Por el Dr. Yichuan Zhang, director ejecutivo y cofundador de Boltzbit
A menudo hablo con líderes tecnológicos empresariales europeos que están profundamente interesados en la IA. Algunos han implementado copilotos, otros han ejecutado canalizaciones RAG en almacenes de documentos internos, o tal vez modelos básicos ajustados sobre datos propietarios. En la mayoría de los casos, están por delante de sus pares. Sin embargo, si su principal proveedor de modelos fuera adquirido o cambiara sus términos, todo lo que han construido podría desconectarse de la noche a la mañana.
La necesidad de separar las capas.
Casi tres cuartas partes (72%) de las empresas Ahora han adoptado la IA generativa en al menos una de sus funciones comerciales. El patrón de implementación dominante implica introducir datos propietarios en un modelo de terceros mediante generación aumentada de recuperación (RAG) o ajuste. Sin duda, ambos enfoques son útiles. Pero ninguno de los dos constituye propiedad duradera.
RAG brinda a un modelo acceso a los documentos en el momento de la consulta. Lee datos internos de la misma manera que un contratista lee un informe, sin acumular conocimiento institucional. El ajuste fino codifica el contexto del dominio en un momento determinado y luego se congela. Sin embargo, a medida que cambian las condiciones comerciales, esa instantánea se aleja cada vez más de la realidad operativa.
Únase al European Business Briefing
Los nuevos suscriptores de este trimestre participan en un sorteo para ganar un Rolex Submariner. Únase a más de 40.000 fundadores, inversores y ejecutivos que leen EBM todos los días.
Suscribir
Lo que ninguno de estos enfoques produce es un modelo que ha internalizado el negocio con el tiempo. Los patrones, anomalías y juicios que se acumulan a través de la experiencia operativa nunca llegan al modelo.
La respuesta es separar los dos. El modelo base (quienquiera que lo proporcione) debe tratarse como una capa de productos básicos. Sin embargo, lo importante para la empresa es poseer la capa de aprendizaje. Esa capa es a la vez el mecanismo de entrenamiento y la inteligencia acumulada que produce.
fuera de control
El control de los proveedores sobre la capa del modelo se ha convertido cada vez más en un foco de atención. OpenAI ha dejado obsoletas múltiples versiones de modelos en rápida sucesióny las organizaciones reciben períodos de solo tres a seis meses para migrar los flujos de trabajo dependientes. Durante la introducción de GPT-5 en 2025, OpenAI eliminó varios modelos antiguos simultáneamente de ChatGPT causando una interrupción generalizada del flujo de trabajo.
Para los desarrolladores individuales, estas transiciones son un inconveniente. Para las empresas con flujos de trabajo críticos basados en versiones de modelos específicos, representan un riesgo operativo no planificado con un cronograma fuera de su control.
El riesgo político es real
Más allá de la obsolescencia, los proveedores también conservan el derecho de cambiar sus términos de uso aceptables, y esos cambios pueden afectar los casos de uso independientemente de la inversión operativa realizada.
La solución estructural es la misma. Lo mejor es llevar la infraestructura de formación al entorno de la organización. Cuando el sistema que aprende continuamente de los datos operativos y escribe la experiencia del dominio resultante en pesos del modelo es autohospedado, el modelo base se vuelve intercambiable.
Un cambio de política de proveedor que haga insostenible un modelo específico simplemente se convierte en una decisión de sustitución. La empresa conserva el flujo de formación, la inteligencia acumulada que ha producido y puede cambiar la base sobre la que se ejecuta. Así es como se ve en la práctica la soberanía del modelo, y es una decisión de arquitectura, no de adquisiciones.
Donde se asienta el conocimiento
Los líderes empresariales europeos prefieren alojar modelos de IA en su propia infraestructura, citando como motivaciones principales la privacidad de los datos, la reducción del riesgo de violación de proveedores y los protocolos de seguridad personalizados. Esa preferencia es sensata. Sin embargo, recuerde que el alojamiento de la infraestructura por sí solo no resuelve el problema de dependencia si la capa de aprendizaje todavía pertenece al proveedor.
Gartner identifica Los modelos abiertos GenAI están remodelando el panorama empresarial. Ofrecen mayor flexibilidad y libertad frente a la dependencia de un proveedor, con la capacidad de personalizar, ajustar e implementar en los propios términos de una organización. Pero el cambio a un modelo abierto no crea por sí solo apropiación.
Cambia la infraestructura y deja la misma brecha en la capa de aprendizaje. La experiencia en el dominio que una organización desarrolla mediante la implementación de IA debe codificarse en la infraestructura que gobierna, no en una relación con un proveedor que no puede controlar.
La verdadera pregunta para las empresas europeas es si el conocimiento institucional que los sistemas de IA acumulan con el tiempo y en el que se entrenan se encuentra dentro del entorno de la organización o dentro del de otra persona.
Una cuestión de propiedad
La mayoría de las organizaciones europeas reconocen que la dependencia de los proveedores es un riesgo. Muchos menos han tomado medidas concretas para abordarlo a nivel de arquitectura. Esa brecha es más amplia precisamente donde más importa. Las decisiones tomadas en el primer año de implementación de IA se acumulan en dependencias arraigadas en el tercer año.
Las preguntas prácticas para cualquier equipo ejecutivo que revise la gobernanza de la IA son:
¿Qué flujos de trabajo dependen ahora de manera crítica de una versión específica del modelo de terceros?
¿Cuál es el costo y el cronograma de la migración si esa versión queda obsoleta o los términos del proveedor cambian?
¿Dónde reside la experiencia en el dominio acumulada a través de nuestras implementaciones de IA? ¿La empresa es propietaria de ella?
Estas son preguntas estándar sobre riesgos de proveedores. Ahora ha llegado el momento de aplicarlos también a la IA.
Actualmente, solo alrededor de un tercio de las organizaciones informan haber ampliado la IA en toda la empresa. Esto significa que la gran mayoría todavía tiene tiempo para tomar decisiones arquitectónicas antes de que la dependencia operativa esté demasiado arraigada como para cambiar.
Las organizaciones que utilizan esa ventana para hacer preguntas sobre propiedad, no solo preguntas sobre capacidad, estarán en una posición materialmente diferente cuando llegue el próximo cambio de política de proveedor o ciclo de desuso del modelo.