecer un sistema de gestión específico para inteligencia artificial. Esta certificación no garantiza que un producto sea perfecto ni elimina todos los riesgos, aunque sí demuestra que la organización sigue procedimientos auditables relacionados con el gobierno, la gestión de riesgos y el uso responsable de la IA.
Durante la conferencia se mencionó que la infraestructura utilizada por Huawei cuenta con esta certificación y con otras relacionadas con seguridad y privacidad. Esa afirmación puede verificarse consultando la documentación pública de la compañía y forma parte de los elementos objetivos que un cliente puede comparar entre distintos proveedores.
¿Qué promete Huawei y qué conviene analizar con más detalle?
La presentación utilizó la plataforma de Huawei como ejemplo de un servicio de Model as a Service. Según la compañía, los datos procesados permanecen dentro de su infraestructura, no se transfieren a los desarrolladores originales de los modelos abiertos que aloja y se eliminan después del proceso de inferencia, es decir, una vez generada la respuesta.
Esas afirmaciones describen el funcionamiento anunciado por la empresa y constituyen una parte importante de su propuesta comercial. Para un cliente potencial, el siguiente paso consiste en verificar cómo esas promesas aparecen reflejadas en los contratos, las políticas de privacidad y la documentación técnica del servicio antes de utilizar información sensible en un entorno de producción.
La seguridad también depende del usuario
Existe una idea que suele pasar desapercibida. Aunque un proveedor disponga de excelentes mecanismos de protección, la responsabilidad no desaparece del lado del cliente.
Si un empleado copia una base de datos completa en un chatbot público sin autorización, el problema difícilmente podrá resolverse únicamente mediante tecnología. La capacitación de los usuarios, las políticas internas y la definición de qué información puede compartirse siguen siendo componentes esenciales de cualquier estrategia de inteligencia artificial.
En otras palabras, la seguridad de una solución basada en IA depende tanto de la plataforma elegida como de la forma en que las personas la utilizan.
La confianza será un factor tan importante como el rendimiento
Durante los primeros años de la inteligencia artificial generativa la conversación se concentró en cuál modelo respondía mejor o escribía código con mayor precisión. A medida que estas herramientas comienzan a integrarse en procesos empresariales, otros factores adquieren la misma relevancia: la protección de los datos, el cumplimiento normativo, la transparencia en el tratamiento de la información y la posibilidad de auditar el funcionamiento del sistema.
Es probable que, dentro de unos años, muchas organizaciones elijan un proveedor no porque su modelo sea ligeramente más inteligente, sino porque ofrece mayores garantías jurídicas, mejores controles de seguridad y condiciones de uso compatibles con las regulaciones del país donde opera.
La nueva competencia no consiste en crear el mejor modelo, sino en ofrecer el mejor servicio
Durante los primeros años de la inteligencia artificial generativa, casi toda la atención se concentró en una sola pregunta: ¿qué modelo responde mejor?
La competencia entre empresas giraba alrededor de los rankings de rendimiento. Cada nuevo lanzamiento prometía resolver mejor problemas matemáticos, escribir código con mayor precisión o comprender documentos más extensos.
Esa carrera continúa, aunque el mercado está entrando en una etapa diferente. Para muchas organizaciones ya no basta con disponer del modelo más potente. También importa cómo se accede a él, cuánto cuesta utilizarlo, qué garantías ofrece el proveedor y qué tan fácil resulta integrarlo con los sistemas existentes.
En otras palabras, la competencia está desplazándose desde el modelo hacia la plataforma.
¿Qué significa consumir un modelo "como servicio"?
La idea recuerda bastante a otros cambios ocurridos durante las últimas dos décadas en la computación en la nube.
Hace años una empresa compraba servidores físicos, instalaba el sistema operativo y administraba toda la infraestructura dentro de sus propias instalaciones. Hoy muchas organizaciones simplemente alquilan capacidad de procesamiento cuando la necesitan.
Con los modelos de inteligencia artificial está ocurriendo algo parecido.
En lugar de descargar un modelo, mantenerlo actualizado, instalar aceleradores gráficos y ocuparse del consumo energético, la empresa realiza una petición mediante una interfaz de programación, conocida como API (Application Programming Interface), recibe una respuesta y paga únicamente por ese uso.
Desde el punto de vista del desarrollador, el modelo funciona como otro servicio disponible en internet. La complejidad de la infraestructura permanece oculta detrás de una conexión segura.
¿Por qué aparecen tantos proveedores nuevos?
Hace apenas unos años el mercado estaba dominado por un número reducido de compañías. Hoy la situación es bastante diferente. Existen proveedores especializados en infraestructura, empresas que desarrollan modelos abiertos, plataformas que reúnen modelos de distintos fabricantes e incluso organizaciones que ofrecen herramientas para administrar varios proveedores al mismo tiempo.
