5 Preguntas que Hacer Antes de Comprar una Plataforma de Datos de IA On-Premise

"On-premise" se ha convertido en una casilla de verificación de marketing. Los proveedores lo ponen en su lista de funcionalidades porque saben que los compradores empresariales lo están pidiendo. Pero la brecha entre "ofrecemos despliegue on-premise" y "nuestra plataforma realmente funciona bien en tu infraestructura, con tus restricciones, sin llamar a casa" puede ser enorme.

Estas son las cinco preguntas que separan la capacidad on-premise genuina de una plataforma en la nube incómodamente metida en un contenedor Docker y llamada "on-prem." Hazlas durante tu evaluación, y presta atención a cómo responden los proveedores — la vacilación, las aclaraciones y las redirecciones te dicen más que las respuestas pulidas.

---

Pregunta 1: ¿Funciona Completamente Offline o Llama a Casa?

Esta es la pregunta que elimina a más proveedores. Muchas plataformas comercializadas como "on-premise" aún requieren una conexión a internet para validación de licencias, actualizaciones de funcionalidades, reportes de telemetría o acceso a APIs de modelos alojados en la nube.

Cómo se ve "llamar a casa" en la práctica:

• El software verifica un servidor de licencias al iniciar. Si no puede alcanzar el servidor, entra en modo degradado o deja de funcionar después de un período de gracia.
• Las funcionalidades con IA (como auto-etiquetado o limpieza inteligente) enrutan datos a través de una API en la nube. La plataforma está en tu servidor, pero tus datos van al de ellos.
• Se recolecta y transmite telemetría de uso al proveedor. Incluso si no se envían datos de contenido, los metadatos sobre tus flujos de trabajo y volúmenes de datos siguen saliendo de tu red.
• Las actualizaciones requieren acceso a internet, ya sea para descargar paquetes o para validar tokens de actualización.

Qué preguntar:

• "Si desconecto el cable de red, ¿todas las funcionalidades siguen funcionando? ¿Cuáles se degradan o dejan de funcionar?"
• "¿La plataforma hace alguna solicitud de red saliente? ¿Pueden proporcionar un log de tráfico de red de una instancia en ejecución?"
• "¿Cómo funciona el licenciamiento en un entorno completamente desconectado?"
• "¿Las funcionalidades asistidas por IA (auto-etiquetado, sugerencias inteligentes) se procesan localmente o llaman a una API externa?"

Por qué importa: Si estás comprando on-premise porque tus datos no pueden salir de tu red — PHI de salud, datos clasificados de defensa, PII financiero — entonces "on-premise excepto por esta llamada API" no es on-premise. Una sola conexión saliente es una violación de cumplimiento en muchos entornos regulados.

Señal de alerta: El proveedor dice "nuestra plataforma es on-premise" pero no puede explicar claramente el mecanismo de licenciamiento para entornos air-gapped. Esto generalmente significa que no han desplegado realmente en uno.

---

Pregunta 2: ¿Quién Puede Usarla — Solo Ingenieros de ML o También Expertos de Dominio?

La calidad de la preparación de datos depende de la experiencia de dominio. Las personas que saben si una etiqueta es correcta, si una regla de limpieza tiene sentido o si un punto de datos es un valor atípico raramente son las mismas personas que pueden escribir scripts de Python o navegar un CLI.

Si solo los ingenieros de ML pueden operar la plataforma, has creado un cuello de botella: cada decisión de etiquetado, cada revisión de regla de limpieza y cada verificación de calidad tiene que pasar por un equipo técnico que ya está sobrecargado.

Qué preguntar:

• "¿Puede un experto de dominio sin experiencia en programación etiquetar datos, revisar la salida del pipeline y señalar problemas de calidad?"
• "¿Cómo se ve la interfaz de etiquetado? ¿Podemos verla con nuestros datos, no con sus datos de demo?"
• "¿Cómo se manejan los flujos de trabajo de revisión y aprobación? ¿Puede un experto de dominio aprobar datos etiquetados sin tocar la configuración del pipeline?"
• "¿Cuál es el tiempo típico de incorporación para un usuario no técnico?"

