El mapa de las tres nubes

AWS, Azure y Google venden lo mismo con nombres distintos: una plataforma de ML, una pasarela de modelos y una integración con su propio almacén de datos. La elección casi nunca la decide el modelo estrella — la decide dónde están ya tus datos, tu identidad y tu factura. Elegir nube por el modelo es el error caro, porque el catálogo cambia cada pocos meses y la gravedad de los datos no.

01 — Equivalencias

El mismo stack, tres nombres

Pieza	AWS	Azure	Google Cloud
Plataforma de ML	SageMaker	Azure ML	Vertex AI (Training)
Pasarela de modelos	Bedrock	Azure OpenAI	Vertex AI (Model Garden)
Modelo insignia	Claude	GPT	Gemini
¿Una plataforma o dos?	Dos productos	Dos productos	Uno unificado
Analítica integrada	Redshift / Athena sobre S3	Synapse	BigQuery, nativo

Leída así, la tabla dice algo que las comparativas de modelos esconden: las tres filas de arriba son intercambiables y la de abajo no. Cualquiera de las tres nubes te da un modelo competente para casi cualquier tarea; ninguna te da los datos que ya tienes en otra.

02 — Criterios

Los cuatro que deciden de verdad

Criterio	Qué inclina la balanza	Peso
Dónde vive tu stack	Ya usas una nube: sus datos, su identidad, su factura	El más alto, casi siempre
Necesitas un modelo concreto	Un requisito explícito de producto o de cliente	Alto, si es real
Requisitos de cumplimiento	Residencia del dato, certificaciones, red privada	Decisivo cuando aplica
Experiencia del equipo	Lo que ya saben operar y depurar	Se subestima siempre

Ese segundo criterio hay que mirarlo con lupa, porque es el que más veces se invoca sin serlo. «Necesitamos GPT-4» suele significar «probamos con GPT-4 y funcionó», que no es lo mismo que un requisito. La comprobación honesta es probar la misma tarea con el modelo equivalente de la nube en la que ya estás, con el mismo conjunto de pruebas, antes de mover nada.

03 — Reversibilidad

Lo que cuesta cambiar de opinión

No todas las decisiones de este mapa cuestan lo mismo deshacerlas, y esa es la información que ninguna tabla comparativa incluye:

Decisión	Coste de revertirla
Cambiar de modelo dentro de la misma pasarela	Bajo: una cadena y volver a medir
Cambiar de pasarela dentro de la misma nube	Medio: cambia la forma de la llamada
Cambiar de nube el cómputo	Alto: identidad, permisos, despliegue, observabilidad
Cambiar de nube los datos	Muy alto: transferencia, reindexado y un periodo con dos verdades

Por eso el criterio de «dónde vive tu stack» pesa tanto: no es pereza, es que la fila de abajo de esa tabla se paga una vez y para siempre. Un modelo que hoy es un 10 % mejor rara vez compensa una migración de datos — y dentro de seis meses puede que ya no sea mejor.

// el modelo cambia cada seis meses; la gravedad de los datos, no

Auditoría Las tres tablas de modelos de la guía se titulan literalmente «Modelos disponibles (2024-2025)», con precio por millón de tokens para cada uno. Es más honesto que las cifras sin fecha de otros módulos — y también significa que ese periodo ya pasó. Dos entradas se leían como legacy incluso entonces (`text-embedding-ada-002` en Azure, la familia `*-bison` en Vertex) y la guía las lista sin marcarlas. Peor: los identificadores exactos están dentro del código (`anthropic.claude-3-sonnet-20240229-v1:0`, `gemini-1.5-pro-001`, una `api_version` de Azure con fecha incrustada), y un modelo retirado no avisa: da un error que parece de permisos. ¿Qué modelos lista hoy la consola de tu cuenta y tu región, y a qué precio? Lo que sí sobrevive es la forma de las tablas: siempre hay un modelo estrella, uno económico, uno de embeddings y uno de imagen, y la salida cuesta varias veces la entrada.

Para hacer

Rellenar tu propia fila

Coge la tabla de equivalencias de la sección 01 y añade una columna: qué usas tú hoy. Dónde están tus datos, con qué identidad te autenticas, quién paga la factura y qué sabe operar tu equipo. Si las cuatro respuestas apuntan a la misma nube, la decisión de plataforma ya está tomada y lo único que queda por elegir es el modelo dentro de ella.

Si apuntan a nubes distintas —datos en una, equipo en otra— ese desacuerdo es el problema real, y ninguna comparativa de modelos lo va a resolver.