Esta diversidad responde a una razón sencilla: los clientes no siempre necesitan la misma solución. Algunas empresas buscan el mayor rendimiento posible. Otras priorizan el costo. Algunas requieren que los datos permanezcan dentro de un país determinado. Otras necesitan integrar modelos abiertos con sistemas propios.
En consecuencia, el mercado se está fragmentando y aparecen propuestas dirigidas a necesidades muy específicas.
Los modelos abiertos están cambiando las reglas del juego
Uno de los aspectos más interesantes de esta evolución es el crecimiento de los modelos de código abierto u open source.
Durante mucho tiempo las capacidades más avanzadas pertenecían exclusivamente a modelos cerrados desarrollados por unas pocas compañías. En la actualidad existen alternativas abiertas que, en determinadas pruebas, alcanzan resultados muy cercanos.
Eso no significa que todos los modelos abiertos sean equivalentes ni que siempre superen a los modelos comerciales. El rendimiento depende del tipo de tarea, del tamaño del modelo y del conjunto de evaluaciones utilizado para compararlos.
Lo que sí ha cambiado es la capacidad de elección. Las organizaciones ya no dependen de un único proveedor para acceder a herramientas de alto nivel.
Huawei apuesta por convertirse en un punto de acceso a múltiples modelos
Dentro de ese contexto se sitúa la propuesta presentada durante la conferencia. En lugar de centrarse exclusivamente en un modelo propio, Huawei plantea una plataforma que permite consumir distintos modelos abiertos mediante un esquema de pago por uso.
La empresa sostiene que este enfoque facilita a los clientes probar varias alternativas antes de decidir cuál utilizar en producción. Desde la perspectiva del usuario, la plataforma funciona como un catálogo donde diferentes modelos pueden ejecutarse utilizando una infraestructura común.
Esta estrategia no es exclusiva de Huawei. Otros proveedores del mercado también están evolucionando hacia plataformas capaces de ofrecer varios modelos en lugar de apostar únicamente por uno desarrollado internamente.
Elegir el modelo adecuado empieza a parecerse a elegir un motor para un vehículo
No todos los trabajos requieren la misma herramienta.
Un modelo especializado en programación puede resultar excelente para escribir código y, al mismo tiempo, ofrecer un desempeño más discreto al redactar documentos jurídicos. Otro puede destacar en traducción automática. Un tercero puede ser especialmente eficiente analizando imágenes.
Por ese motivo muchas organizaciones comienzan a utilizar diferentes modelos según la tarea que deban realizar. Un mismo sistema puede consultar un modelo económico para responder preguntas sencillas y recurrir a otro más potente únicamente cuando necesita razonamientos complejos.
Esta estrategia reduce costos sin sacrificar calidad.
El precio por token se está convirtiendo en un argumento competitivo
En la primera etapa de la inteligencia artificial generativa muchas empresas estaban dispuestas a pagar prácticamente cualquier precio por acceder a los modelos más avanzados.
Esa situación está cambiando.
La competencia entre proveedores está provocando una reducción progresiva del costo por millón de tokens procesados. En algunos casos aparecen diferencias de precio muy importantes entre modelos con niveles de rendimiento relativamente similares.
Durante la conferencia se mostraron comparaciones de costos entre diferentes modelos disponibles en la plataforma de Huawei y otros servicios del mercado. El mensaje principal no consistía en afirmar que un modelo sea universalmente mejor que otro, sino en destacar que existen alternativas capaces de ofrecer resultados comparables en determinados casos de uso con un costo inferior. Esa comparación debe interpretarse dentro del contexto específico de las pruebas utilizadas y no como una conclusión válida para todas las aplicaciones.
La infraestructura también influye en el precio final
Cuando se habla del costo de utilizar inteligencia artificial suele pensarse únicamente en el software. En realidad, una parte importante del gasto proviene de la infraestructura necesaria para ejecutar los modelos.
Los aceleradores especializados consumen grandes cantidades de energía y requieren sistemas avanzados de refrigeración. Además, los centros de datos deben mantener disponibilidad permanente, redes de alta velocidad y mecanismos de respaldo.
Por esa razón factores como el precio de la electricidad, la eficiencia energética del hardware o la ubicación geográfica de los centros de datos terminan influyendo en el costo que paga el cliente.
Huawei argumenta que el desarrollo de infraestructura propia —incluyendo procesadores especializados y centros de datos optimizados para inteligencia artificial— forma parte de su estrategia para reducir esos costos operativos. Esa explicación resulta coherente con la lógica económica del sector, aunque el ahorro real dependerá del tipo de modelo utilizado, del volumen de consultas y de las condiciones comerciales de cada contrato.
La verdadera competencia será por el ecosistema
Todo indica que el mercado evolucionará hacia plataformas donde las organizaciones puedan combinar diferentes modelos, herramientas y servicios sin depender completamente de un único proveedor.