Por qué importa: Los mejores datos de entrenamiento vienen de ciclos de retroalimentación estrechos entre expertos de dominio y el pipeline de datos. Si la plataforma requiere que un ingeniero de datos traduzca cada retroalimentación del experto de dominio en código, el ciclo de retroalimentación se ralentiza de minutos a días.

Señal de alerta: La demo del proveedor muestra solo interacciones CLI o interfaces tipo notebook. Cuando preguntas sobre la UI para expertos de dominio, describen una funcionalidad "planificada" o señalan un formulario web básico que claramente es una idea tardía.

Cómo se ve bien: Una plataforma donde un radiólogo puede revisar imágenes médicas etiquetadas, un abogado contractual puede corregir clasificaciones de cláusulas, o un ajustador de seguros puede validar categorizaciones de reclamos — todo sin escribir código ni pedir ayuda a un ingeniero.

---

Pregunta 3: ¿Cada Transformación Queda Registrada en un Rastro de Auditoría?

Los rastros de auditoría en la preparación de datos de IA no son un "sería bueno tener." El EU AI Act (Artículo 10) requiere gobernanza de datos documentada para sistemas de IA de alto riesgo. HIPAA requiere logs de auditoría para acceso y transformación de PHI. SOC 2 requiere evidencia de controles de manejo de datos. Incluso si no estás en una industria regulada hoy, la preparación para auditorías se está convirtiendo en una expectativa base para IA empresarial.

Qué debería significar "rastro de auditoría":

• Cada registro de datos tiene un linaje: de dónde vino, qué transformaciones se aplicaron, quién las aplicó, cuándo
• Cada etiqueta tiene atribución: quién la etiquetó, cuándo, cuál era el valor original si fue cambiado
• Cada cambio de configuración del pipeline está registrado: quién cambió qué regla, cuándo y cuál era la configuración anterior
• Los logs de auditoría son inmutables: no pueden ser editados o eliminados, ni siquiera por administradores
• Los logs son exportables en formatos estándar para revisión de cumplimiento

Qué preguntar:

• "¿Pueden mostrarme el rastro de auditoría de un solo registro de datos — desde la ingesta de la fuente a través de cada transformación hasta la exportación final?"
• "¿Los logs de auditoría son inmutables? ¿Puede un administrador eliminarlos o modificarlos?"
• "¿En qué formato se exportan los logs de auditoría? ¿Pueden integrarse con nuestras herramientas de cumplimiento existentes?"
• "Si un regulador pregunta 'quién tocó estos datos y cuándo,' ¿puede la plataforma responder esa pregunta en menos de 5 minutos?"

Por qué importa: Sin un rastro de auditoría completo, no puedes demostrar cumplimiento, no puedes reproducir tu pipeline de datos de entrenamiento y no puedes depurar problemas de calidad. Cuando un modelo se comporta inesperadamente, la primera pregunta es "¿con qué datos fue entrenado?" Sin linaje, no puedes responder eso.

Señal de alerta: El proveedor dice que tiene "logging" pero es solo logs de aplicación (errores y eventos del sistema), no rastros de auditoría a nivel de datos.

---

Pregunta 4: ¿En Qué Formatos Puede Exportar?

Los datos preparados necesitan ir a algún lugar — a un framework de entrenamiento de modelos, una plataforma de fine-tuning, un pipeline RAG o un data warehouse. Si la plataforma exporta en un formato propietario que solo funciona con sus herramientas, has cambiado el vendor lock-in de la nube por vendor lock-in on-premise.

Qué preguntar:

• "¿Qué formatos de exportación se soportan? ¿JSONL, Parquet, CSV, COCO, YOLO, esquemas personalizados?"
• "¿Puedo definir un esquema de exportación personalizado, o estoy limitado a formatos predefinidos?"
• "¿Hay una API de exportación masiva, o la exportación es un proceso manual?"
• "Si dejo de usar su plataforma, ¿puedo exportar todos mis datos — incluyendo etiquetas, transformaciones y rastros de auditoría — en formatos abiertos?"

