Boutique, startup o consultora grande: cómo elegir un proveedor de IA
Elegir un proveedor de inteligencia artificial resulta cada vez más complejo en un mercado que se expande a gran velocidad y en el que conviven una amplia diversidad de actores, soluciones y propuestas.
Ante una misma necesidad, una organización puede recibir propuestas de una startup especializada, una boutique tecnológica o una gran consultora. Todas pueden plantear abordajes técnicamente válidos y, al mismo tiempo, presentar diferencias significativas en tiempos, alcance y presupuesto.
La tecnología redujo algunas de las distancias que antes separaban claramente a estos jugadores y volvió mucho más difícil determinar qué propuesta resulta realmente comparable con otra.
A esta complejidad se suma la presión por avanzar. La IA está presente en las conversaciones de los directorios, los accionistas y las áreas de negocio, que esperan resultados cada vez más rápidos. Quienes lideran tecnología y datos tienen el desafío de responder a esa demanda sin perder de vista todo lo que una solución necesitará para integrarse, escalar, ser gobernada y mantenerse relevante para el negocio.
Determinar cómo elegir un proveedor de IA no depende solamente de quién promete desarrollar una solución más rápido o a menor precio. La decisión requiere entender qué necesita realmente el caso de uso, qué incluye cada propuesta y qué ocurrirá con la solución después de implementarla.
En este artículo analizamos por qué pueden existir diferencias tan importantes entre propuestas que aparentemente resuelven la misma necesidad, qué aspectos no muestran el precio y el plazo de implementación, cuáles son los principales criterios de selección y por qué elegir un socio tecnológico implica mirar más allá del proyecto inmediato.
¿Por qué hoy se cotiza lo mismo a precios que difieren 10x?
El mercado cambió. Como explica Daniel Menal, Head de Data & IA de IT Patagonia, hoy una organización puede sentarse con una compañía de gran escala y recibir una propuesta para resolver determinado caso de IA y, al día siguiente, encontrarse con una startup de dos o tres especialistas que propone una solución técnicamente sólida para una necesidad aparentemente similar, pero en una fracción del tiempo o del presupuesto.
Las diferencias que antes permitían distinguir con mayor facilidad entre tipos de proveedores comenzaron a reducirse. La democratización de herramientas y capacidades de inteligencia artificial permitió que equipos pequeños y altamente especializados puedan desarrollar rápidamente soluciones que hasta hace algunos años requerían estructuras considerablemente mayores.
Esto genera una situación que se sintetiza con una idea especialmente útil para quienes deben comparar propuestas: en muchos casos, todos pueden tener razón.
Una startup puede tener razón cuando afirma que tiene la capacidad para implementar un caso en pocas semanas, una boutique al proponer un equipo altamente especializado y una compañía con mayor escala también puede tenerla cuando incorpora a la propuesta capacidades adicionales de integración, gobierno, observabilidad, seguridad o continuidad.
La diferencia está en qué parte del desafío está resolviendo cada una. Si el objetivo es experimentar rápidamente y validar una hipótesis, una solución acotada puede ser exactamente lo que la organización necesita.
Pero si ese desarrollo debe convertirse posteriormente en una capacidad integrada al negocio, habrá otras preguntas que resolver para definir cómo elegir un proveedor de IA. Entre ellas: ¿Cómo va a escalar? ¿Cómo se controlará? ¿Cómo se medirá cuánto cuesta operarlo? ¿Cómo se evaluará el retorno de la inversión? ¿Qué gobierno necesitará?
Comparar únicamente el precio final puede llevar, entonces, a poner en la misma tabla propuestas que parecen equivalentes pero contemplan alcances muy distintos.
Entonces, la decisión no debería limitarse a considerar cuánto cuesta implementar el caso de uso. También es necesario comprender qué estamos comprando por ese precio y hasta dónde llega la responsabilidad de cada proveedor.
Lo que la velocidad no te dice: escalabilidad, gobierno y mantenimiento
La velocidad importa. De hecho, uno de los principales desafíos es encontrar un equilibrio entre responder rápidamente a las necesidades del negocio y construir una base capaz de sostener lo que viene después.
La presión también existe. Los directorios quieren ver resultados, los accionistas esperan avances y las áreas de negocio conocen cada vez más las posibilidades de la IA. Para los responsables de tecnología y datos, responder simplemente que un proyecto necesitará varios años puede dejar de ser una alternativa viable.
Pero mostrar valor rápido y construir únicamente para el corto plazo son dos cosas diferentes. Una solución puede resolver un caso de uso en pocas semanas y cumplir perfectamente con su objetivo inicial, pero el desafío aparece cuando la organización decide llevarla más lejos. Ahí surgen la observabilidad, la integración, el gobierno de datos, la seguridad, los costos de operación, la adopción, el mantenimiento y la capacidad de evolucionar.
