Las dos capas de IA en cada nube

Cada nube vende dos productos de IA que se confunden constantemente: una pasarela a modelos ya entrenados —para consumir IA— y una plataforma para entrenar los tuyos —para construirla—. Bedrock y SageMaker en AWS, Azure OpenAI y Azure ML en Azure, y las dos cosas bajo un mismo nombre en Vertex AI. La pregunta que decide no es qué nube usas: es si tu problema necesita un modelo que todavía no existe.

01 — Las dos capas

Consumir IA frente a construirla

Pasarela a modelos

Bedrock · Azure OpenAI · Vertex (Model Garden)

Modelos ya entrenados por terceros: Claude, GPT, Gemini, Llama.
Tú no entrenas nada: mandas un prompt y recibes texto.
Se paga por token. Sin tráfico, sin factura.
De cero a la primera respuesta en minutos.

para: chatbots, resúmenes, extracción, RAG, agentes

Plataforma de ML

SageMaker · Azure ML · Vertex (Training)

Tú traes los datos y el algoritmo, y entrenas un modelo propio.
Necesitas datos etiquetados, y eso es el trabajo caro.
Se paga por hora de cómputo y de endpoint.
De cero a producción: días o semanas.

para: predicción, clasificación tabular, visión, series temporales

La confusión habitual va en una sola dirección: gente que monta una plataforma de entrenamiento para un problema que un prompt bien escrito resolvía. Casi nunca al revés, porque el fallo inverso —pedirle a un LLM una predicción numérica sobre datos tabulares— se nota enseguida.

02 — La decisión

Dos preguntas, en este orden

Pregunta	Si sí	Si no
1. ¿Tu problema es de lenguaje o de generación?	Empieza por la pasarela. Prueba con prompt antes que con nada más	Pasa a la pregunta 2
2. ¿Es visión, tabular o series temporales, con datos propios etiquetados?	Plataforma de ML: aquí sí hay que entrenar	Probablemente no necesites ML — revisa si unas reglas resuelven el caso

El orden importa. Si un problema de texto se resuelve con un prompt, entrenar un modelo propio añade el coste de etiquetar, el de entrenar y el de mantener el endpoint encendido a cambio de nada. Y si sale mal, el diagnóstico es mucho más caro: en un prompt se ve lo que se pidió; en un modelo entrenado hay que mirar los datos.

// no entrenes un modelo si un prompt bien escrito resuelve el problema

03 — Unificado

Por qué «una sola plataforma» no significa «mejor»

Vertex AI junta las dos capas bajo un nombre y una API. Eso es real y tiene ventajas —una autenticación, un modelo de permisos, un sitio donde mirar— y es lo que AWS y Azure resuelven con dos productos separados que se integran peor entre sí.

Pero la propia guía pone el freno, y merece la pena repetirlo: no elijas plataforma por el modelo, elígela por la integración con tu stack. El catálogo de modelos de cada nube cambia cada pocos meses y todas acaban ofreciendo variantes equivalentes; lo que no cambia cada pocos meses es dónde están tus datos, tu identidad y tu facturación.

Dicho al revés: la unificación es una ventaja operativa, no una ventaja de modelo. Si tu equipo ya vive en otra nube, esa ventaja no compensa mover todo lo demás.

Auditoría Empieza por el título del módulo. Se llama «Serverless AI: AWS Bedrock + Lambda» y promete «inferencia bajo demanda con Lambda» — y en sus 39 páginas Lambda no aparece ni una vez: ni funciones, ni API Gateway, ni cold starts, ni timeouts. Lo que hay es una comparativa de las plataformas de IA de las tres nubes, y dos tercios del material son de proveedores que el título no menciona (Azure y GCP). El contenido real es bueno; el problema es que quien confíe en el índice llegará a un proyecto creyendo que ya vio cómo desplegar inferencia en una función. Es el segundo módulo del curso con el título desalineado de su material — ¿merece la pena revisar el resto de títulos del syllabus contra sus PDFs antes de estudiarlos?

Para hacer

Clasificar tus propios casos

Escribe los tres problemas de IA que tengas más cerca —del trabajo, de un proyecto, de una idea— y pásalos por las dos preguntas de la sección 02. Anota en cuál cae cada uno y, sobre todo, qué datos etiquetados harían falta para los que caigan en la plataforma de ML.

Ese segundo dato suele decidir la cuestión antes que ninguna comparativa técnica: un problema que necesita 5.000 ejemplos etiquetados y no los tiene no es un problema de plataforma, es un problema de datos.