A la hora de comenzar un proyecto donde se requiere la implementación de inteligencia artificial, concretamente, hacer uso de Large Langague Models (LLM), la primera pregunta que hay que plantearse es: qué modelo de lenguaje debería usar para mi proyecto. Esta pregunta parece sencilla de responder, pero detrás de ella, se esconden decisiones que van más allá del rendimiento de un asistente (chatbot), cuestiones como dónde se alojan los datos, quién puede acceder a ellos, si el modelo es auditable o si su uso es compatible con la normativa que aplica al sector del proyecto. En este artículo repasamos cinco de las opciones más relevantes del momento: Gemma3, Mistral, ALIA, Claude y ChatGPT; y los criterios que, en nuestra experiencia, deberían guiar la decisión antes que cualquier comparación de rendimiento.
| Modelo | Origen / Desarrollador | Tipo | Punto fuerte | A tener en cuenta |
|---|---|---|---|---|
| Gemma3 | Abierto (pesos descargables) | Ligero, eficiente, apto para despliegue local o en edge | Requiere infraestructura propia para explotarlo a fondo | |
| Mistral | Mistral AI (Francia) | Abierto y comercial | Rendimiento competitivo con modelos más pequeños; origen europeo | Modelos más potentes son de pago y con infraestructura propia del proveedor |
| ALIA | Gobierno de España / BSC | Abierto | Entrenado con criterios de soberanía y transparencia; adaptado al castellano y lenguas cooficiales | Aún en desarrollo frente a la madurez de otros modelos comerciales |
| Claude | Anthropic | Cerrado, vía API | Fuerte en tareas de razonamiento, redacción y uso empresarial con controles de seguridad | El procesamiento se realiza en la infraestructura del proveedor |
| ChatGPT (GPT) | OpenAI | Cerrado, vía API | Ecosistema muy extendido, gran cantidad de integraciones disponibles | Dependencia de infraestructura externa |
Como ya adelantábamos al principio, para un despliegue en un entorno corporativo o de administración pública, la cuestión no es únicamente qué modelo responde mejor, sino:
- ¿Dónde se procesan los datos? Un modelo abierto como Gemma3, Mistral o ALIA permite el despliegue en infraestructura propia o en la nube soberana de la organización. Un modelo como Claude o ChatGPT implica, por diseño, enviar información al proveedor a través de su API.
- ¿Es auditable el modelo? Los modelos abiertos permiten inspeccionar, ajustar y, en algunos casos, reentrenar el sistema. Los modelos cerrados ofrecen documentación y garantías contractuales, pero no acceso al modelo en sí.
- ¿Qué exige la normativa de tu sector? Un ayuntamiento sujeto al Esquema Nacional de Seguridad, una empresa de defensa o una infraestructura crítica no pueden evaluar un LLM únicamente por su rendimiento: deben partir del marco de cumplimiento normativo aplicable (por ejemplo, ENS, Reglamento Europeo de IA, esquemas de clasificación de la información, entre otros).
Recomendaciones según el contexto
- Sector público y administraciones. ALIA nace precisamente para cubrir esta necesidad: un modelo entrenado bajo criterios de transparencia y soberanía, en castellano, que puede desplegarse sin depender de infraestructura fuera del territorio nacional o europeo. Gemma3 y Mistral son alternativas abiertas también válidas cuando se requiere despliegue local.
- Sector privado estratégico (defensa, naval, aeroespacial, logística). La prioridad suele ser el control total sobre el dato y la posibilidad de desplegar el modelo en un entorno aislado. Los modelos abiertos vuelven a ser, en la mayoría de los casos, la opción de partida, complementados cuando es necesario con modelos cerrados para tareas concretas que no impliquen información sensible. Sin embargo, nuestra recomendación son modelos soberanos: soluciones que garanticen que el dato y el procesamiento permanecen bajo jurisdicción nacional o europea, con trazabilidad completa y sin dependencia de infraestructura de terceros fuera de ese marco. Es la única forma de ofrecer garantías reales cuando se trabaja con información crítica para la seguridad y la defensa.
- Grandes integradores y proyectos de innovación. Cuando el proyecto no maneja datos críticos y prima la velocidad de desarrollo, Claude o ChatGPT ofrecen un punto de partida robusto gracias a su ecosistema de integraciones y su rendimiento en tareas de razonamiento y generación de contenido.
No existe un único modelo ganador
La elección de un LLM no debería resolverse comparando benchmarks de rendimiento, sino evaluando el proyecto en su conjunto. Plantearse qué datos va a procesar, qué garantías necesita ofrecer la organización, y qué margen de control exige el marco regulatorio en el que opera. Un mismo proyecto puede, de hecho, combinar varios modelos según la sensibilidad de cada tarea, por ejemplo, un modelo abierto para el procesamiento de información interna y un modelo cerrado para tareas de cara al público sin datos críticos.
En ITELLIGENT ayudamos a organizaciones del sector público y a empresas de sectores estratégicos a definir esta arquitectura de forma responsable, integrando modelos de lenguaje dentro de un marco de gobernanza del dato y cumplimiento normativo. Si quieres profundizar en la terminología técnica antes de dar este paso, puedes consultar también nuestro glosario de términos en LLM.
Si quieres que analicemos tu caso concreto, contacta con nuestro equipo.
0 comentarios