Daniel señala que algunos proyectos consiguen incluso llegar a producción y luego pierden impulso porque no fueron acompañados por una estrategia de adopción o por las capacidades necesarias para sostenerlos. La velocidad de implementación, por lo tanto, no permite anticipar por sí sola la continuidad de una solución.
Este análisis debe formar parte del TCO (Total Cost of Ownership), ya que además del desarrollo inicial, deberían considerarse al determinar cómo elegir un proveedor de IA, los costos de infraestructura, consumo de modelos, integraciones, mantenimiento, observabilidad, gobierno, soporte y evolución.
Una propuesta diez veces más económica puede seguir siendo la mejor alternativa, pero la comparación necesita realizarse sobre alcances equivalentes.
5 criterios más allá del precio y el tiempo de entrega
No existe un tipo de proveedor que sea siempre superior a otro. Una startup puede aportar agilidad y especialización, mientras que una boutique puede combinar expertise específico con una estructura flexible, y una consultora con mayor escala puede sumar experiencia en integración, gobierno y operación dentro de organizaciones complejas.
La elección debería partir del caso de uso y de las capacidades que ese proyecto necesitará durante su evolución y en qué momento. Veamos algunos criterios a tener en cuenta:
1. Entendimiento del problema de negocio
La conversación debería comenzar por la necesidad que se busca resolver y no por una herramienta o un modelo determinado. Un proveedor necesita comprender qué resultado espera el negocio, cuáles son los KPIs involucrados, qué urgencia existe y cómo se determinará si el proyecto generó valor.
Esto también supone entender las expectativas internas. Una iniciativa cuyo objetivo es validar rápidamente una oportunidad no debería evaluarse con los mismos criterios que una solución destinada a integrarse a un proceso crítico.
El socio adecuado no es necesariamente quien propone más tecnología, sino quien comprende mejor qué necesita conseguir la organización con ella.
2. Capacidad para combinar velocidad y escalabilidad
Un aprendizaje central reside en entender que velocidad y solidez no deberían plantearse necesariamente como alternativas. Las organizaciones necesitan mostrar resultados en tiempos cada vez más cortos, pero sin perder de vista qué ocurrirá si el proyecto funciona.
Por eso, al comparar propuestas conviene analizar qué componentes permitirán evolucionar desde el primer caso de uso, qué cambios serían necesarios para aumentar usuarios o transacciones y qué parte de lo construido podrá reutilizarse.
Escalar no significa sobredimensionar desde el primer día. Implica evitar que el éxito obligue a empezar nuevamente desde cero.
3. Gobierno e integración con el ecosistema existente
La IA incorpora una nueva capa tecnológica, pero no elimina todo lo que la organización ya necesita gestionar. Datos, calidad, arquitectura, seguridad, privacidad, normativas, procesos e integraciones continúan formando parte de la ecuación.
Aquí es importante tener en cuenta el riesgo de encadenar pequeños proyectos destinados únicamente a responder urgencias de negocio sin construir una estructura común que permita sostenerlos. Este criterio resulta particularmente importante para una estrategia IA-first.
Vale destacar en este punto que el proveedor debería poder explicar no sólo cómo resolverá el caso inmediato, sino cómo esa solución convivirá con la arquitectura existente, qué gobierno necesitará y de qué manera contribuirá a desarrollar capacidades que puedan aprovecharse en futuras iniciativas.
4. Experiencia para acompañar lo que viene después
Implementar el caso es solo una parte del recorrido. Una vez en producción, será necesario observar cómo funciona, controlar costos, gestionar cambios, resolver incidentes y adaptar la solución a nuevas necesidades.
A medida que la IA adquiere mayor presencia en la relación con clientes y procesos críticos, también aparecen desafíos adicionales.
Seguridad, comportamiento de agentes, calidad de las respuestas y nuevos mecanismos de control pueden convertirse en aspectos centrales de la operación. Por eso, al evaluar un proveedor resulta relevante conocer no solamente qué puede entregar hoy, sino qué experiencia tiene resolviendo los desafíos que aparecen después de la implementación.
También importa la transferencia de conocimiento. Si la IA comienza a convertirse en una capacidad estratégica, la organización necesita desarrollar conocimiento propio y evitar que la operación dependa completamente de un tercero.
5. TCO y continuidad del proyecto
El costo inicial representa solamente una parte de la inversión. Infraestructura, licencias, consumo, integración, mantenimiento, observabilidad, seguridad, gobierno y soporte pueden modificar significativamente la ecuación durante el ciclo de vida.
Analizar el TCO permite incorporar esa perspectiva y evaluar también la dependencia que genera la solución, a través de preguntas como las siguientes: ¿Qué conocimiento queda en la organización? ¿Puede otro equipo continuar el desarrollo? ¿Qué componentes son propietarios? ¿Qué ocurriría si cambia el proveedor? ¿Cuánto costará sostener el proyecto cuando aumente su utilización?
