Reseña del plan Ertas Pro ($50/mes): 200 créditos, 100 GB

El plan Ertas Pro cuesta $50 al mes. Está pensado para power users y equipos pequeños que entrenan modelos de forma continua en lugar de ocasional, incluidos consultores y agencias que llevan trabajo de varios clientes.

Este es un desglose honesto de qué incluye el plan, para quién está diseñado, cómo salen las cuentas de ROI y cuándo se queda corto.

Qué incluye Pro

200 créditos al mes. El doble que los 100 de Builder. Según el tamaño del dataset y del modelo, eso son aproximadamente 12 a 25 ejecuciones de entrenamiento al mes, suficiente para un ciclo mensual de reentrenamiento sobre varios modelos activos y con margen para los experimentos que no salen.

100 GB de almacenamiento de artefactos de modelo. Cada ejecución completada deja un adaptador LoRA y, si lo activaste, una exportación GGUF en el Hub. Un GGUF de 7B en Q4 ocupa entre 4 y 5 GB, y uno de 14B entre 8 y 9 GB, así que 100 GB dan para entre 12 y 20 modelos exportados junto con sus adaptadores.

5 GB de almacenamiento de datasets. Separado de la cuota de modelos y contabilizado a nivel de cuenta, cubre los archivos JSONL, CSV, parquet y de texto que subas más lo que reflejes desde Hugging Face.

Cola prioritaria de GPU. Tus ejecuciones se programan por delante de las de Free, Lite y Builder cuando la cola está cargada, que es la diferencia entre empezar un reentrenamiento ahora o después de comer.

Acceso anticipado a nuevas funciones. Las cuentas Pro reciben las nuevas capacidades de Studio antes que los planes inferiores.

Acceso a GPUs de gama superior. Mejor hardware para entrenar, lo que hace que los modelos más grandes y las ejecuciones más largas sean alcanzables, no solo más rápidas.

Exportación de modelo completo, y continuar entrenando desde ella. Activa "Export full model" en la Training Config y la ejecución te devuelve un checkpoint safetensors de 16 bits ya fusionado en lugar de solo el adaptador LoRA. Ese checkpoint entra directo en un stack de serving dejándote a ti la cuantización, y es lo que vuelves a entrenar: "Continue from your models" toma un modelo que ya entrenaste como base de la siguiente ejecución. Para trabajo de cliente, esa es la diferencia entre un reentrenamiento que construye sobre el modelo del trimestre pasado y uno que empieza de cero.

Cómo funcionan realmente los proyectos

Entender el modelo de proyectos importa para juzgar si Pro encaja en tu flujo de trabajo, porque no es la estructura multi-tenant que la gente suele suponer.

Un proyecto es un espacio de trabajo dentro de la pestaña Model Studio. Cada uno tiene su propio canvas, su propio historial de ejecuciones y su propio nombre. Lo que vive fuera de los proyectos, a nivel de cuenta, importa igual:

Los datasets viven en Data Craft y son accesibles desde cualquier proyecto
Los artefactos de modelo (adaptadores LoRA y exportaciones GGUF) viven en el Hub y son accesibles desde cualquier proyecto
Las cuotas de almacenamiento son de cuenta, así que un proyecto no recibe su propia porción

Es decir, la separación que da Studio es organizativa. Un proyecto por modelo que estés construyendo evita que los canvas se estorben entre sí, y nombrar los proyectos por cliente o caso de uso mantiene el trabajo legible. Mantener los datos de un cliente lejos de los de otro es una disciplina que aplicas al elegir qué dataset alimenta cada ejecución, y conviene tenerlo claro si manejas datos bajo un acuerdo de confidencialidad.

El modelo de adaptadores LoRA es lo que hace esto asequible. Cada modelo ajustado es un adaptador ligero, normalmente de 50 a 200 MB, sobre un modelo base compartido. Diez modelos comparten los pesos base y solo se diferencian en sus adaptadores, que es como 100 GB cunden mucho más de lo que diez copias completas sugerirían.

Varios entrenamientos a la vez

No hay límite estricto de concurrencia en ningún plan de Ertas. Cada Action Module del canvas se ejecuta como un trabajo independiente, así que puedes colocar diez módulos Fine-Tune y darle a play en todos.

Lo que limita el paralelismo de verdad es la disponibilidad de créditos. Iniciar una ejecución pone su coste estimado en reserva, y las nuevas ejecuciones tiran de lo que no está reservado. Si la estimación de la siguiente supera tu saldo libre, se bloquea al enviarla. En Pro, esos 200 créditos son los que determinan cuánto puedes tener en vuelo a la vez.

Para quién es Pro

Consultores y agencias con 3 a 10 encargos de fine-tuning activos. Entregas modelos personalizados, gestionas reentrenamientos continuos y necesitas el presupuesto de créditos y el almacenamiento para mantener varios modelos vivos al mismo tiempo.

Consultores de IA freelance con trabajo de clientes en paralelo. Trabajas solo pero rotas entre 4 y 6 clientes. La asignación de créditos es lo que te evita racionar ejecuciones.

Equipos internos de IA pequeños construyendo modelos para varios departamentos. Un modelo de marketing, uno de ventas y uno de soporte necesitan cada uno sus propios datos de entrenamiento y su propia salida GGUF. Proyectos separados dan a cada uno un espacio limpio.

