Qué esperar de un engagement de preparación de datos de IA de $10K–$20K

Los precios de IA empresarial son opacos por diseño. La mayoría de los proveedores quieren llevarte a una llamada antes de discutir números. Para cuando conoces el precio, ya has invertido horas en demos y sesiones de descubrimiento, y el costo hundido hace más difícil retirarse.

Creemos que eso está al revés. Si estás presupuestando un engagement de preparación de datos de IA, deberías saber qué compran $10K–$20K antes de levantar el teléfono. Este artículo es un desglose transparente de lo que un engagement típico a este precio incluye, cómo se estructura el trabajo y qué factores empujan el costo hacia arriba o hacia abajo.

---

Qué cubre este rango de precios

Un engagement de $10K–$20K está dimensionado para un solo pipeline de datos — una fuente de datos principal, un formato de salida objetivo, un caso de uso. No es una transformación de datos a nivel empresarial. Es un engagement enfocado y de alto valor diseñado para llevar un dataset específico de crudo a listo para IA.

Entregables típicos:

• Un pipeline de datos funcional en tu infraestructura
• Ingestión desde tu sistema fuente (base de datos, servidor de archivos, sistema de gestión documental)
• Reglas de limpieza y transformación adaptadas a tus datos
• Esquema de etiquetado diseñado con tus expertos del dominio
• Validación de calidad con métricas medibles
• Exportación en tu formato de entrenamiento requerido (JSONL, Parquet, COCO, etc.)
• Documentación y capacitación del equipo para mantenimiento del pipeline
• 30 días de soporte post-engagement

Lo que típicamente no incluye a este precio: integración de múltiples fuentes de datos, entrenamiento de modelos, servicios gestionados continuos ni adquisición de hardware.

---

El cronograma

La mayoría de los engagements a este nivel duran 4-6 semanas. Así es como típicamente se distribuye el tiempo:

Semana 1: Descubrimiento (~$2K–$3K de esfuerzo)

Aquí es donde el engagement tiene éxito o fracasa. La semana de descubrimiento trata de entender lo que realmente tienes, no lo que crees que tienes.

Qué sucede:

• Auditoría de datos: Qué datos existen, dónde viven, en qué formato están, cuánto hay
• Configuración del entorno: Acceso a tu infraestructura, credenciales de seguridad, configuración de red
• Entrevistas con stakeholders: Los expertos del dominio explican cómo se usan los datos, qué importa, qué no
• Confirmación de alcance: El alcance del engagement se refina basándose en lo que revela la auditoría de datos

Qué típicamente sale mal: Los datos están en peor estado del esperado. Los sistemas fuente no están documentados. El aprovisionamiento de acceso toma más tiempo del planificado. Esto es normal — el descubrimiento existe precisamente para hacer emerger estos problemas antes de que comience la construcción.

Semanas 2-3: Construcción del pipeline (~$5K–$9K de esfuerzo)

El trabajo de ingeniería central. Un ingeniero (o un par de ingenieros para alcances más grandes) construye el pipeline en tu infraestructura.

Qué sucede:

• Pipeline de ingestión: Conectores a tus sistemas fuente, manejo de casos extremos en formatos de datos
• Reglas de limpieza: Deduplicación, normalización, manejo de valores faltantes, estandarización de formatos
• Flujo de etiquetado: Creación del esquema de etiquetas, configuración de interfaz de anotación, incorporación de expertos del dominio
• Lógica de transformación: Conversión de datos crudos a la estructura que necesita tu pipeline de ML
• Revisión iterativa: Los expertos del dominio revisan muestras de salida, dan retroalimentación, refinan reglas

Qué típicamente sale mal: Casos extremos en los datos que no fueron visibles durante el descubrimiento. Un tipo de documento que representa el 5% del volumen pero el 50% de la complejidad. Problemas de integración con sistemas legados. Los buenos ingenieros planifican tiempo de reserva para esto.

Semana 4: Validación y entrega (~$2K–$4K de esfuerzo)

El pipeline se prueba, se valida y se transfiere a tu equipo.

Qué sucede:

• Métricas de calidad: Precisión, exhaustividad y puntuaciones de acuerdo en datos etiquetados
• Pruebas del pipeline: Ejecuciones de extremo a extremo con volúmenes de datos de producción
• Documentación: Arquitectura del pipeline, configuración, procedimientos de mantenimiento
• Capacitación del equipo: Tus ingenieros aprenden cómo operar, modificar y extender el pipeline
• Entrega: Entrega final con firma de criterios de aceptación

Qué típicamente sale mal: La validación revela problemas de calidad que requieren ajustes al pipeline. Por eso la validación es una fase separada — detecta problemas antes de la entrega, no después.

---

Qué impulsa el costo hacia arriba

Varios factores empujan un engagement por encima de $20K:

Múltiples fuentes de datos. Cada sistema fuente adicional agrega complejidad de ingestión, manejo de formatos y pruebas de integración. Dos fuentes es aproximadamente 1.5x el trabajo, no 2x, pero se acumula.

