Ertas para Desarrolladores Indie y Apps Vibe-Coded

The Challenge

La revolución del vibe coding ha hecho trivialmente fácil construir aplicaciones con IA. Herramientas como Cursor, Bolt.new, Lovable y Replit Agent permiten a desarrolladores solo y equipos pequeños lanzar apps en producción en días, y casi todas incluyen una funcionalidad de IA: un asistente de escritura, una búsqueda inteligente, un auto-categorizador, una interfaz conversacional. Durante el desarrollo y el lanzamiento inicial, estas funcionalidades son baratas: unos cientos de llamadas a la API por día a fracciones de centavo cada una. Pero la curva de costos es exponencial, no lineal. Una app que cuesta $12/mes en tarifas de API de OpenAI con 100 usuarios puede costar $600/mes con 8,000 usuarios y $3,000/mes con 40,000 usuarios. La mayoría de los desarrolladores indie descubren este precipicio después de haber lanzado, cuando sus ingresos de Stripe aún se miden en cientos y su factura de API se mide en miles.

El problema va más allá del costo. Los modelos fundacionales genéricos producen resultados mediocres en tareas específicas de dominio porque fueron entrenados con todo el internet, no con el nicho particular de tu app. Un asistente de escritura para investigadores académicos necesita una salida diferente a uno para redactores de marketing, pero GPT-4 le da a ambos el mismo tono genérico a menos que dediques horas a crear prompts del sistema y ejemplos few-shot, que aún se rompen de manera impredecible entre actualizaciones del modelo. La dependencia del proveedor agrava el riesgo: cuando OpenAI depreca una versión del modelo o cambia los precios, tu app se rompe y tus márgenes se evaporan de la noche a la mañana. Los desarrolladores indie no tienen poder de negociación ni alternativa. Están construyendo en terreno alquilado sin contrato.

The Solution

Ertas ofrece a los desarrolladores indie un camino sin código para pasar de una costosa dependencia de API a un modelo pequeño propio. El canvas visual de Studio no requiere experiencia en ML: sube los registros de conversaciones de tu app, las interacciones de los usuarios o el contenido de tu dominio como dataset JSONL (o créalo en Data Craft), elige un modelo base abierto y compacto, y lanza un fine-tuning con LoRA en las GPU en la nube de Ertas. El modelo resultante aprende el dominio de tu app a partir de tus datos reales, por lo que necesita mucho menos prompting para llegar al resultado, y un modelo pequeño cuesta mucho menos de ejecutar que una API de frontera.

El despliegue es igual de directo. Descarga el modelo entrenado desde Hub como archivo GGUF, instálalo en un VPS con Ollama o llama.cpp y apunta las llamadas a la API de tu app a tu propio servidor en lugar de a api.openai.com. Un VPS modesto puede servir un modelo pequeño cuantizado para una app de nicho, y la factura se mantiene estable mientras el uso crezca dentro de la capacidad de ese servidor. Ertas tiene un plan gratuito sin tarjeta, y los planes de pago empiezan en 10 US$/mes (a octubre de 2026), así que el entrenamiento continuo es una partida pequeña y fija de tu presupuesto. El modelo es tuyo, de modo que las deprecaciones o los cambios de precio de un proveedor dejan de estar en tu ruta crítica. Cuando quieras mejorarlo, añade ejemplos nuevos de los registros de tu app, lanza otra iteración de fine-tuning en Studio y sustituye el GGUF por el nuevo.

Key Features

Example Workflow

Un desarrollador en solitario creó un asistente de escritura con IA para investigadores académicos usando Cursor y Next.js, con GPT-4o encargándose de las sugerencias de texto, el formato de citas y la generación de resúmenes a través de la API de OpenAI. En el lanzamiento, con 200 usuarios beta, los costes de API eran unos asumibles 45 $/mes. Seis meses después, la app tiene 8.000 usuarios activos mensuales que hacen 95.000 llamadas a la API al mes, y la factura de OpenAI ha llegado a 620 $/mes, más que los 480 $/mes que la app ingresa por suscripciones. El desarrollador se registra en Ertas y exporta tres meses de registros anonimizados de llamadas a la API (los prompts de entrada y las respuestas que los usuarios conservaron) desde la base de datos de la aplicación, con lo que obtiene un conjunto de entrenamiento JSONL de 28.000 ejemplos, y reserva 500 para pruebas. En Studio ajusta Phi-4 Mini con LoRA para las tres tareas y entrena en paralelo un segundo modelo sobre Qwen 2.5 3B para comparar. Descarga ambos en formato GGUF, los ejecuta en Ollama con los ejemplos reservados junto a las respuestas de GPT-4o y se queda con el modelo cuyas sugerencias y citas prefiere publicar. Ese modelo se instala en un pequeño VPS ARM con Ollama detrás del API gateway que la app ya tenía, y las llamadas a la API de la app pasan a ir a ese servidor. El coste mensual pasa a ser el VPS más un plan de Ertas: una cantidad fija que ya no sube con cada nuevo usuario. Cada mes, el desarrollador añade registros nuevos al dataset y vuelve a entrenar en Studio.