La propuesta más económica en el día cero no necesariamente será la de menor costo cuando la solución lleve varios años operando.
Por qué cada vez hay más de un proveedor en la misma mesa
Una de las transformaciones más significativas del mercado IT se presenta en proyectos en los que antes participaban un cliente y una consultora, y hoy pueden reunir al cliente con dos o tres proveedores diferentes.
La razón no es necesariamente una falta de confianza, sino una consecuencia de la complejidad. Los desafíos de IA y datos involucran cada vez más dimensiones y ningún tipo de proveedor tiene por definición la mejor respuesta para todas ellas.
Una startup puede aportar una solución de nicho con enorme velocidad, una boutique puede sumar conocimiento especializado y una empresa grande puede contribuir con capacidades de gobierno, arquitectura, seguridad o industrialización.
En lugar de preguntarse qué tipo de proveedor debería quedarse con todo el proyecto, algunas organizaciones empiezan a preguntarse qué combinación de capacidades necesitan para resolverlo mejor. Esta modalidad permite además incorporar diferentes perspectivas a decisiones que tendrán impacto a largo plazo.
Pero trabajar con varios proveedores no elimina la necesidad de una visión integral. Al contrario, la vuelve más importante. Los estándares de datos, la arquitectura, el gobierno, las integraciones y los objetivos de negocio necesitan responder a una estrategia común. De lo contrario, la organización puede acelerar múltiples iniciativas y terminar construyendo un ecosistema fragmentado.
En otras palabras, trabajar con varios partners puede aportar valor, pero tercerizar la visión de conjunto, no.
Elegir para responder hoy sin comprometer lo que viene después
Quienes lideran estrategias de Data & IA enfrentan una tensión difícil de evitar. Por un lado, necesitan escuchar al negocio y responder a una demanda concreta de velocidad. Por otra parte, son responsables de construir capacidades que deben sostenerse cuando la urgencia inicial haya pasado. La clave pasa por no ignorar ninguna de esas dos dimensiones al evaluar cómo elegir un proveedor de IA.
Una organización necesita ser capaz de mostrar valor rápidamente, pero al mismo tiempo debe ocuparse de construir la estructura que permita seguir creciendo. Gobierno, seguridad, calidad, arquitectura y capacidad de evolución no deberían aparecer recién cuando los primeros proyectos comienzan a generar dificultades.
Eso modifica también cómo elegir un proveedor de IA. El mejor socio no será necesariamente el más grande, el más especializado, el más económico ni el más rápido. Será aquel cuyas capacidades respondan mejor al problema que la organización necesita resolver y al recorrido que esa solución tendrá si funciona.
En algunos casos será una startup, en otros, una boutique o una consultora de mayor escala, y cada vez con mayor frecuencia puede ser una combinación de varios partners trabajando sobre una estrategia común.
El foco debe estar en resolver la necesidad inmediata sin perder la mirada integral, porque un caso de IA no debería evaluarse únicamente por lo rápido que consigue llegar a producción, sino también por la capacidad que deja instalada para seguir transformando el negocio.
Scorecard para comparar propuestas
Cuando dos o más proveedores ofrecen resolver aparentemente el mismo caso de uso con diferencias significativas de precio y plazo, comparar únicamente esas variables brinda una visión incompleta.
Antes de decidir cómo elegir un proveedor de IA, conviene llevar las propuestas a una base común que permita entender qué está ofreciendo realmente cada empresa.
Con este objetivo, el scorecard debería contemplar, entre otros aspectos:
- Comprensión del problema y alineación con KPIs de negocio.
- Capacidad de entregar valor en tiempos acordes con la necesidad.
- Experiencia y especialización relevantes para el caso de uso.
- Capacidad para evolucionar desde un piloto hacia producción y escala.
- Arquitectura e integración con el ecosistema existente.
- Gobierno, observabilidad, seguridad y gestión de riesgos.
- Soporte y mantenimiento posterior.
- Transferencia de conocimiento y capacidades hacia los equipos internos.
- Costos de operación y TCO.
- Dependencia tecnológica y posibilidades de continuidad.
- Capacidad de colaborar con otros equipos y proveedores.
No todos los criterios necesitan tener el mismo peso. Un experimento de baja criticidad puede priorizar velocidad, costo y especialización. Una solución que participará de procesos core, utilizará información sensible o tendrá contacto directo con clientes probablemente necesite ponderar mucho más la integración, el gobierno, la seguridad y la continuidad.
Ahí está el verdadero valor de un scorecard: no determinar quién es el mejor proveedor en abstracto, sino quién tiene las capacidades más adecuadas para el proyecto que la organización necesita resolver.
Pasos a seguir
Si tu organización está evaluando diferentes alternativas para un proyecto de inteligencia artificial, también podés agendar una reunión con nuestro equipo de Data & IA para analizar el caso de uso y los criterios que deberían orientar la selección.
