Por qué las empresas quieren una IA propia

La mayoría de las empresas conoce la IA como un alquiler. Un puesto en ChatGPT o Claude, una clave para una interfaz, una factura que crece con cada usuario. Los modelos son excelentes y, para la mayor parte del trabajo de una empresa, ese acuerdo es el adecuado. El cerebro de nuestra propia empresa trabaja cada día en Claude y ChatGPT.

Hay trabajo que es distinto. Un contrato que nadie ajeno puede leer. Los informes de pruebas de un producto que aún no se ha anunciado. Décadas de know-how de ingeniería, por fin escritas de una forma que un modelo puede aprovechar. Para ese trabajo la pregunta cambia. Deja de ser qué modelo es el mejor y pasa a ser en el edificio de quién se ejecuta el modelo, y quién aprende de lo que lee.

Lo que las empresas dicen que les preocupa

La preocupación se puede medir. Para su estudio de referencia de 2026, Cisco encuestó a 5'200 profesionales de TI, tecnología y seguridad de 12 mercados. De ellos, el 86 por ciento dijo que los datos almacenados en local son intrínsecamente más seguros, frente al 90 por ciento un año antes, y el 81 por ciento informó de una mayor demanda de mantener los datos en local. Tres de cada cuatro organizaciones tenían un órgano dedicado a la gobernanza de la IA. Solo el 12 por ciento consideraba maduro el suyo.

El panorama suizo es parecido. En una encuesta de EY a 604 empresas publicada en mayo de 2026, el 89 por ciento de los encuestados dijo que usa IA en su trabajo diario. Para el 51 por ciento era crítico para el negocio que los sistemas de IA cumplan los requisitos suizos o europeos de protección de datos.

Detrás de las cifras hay una idea más sencilla. Clem Delangue, que dirige Hugging Face, se lo dijo a TechCrunch en julio: «no quieres externalizar tus capacidades esenciales a otra empresa». Para la mayoría de las empresas, el know-how es lo esencial. Es lo más difícil de copiar y lo que un modelo alquilado conoce menos.

Lo que las condiciones para empresas ya cubren

Alquilar es hoy más seguro que antes. OpenAI afirma que los datos enviados a su API no se usan para entrenar sus modelos desde el 1 de marzo de 2023, salvo que el cliente opte por ello. Anthropic afirma que, por defecto, no utiliza las entradas ni las salidas de sus productos comerciales para entrenar.

Los detalles son donde está el trabajo. En OpenAI, los registros que se conservan para vigilar abusos se retienen por defecto hasta 30 días. La retención cero de datos existe para los clientes que cumplen los requisitos, previa aprobación. Una región europea que abarca el EEE y Suiza mantiene allí el contenido del cliente, y para usarla hace falta uno de los controles de retención aprobados. Los datos de sistema, como los de cuenta, facturación y uso, aún pueden tratarse en otros lugares, y para los modelos lanzados desde el 5 de marzo de 2026 los endpoints regionales cuestan un 10 por ciento más.

Nada de eso es motivo para evitar los modelos alquilados. Es motivo para leer las condiciones como una lista de requisitos. El contrato decide qué puede hacer el proveedor con tus datos. No decide dónde está el proveedor, cuándo cambia el modelo ni si el modelo llegará a mejorar en tu trabajo. Son cuestiones de arquitectura.

Los modelos de pesos abiertos ya están lo bastante cerca

Los modelos de pesos abiertos, que una empresa puede descargar y ejecutar por su cuenta, se han acercado a los mejores modelos cerrados. El AI Index 2026 de Stanford constató que en marzo de 2026 el mejor modelo cerrado superaba al mejor modelo abierto en un 3,3 por ciento. En agosto de 2024 la diferencia era del 0,5 por ciento, así que ha vuelto a abrirse, aunque poco. Seis de los diez primeros modelos de la clasificación de Arena son cerrados.

Incluso los mayores laboratorios publican pesos abiertos. En agosto de 2025, OpenAI lanzó dos modelos de pesos abiertos con la licencia Apache 2.0. El más grande funciona en una sola GPU con 80 GB de memoria, el más pequeño en 16 GB.