El cálculo de ROI

La pregunta no es si $50 al mes es caro. Es si es caro en relación con lo que te permite facturar.

Escenario 1: 5 clientes a $500/mes de retainer cada uno

Ingresos mensuales: $2,500
Coste del plan Pro: $50
Plan como % de ingresos: 2.0%

Escenario 2: 3 clientes a $800/mes de tarifa por proyecto

Ingresos mensuales: $2,400
Coste del plan Pro: $50
Plan como % de ingresos: 2.1%

Escenario 3: 10 clientes a $300/mes de retainer (solo mantenimiento del modelo)

Ingresos mensuales: $3,000
Coste del plan Pro: $50
Plan como % de ingresos: 1.7%

El plan se paga solo con un único cliente que abone $70 al mes o más. Pasado un cliente activo de fine-tuning, el coste deja de ser un factor real en la decisión.

Qué necesita cada cliente (y qué le da Pro)

Necesidad del cliente	Qué te da Pro
Actualizaciones mensuales del modelo	200 créditos cubren unas 12 a 25 ejecuciones de reentrenamiento
Varios modelos activos a la vez	100 GB de almacenamiento de artefactos, unos 12 a 20 GGUF exportados
Entrega rápida cuando la cola está cargada	Programación prioritaria de GPU
El cliente recibe un modelo desplegable	Exportación GGUF y LoRA en cada ejecución completada
Una primera comprobación antes de entregar	3 muestras de inferencia en cada ejecución terminada
Seguimiento histórico de versiones	Historial completo de ejecuciones con configuración y métricas

Vale la pena ser honesto sobre esa comprobación. Cuando termina una ejecución, Studio muestra tres muestras de inferencia generadas a partir de un pequeño conjunto fijo de prompts. Eso te dice que el modelo produce texto coherente y con el formato correcto. No te dice que el modelo sea bueno, porque los prompts no son los tuyos y nada lleva nota. Evaluar de verdad significa descargar el modelo y ejecutar tu propio conjunto de pruebas contra él, y la guía Verificar exportaciones lo explica paso a paso. Una suite de evaluación integrada está en la hoja de ruta.

Comparar el coste con montarlo tú mismo

Algunas agencias se plantean construir su propia infraestructura de fine-tuning en lugar de pagar Pro. La comparación honesta:

Componente de coste	Infraestructura propia	Ertas Pro
Cómputo GPU (10 modelos × 1.5 ejecuciones/mes)	~$45-90/mes (GPU en la nube)	Incluido
Orquestación de entrenamiento (tiempo de dev)	5-10 h/mes @ $75/h = $375-750	Incluido
Herramientas de datasets e historial de ejecuciones	10+ h para construirlo, mantenimiento continuo	Incluido
Tooling de conversión a GGUF	2-5 h para montarlo	Incluido
Coste efectivo total	$420-840+/mes	$50/mes

Montarlo tú mismo puede tener sentido para agencias grandes con ingenieros de ML dedicados. Para agencias pequeñas y consultores, pagar $50 al mes por una infraestructura que de otro modo costaría cientos en tiempo de desarrollo es una decisión sencilla.

Pro frente a Business: cuándo subir

Business cuesta $100 al mes. La subida te da:

400 créditos/mes (frente a 200)
200 GB de almacenamiento de artefactos de modelo (frente a 100 GB)
10 GB de almacenamiento de datasets (frente a 5 GB)
Mayor prioridad en la cola de GPU
Acceso anticipado prioritario a nuevas funciones

Sube a Business cuando:

Terminas el mes con el saldo de créditos a cero
Borras artefactos del Hub para hacer sitio en lugar de porque ya no los necesites
Tus datasets han superado los 5 GB
La posición en la cola durante las horas cargadas te está costando tiempo de entrega

Quédate en Pro cuando:

200 créditos cubren con holgura tu calendario de reentrenamiento
Tus modelos exportados y tus datasets caben en 100 GB y 5 GB
La programación con prioridad estándar es suficientemente rápida para tus plazos

Precio mensual predecible

Pro cuesta $50 al mes, con facturación mensual. Cancela cuando quieras.

Cómo saber que estás listo para Pro

Estás listo para Pro si:

Entrenas lo bastante como para que los 100 créditos de Builder se acaben antes que el mes
Mantienes varios modelos ajustados vivos a la vez
Entregas modelos ajustados como parte de un servicio de pago
Facturas a clientes por trabajo de IA que implica modelos personalizados

Si entrenas de forma ocasional y mantienes uno o dos modelos, Builder a $25 al mes probablemente basta, y Lite a $10 cubre el salto por encima de los límites del plan Free. Pro se gana su sitio cuando lo que marca tu consumo mensual es el volumen de entrenamiento y no la curiosidad.

Lectura adicional

Reseña del plan Ertas Builder — ¿Es Builder lo adecuado antes de subir a Pro?
Reducción de costes de IA para agencias — Cómo las agencias recortan costes un 99%+ con modelos locales ajustados
Gestionar varios modelos ajustados — Flujos operativos para gestión multi-cliente de modelos
Plataforma de IA marca blanca para agencias — Cuándo el marca blanca se vuelve importante
Ingresos recurrentes con modelos ajustados — Construir ingresos por retainer alrededor del mantenimiento de modelos