Tipos de documentos complejos. PDFs escaneados con escritura a mano, diseños de múltiples columnas, tablas incrustadas o idiomas mixtos requieren procesamiento más sofisticado y más tiempo de expertos del dominio.

Requisitos estrictos de cumplimiento. El cumplimiento de HIPAA, ITAR o EU AI Act agrega sobrecarga de documentación, configuración de control de acceso, configuración de rastro de auditoría y frecuentemente un paso de revisión de cumplimiento.

Entornos air-gapped. Trabajar en entornos desconectados agrega sobrecarga logística: el software debe transferirse físicamente, las actualizaciones requieren sneakernet, y la resolución de problemas no puede depender del acceso a internet.

Grandes volúmenes de datos. Un pipeline de 10,000 documentos es fundamentalmente diferente de uno de 500,000 documentos en términos de optimización de procesamiento, gestión de almacenamiento y muestreo de validación.

Alcance indefinido. Si el engagement comienza sin objetivos claros, la fase de descubrimiento se expande, la construcción itera más y el cronograma se estira. Este es el impulsor de costos más común y el más prevenible.

---

Qué impulsa el costo hacia abajo

Datos fuente limpios y estructurados. Si tus datos ya están en una base de datos con esquemas consistentes, las fases de ingestión y limpieza se reducen drásticamente.

Alcance claro. Una organización que sabe exactamente lo que quiere — "Necesitamos 50,000 cláusulas de contrato etiquetadas con 12 categorías en formato JSONL" — elimina días de conversaciones de dimensionamiento.

Expertos del dominio disponibles. Cuando tus expertos en la materia pueden dedicar tiempo durante el engagement, los ciclos de retroalimentación se estrechan y la fase de construcción avanza más rápido.

Formatos estándar. Si tu formato de salida es JSONL o Parquet estándar y tus datos fuente son comunes (PDFs, CSVs, bases de datos estándar), se necesita menos ingeniería personalizada.

Infraestructura existente. Si tu entorno de cómputo ya está configurado con las dependencias necesarias, el tiempo de configuración del entorno se reduce de días a horas.

---

Cómo funciona típicamente el pago

La mayoría de los engagements a este nivel siguen una estructura de pago basada en hitos:

• 30% al inicio del engagement — cubre descubrimiento y configuración
• 40% en el hito de construcción — se activa cuando el pipeline es funcional y está procesando datos
• 30% en la entrega — se activa cuando la validación está completa y tu equipo ha sido capacitado

Algunos proveedores ofrecen precios fijos por proyecto, otros facturan por tiempo y materiales. El precio fijo te da certeza de costos pero menos flexibilidad. Tiempo y materiales da flexibilidad pero requiere confianza y límites claros de alcance.

---

Qué no compran $10K–$20K

Establecer expectativas importa tanto como describir lo que está incluido:

• No compra una plataforma de datos completa. Este es un pipeline para un caso de uso, no una infraestructura de datos empresarial.
• No incluye entrenamiento de modelos. La preparación de datos y el entrenamiento de modelos son disciplinas separadas. Algunos proveedores los agrupan; a este precio, la mayoría no.
• No incluye operaciones continuas. El engagement entrega un pipeline funcional y capacita a tu equipo. Ejecutarlo día a día es tu responsabilidad, aunque muchos proveedores ofrecen contratos de soporte.
• No garantiza rendimiento del modelo. La preparación de datos mejora la probabilidad de buen rendimiento del modelo. No lo garantiza. Si alguien promete eso, haz preguntas más difíciles.

---

¿Vale la pena?

La respuesta honesta: depende de la alternativa.

Si tu equipo de ML está pasando más de 3 meses preparando datos manualmente, y el costo totalmente cargado de un ingeniero es $15K/mes, un engagement de $15K que entrega un pipeline funcional en 4 semanas se paga solo de inmediato.

Si tus datos ya están limpios y estructurados, y tu equipo tiene las habilidades para construir el pipeline ellos mismos, el engagement puede no tener sentido. No toda organización necesita ayuda externa.

La pregunta no es "¿son $10K–$20K mucho dinero?" Es "¿cuál es el costo de no hacer esto?" Entrenamiento de modelos retrasado, iniciativas de IA estancadas, o un equipo de ML gastando su tiempo en trabajo de limpieza de datos en vez de desarrollo de modelos — esos costos se acumulan más rápido de lo que la mayoría de las organizaciones se dan cuenta.

---

Próximos pasos

Si estás dimensionando un engagement de preparación de datos de IA y quieres una conversación transparente sobre lo que tomaría para tu situación específica, agenda una llamada de descubrimiento con Ertas. La llamada es de 30 minutos, no hay pitch, y te diremos honestamente si un engagement de $10K–$20K se ajusta a tus necesidades — o si necesitas más, menos o algo completamente diferente.