Suiza tiene los suyos. Apertus, desarrollado por la EPFL, la ETH de Zúrich y el Centro Nacional Suizo de Supercomputación, apareció en julio de 2026 en su versión 1.5, ahora con comprensión de imagen y audio, con licencia Apache 2.0 y abierto al uso en investigación y comercial. Sus creadores señalan al cantón del Tesino, que ejecuta un servicio de traducción propio sobre Apertus, de modo que los documentos sensibles de la administración se traducen sin depender de proveedores comerciales.

Para una tarea concreta dentro de una empresa, la clasificación importa menos que saber si el modelo conoce los términos, las reglas y las decisiones pasadas de esa empresa. Eso es algo que una empresa puede enseñar a un modelo que es suyo.

Dónde puede ejecutarse un modelo privado

Privado abarca tres lugares. La cuenta de nube propia de una empresa, con sus propias claves. Servidores en su propio edificio o centro de datos. Y redes cerradas que nunca tocan internet.

Cada uno tiene un precio. Tener un modelo propio significa encargarse de su operación: el hardware o el contrato de nube, las actualizaciones, la seguridad, las pruebas de cada versión nueva y una persona responsable de todo ello. Alquilar significa una factura que crece con cada puesto y cada consulta, y un modelo que el proveedor puede cambiar cualquier día.

Para la mayoría de las empresas, la respuesta honesta es las dos cosas. El mejor modelo alquilado para el trabajo abierto, donde más cuenta la amplitud, y un modelo propio para el trabajo que debe quedarse dentro. Delangue espera que la mayoría de las cargas de trabajo en producción se ejecuten en modelos privados dentro de las empresas o en modelos abiertos. Nosotros lo planteamos con más modestia. La línea entre ambos es la primera decisión, y merece trazarse a propósito.

Qué debería significar privado

Privado es una palabra fácil de reclamar. Estas son las preguntas que nos hacemos antes de usarla.

Dónde se ejecuta. Una cuenta de nube con nombre o un edificio con nombre, en un país con nombre. Una región en un mapa es un comienzo, y nada más.

Quién puede leerlo. Prompts, archivos, registros y copias de seguridad, cada uno con un periodo de retención y una lista de las personas y los subencargados que pueden verlos.

De qué aprende. Tus datos no entrenan nada fuera de tu empresa. Lo ideal es que entrenen al modelo que trabaja para ti.

Quién lo cambia. Una versión se queda hasta que decides sustituirla, y una versión nueva se puede revertir en un solo paso.

Cómo se prueba. Cada versión nueva se mide frente a la anterior, con tus propias tareas, antes de salir en vivo.

Quién puede marcharse. El modelo, sus adaptaciones y tus datos pueden irse contigo si cambias de proveedor.

Quién responde. Una persona con nombre es la responsable del modelo, de sus reglas y de sus puntos de control. Un modelo puede leer todos los contratos del archivo. Decidir qué cláusula acepta la empresa sigue siendo cosa de una persona, y la responsabilidad también.

Por qué trabajamos con Eigna

Eigna lo construye nuestro socio Eigna Labs, y responde por diseño a casi toda esa lista. Cada empresa recibe un modelo privado propio: un modelo abierto, adaptado a su sector y entrenado con sus propios archivos, reglas y lenguaje. Se ejecuta en la nube de la propia empresa o en sus propios servidores, y está diseñado para funcionar totalmente sin conexión en redes cerradas. Los datos de la empresa nunca salen de esa nube.

Los equipos trabajan con expertos locales para sus propias tareas, desde lo jurídico y el riesgo hasta las operaciones y el soporte. Sus correcciones se quedan dentro de los muros, el modelo se reentrena allí por etapas, y una versión nueva sale en vivo solo cuando rinde mejor en las pruebas que la anterior. Si no, se queda fuera.

crue fue una de las primeras empresas en probar Eigna, y lo usamos en nuestro propio trabajo. Cuando el trabajo en el Twin de una empresa se vuelve confidencial o crítico, Twin se ejecuta sobre Eigna en lugar de sobre un modelo alquilado.

Eigna está en acceso anticipado, y lo decimos. Si el trabajo es sensible, la arquitectura debería empezar por ahí.