En ese escenario, el rendimiento del modelo seguirá siendo importante, aunque dejará de ser el único criterio de decisión. La facilidad para integrar aplicaciones, la protección de los datos, el costo por uso, la disponibilidad global y la rapidez con la que aparezcan nuevos modelos dentro del catálogo tendrán un peso creciente.
En otras palabras, el futuro de la inteligencia artificial empresarial probablemente no pertenezca únicamente a quien construya el modelo más avanzado, sino también a quien consiga ofrecer el ecosistema más flexible y confiable para utilizarlo.
Lo que esto significa
Hace apenas unos años la conversación sobre inteligencia artificial giraba alrededor de una pregunta muy sencilla: ¿qué modelo es el mejor?
Hoy esa pregunta ya no basta.
Las organizaciones necesitan decidir dónde ejecutarán esos modelos, cuánto costará utilizarlos, cómo protegerán la información de sus clientes y qué tan sencillo será integrar esa inteligencia artificial con los sistemas que ya utilizan.
Ese cambio explica por qué el concepto de Model as a Service (MaaS) está ganando tanta relevancia. El verdadero producto ya no es únicamente el modelo de lenguaje, sino todo el ecosistema que permite utilizarlo de manera práctica, segura y económicamente sostenible.
Para un emprendedor, esta tendencia reduce considerablemente la barrera de entrada. Hoy es posible construir un prototipo funcional en pocos días utilizando modelos disponibles mediante pago por uso, algo que hace muy poco habría requerido una inversión mucho mayor en infraestructura y desarrollo.
Para una pequeña o mediana empresa representa la posibilidad de automatizar procesos sin necesidad de crear un departamento completo de inteligencia artificial. Muchas organizaciones podrán comenzar resolviendo un único problema específico y ampliar gradualmente el uso de estas tecnologías conforme obtengan resultados.
Para los desarrolladores aparece una oportunidad diferente. En lugar de dedicar meses a entrenar modelos propios, gran parte del valor consistirá en diseñar aplicaciones capaces de combinar modelos, herramientas, bases de datos y agentes para resolver problemas concretos de negocio.
Los responsables de tecnología, por su parte, tendrán que evaluar aspectos que hace pocos años apenas aparecían en las conversaciones: consumo de tokens, costos operativos, residencia de los datos, certificaciones de seguridad, interoperabilidad y riesgos regulatorios.
Finalmente, para cualquier usuario de inteligencia artificial hay una conclusión importante. La calidad de un asistente ya no dependerá únicamente de qué tan bien redacte una respuesta. Cada vez será más importante su capacidad para consultar documentos, interactuar con otras aplicaciones, ejecutar tareas completas y trabajar de forma coordinada con otros agentes especializados.
Una tecnología que apenas está comenzando
La inteligencia artificial generativa todavía atraviesa una etapa de cambios muy rápidos. Los modelos mejoran constantemente, aparecen nuevos competidores y los costos de operación continúan descendiendo a medida que aumenta la competencia y evoluciona el hardware especializado.
También persisten desafíos importantes. Las alucinaciones, el consumo energético, la protección de datos personales, la propiedad intelectual y la regulación seguirán siendo temas centrales durante los próximos años.
Lo más probable es que dentro de poco dejemos de hablar de inteligencia artificial como una herramienta independiente. Igual que hoy pocas personas piensan en la computación en la nube cuando utilizan un servicio de correo electrónico, la IA terminará integrándose silenciosamente en aplicaciones, procesos y servicios cotidianos.
Cuando eso ocurra, probablemente la pregunta ya no será "¿esta aplicación utiliza inteligencia artificial?", sino "¿resuelve mejor mi problema?".
Ese será el verdadero indicador del éxito de esta tecnología.
Bibliografía
- Huawei Cloud. ModelArts. https://www.huaweicloud.com/intl/en-us/product/modelarts.html
- Huawei Cloud. ModelArts Studio. https://support.huaweicloud.com/intl/en-us/modelarts-studio/
- Huawei Cloud. Documentación sobre Model as a Service (MaaS). https://support.huaweicloud.com/intl/en-us/maas/
- ISO/IEC 42001:2023. Artificial intelligence — Management system. https://www.iso.org/standard/81230.html
- Anthropic. Documentación técnica sobre modelos de lenguaje y uso mediante API. https://docs.anthropic.com/
- OpenAI. API Platform Documentation. https://platform.openai.com/docs
- Google. Gemini API Documentation. https://ai.google.dev/
- DeepSeek. Documentación oficial. https://api-docs.deepseek.com/
- Model Context Protocol. Especificación oficial. https://modelcontextprotocol.io/
- Lewis, Patrick y colaboradores. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. https://arxiv.org/abs/2005.11401
- Stanford University. AI Index Report. https://hai.stanford.edu/ai-index
Comentarios
Publicar un comentario