Por qué importa: Tu stack de ML evolucionará. El framework que usas para entrenamiento hoy podría no ser el que uses en dos años. Si tus datos preparados están bloqueados en un formato propietario, migrar a una nueva herramienta significa rehacer el trabajo de preparación.

Señal de alerta: La documentación de exportación del proveedor es escasa, los formatos son limitados, o la exportación completa requiere servicios profesionales. También observa plataformas que exportan datos pero no metadata (etiquetas, transformaciones, linaje) — los datos sin la metadata son significativamente menos valiosos.

Cómo se ve bien: La plataforma exporta en formatos estándar de ML con metadata completa, soporta esquemas personalizados, proporciona exportación vía API para automatización y te permite exportar todo (incluyendo rastros de auditoría) en formatos abiertos si decides irte.

---

Pregunta 5: ¿Cómo Es la Implementación — Autoservicio o con Soporte?

Una plataforma on-premise es software que corre en tu hardware. Llevarla de "corre" a "útil" es la brecha donde la mayoría de proyectos se estancan. La pregunta es si el proveedor te ayuda a cruzar esa brecha o te deja resolverlo solo.

Qué preguntar:

• "¿Cómo es una implementación típica? ¿Cronograma, esfuerzo, quiénes están involucrados?"
• "¿Ofrecen despliegue on-site o forward deployment para implementación?"
• "¿Qué pasa después de que el software se instala? ¿Quién configura el primer pipeline? ¿Quién entrena a nuestro equipo?"
• "¿Qué soporte continuo está incluido? ¿Qué cuesta extra?"
• "¿Pueden proporcionar referencias de organizaciones con infraestructura y tipos de datos similares?"

Por qué importa: La preparación de datos de IA empresarial no es instalar-y-listo. Configurar pipelines para tus datos específicos, integrarse con tus sistemas fuente, diseñar esquemas de etiquetado para tu dominio y entrenar a tu equipo para operar el sistema — este trabajo es tan importante como el software mismo.

Un proveedor que deja una imagen Docker y un enlace a la documentación te está dando una herramienta. Un proveedor que se integra con tu equipo, configura la plataforma para tus datos y entrena a tu gente te está dando una capacidad.

Señal de alerta: El plan de implementación del proveedor es "instala el software y lee la documentación." O su implementación está subcontratada a un SI tercero que nunca ha usado el producto con tu tipo de datos.

Cómo se ve bien: Un plan de implementación definido con hitos claros, acceso directo a los ingenieros del proveedor (no solo una cola de soporte), entrenamiento práctico para tu equipo y un proceso de handoff que deja a tu equipo capaz de operar independientemente.

---

Uniendo Todo

Estas cinco preguntas no son exhaustivas, pero cubren las áreas donde las afirmaciones "on-premise" más a menudo se desmoronan:

1. Capacidad offline — ¿realmente funciona sin internet?
2. Accesibilidad — ¿las personas que conocen los datos pueden realmente usar la herramienta?
3. Rastros de auditoría — ¿cada transformación está registrada y es rastreable?
4. Formatos de exportación — ¿puedes sacar tus datos en formatos estándar?
5. Implementación — ¿el proveedor te ayudará a llegar a producción, o solo te entregará software?

Usa estas preguntas temprano en tu proceso de evaluación. Las respuestas te dirán rápidamente si la afirmación "on-premise" de un proveedor es genuina o aspiracional.

---

Evaluando Ertas

Ertas está construido para despliegue on-premise genuino: completamente capaz offline, sin llamadas a casa, formatos de exportación abiertos, rastros de auditoría completos y una interfaz que los expertos de dominio pueden usar sin soporte de ingeniería. Nuestro modelo de implementación es forward deployment — nuestros ingenieros se integran con tu equipo para configurar y entrenar.

Si estás evaluando plataformas de datos de IA on-premise, agenda una llamada de descubrimiento y trae estas preguntas. Las responderemos directamente.