¿Equipo de ML propio, gran consultora o squad de IA integrado? Quién lleva tu IA a producción
Transparencia en la primera frase, como siempre: Conectia vende una de las tres opciones que siguen. Desplegamos squads de ingeniería de IA integrados en el equipo del cliente, así que lee nuestra opinión sobre los otros dos modelos sabiendo desde dónde hablamos. Preferimos que se note que jugamos limpio a que se note que vendemos.
Si esta comparativa merece tu tiempo, es por un único número. El Project NANDA del MIT revisó más de 300 iniciativas de IA en empresas y concluyó que el 95% de los pilotos de IA generativa no produjo ningún retorno medible en la cuenta de resultados — sobre una inversión estimada de 30.000–40.000 millones de dólares. Es un solo informe, sin revisión por pares, y la muestra se inclina hacia la gran empresa; coge la cifra exacta con pinzas. Pero la forma coincide con lo que los fundadores nos cuentan en las llamadas: la demo salió en un fin de semana y, un año después, producción sigue sin aparecer en el horizonte. El mismo informe encontró que los pilotos construidos con partners externos llegaban a desplegarse con mucha más frecuencia que las herramientas construidas internamente desde cero — lo que convierte quién lo construye en la decisión con más consecuencias de tu presupuesto de IA.
Antes de elegir quién construye, conviene poner nombre a lo que mata a ese 95%. Entre una demo de fin de semana y un sistema en producción hay una lista enumerable, no magia: acceso a datos reales en lugar de una muestra escogida; evals que definan qué significa «una buena salida» antes de que lo definan tus clientes; revisión de seguridad de cada herramienta que el modelo puede tocar; techos de coste para que un bucle de reintentos no se coma el presupuesto del trimestre; observabilidad que explique por qué ha cambiado una respuesta; y una persona de guardia que se haga cargo del sistema cuando se comporte mal. Los pilotos se estancan porque nadie presupuestó esa lista — y cada uno de los tres modelos te cubre una parte distinta de ella.
Hay tres maneras honestas de conseguir que alguien construya todo esto. Cada una es un modelo legítimo, y cada una está pensada para que el resultado tenga un dueño distinto.
Los tres modelos de un vistazo
| Equipo de ML propio | Consultora global | Squad de implementación integrado | |
|---|---|---|---|
| Unidad de contratación | Empleados fijos | Programa / transformación | Ingenieros senior dentro de tu flujo de trabajo |
| Tiempo hasta el primer commit | Meses (proceso de contratación) | Semanas–meses (scoping, asignación) | Días — Conectia hace el match en 72h |
| Coste anual, capacidad de IA de 3 personas (EE. UU.) | ~1M$+ total antes de la infraestructura | A precio de programa, normalmente más alto | 26–71% por debajo del equivalente local |
| Dónde queda el conocimiento al cabo de un año | En tu empresa | En parte, en la metodología de la firma | En tu repositorio, en tu equipo |
| Optimizado para | Propiedad a largo plazo | Gobernanza, escala, responsabilidad | Llegar a producción |
| Falla cuando | No consigues contratar o retener el talento | La misión es «entrega esta funcionalidad», no «transforma esta organización» | Nadie interno es dueño del producto |
La fila de costes merece una aclaración: las encuestas salariales de EE. UU. de 2025–2026 sitúan a un ingeniero de ML senior entre unos 160.000$ de base y más de 350.000$ de compensación total en las grandes tecnológicas. Tres de esos perfiles, más cargas sociales, recruiting y los meses de vacante mientras buscas, superan el millón de dólares al año antes de la primera factura de GPU — aritmética nuestra, declarada como estimación, no como dato de encuesta.
El equipo propio gana la partida larga — si puedes pagar la corta
Montar tu propio equipo de ML es la decisión correcta más a menudo de lo que una empresa de servicios debería admitir. El conocimiento se queda en casa. El equipo que construyó el sistema lo acompaña en cada migración de modelo y en cada incidente a las tres de la madrugada. Si la IA es tu producto — y no una funcionalidad de tu producto — este es el destino, y cualquier otro modelo es, como mucho, un puente hacia él.
Los costes honestos son el tiempo y la fragilidad. El proceso de contratación de talento senior de IA dura meses, en un mercado donde los mejores candidatos tienen sobre la mesa ofertas de laboratorios que pagan compensaciones que no vas a igualar. Un equipo de tres personas tiene redundancia cero: una dimisión y tu roadmap pierde un trimestre. Y es aquí donde el hallazgo del MIT se ceba — las herramientas construidas internamente eran las que con más probabilidad se estancaban antes de producción, porque el primer equipo interno suele estar aprendiendo IA de producción a costa de tu roadmap.
La consultora global gana cuando el problema es la organización
A las grandes firmas — las casas de estrategia y las Big Four — se las despacha en los círculos de ingeniería con una frase hecha que no vamos a repetir como si fuera análisis. La versión justa: una consultora global está construida para optimizar la gobernanza a escala. Cuando la IA tiene que aterrizar en cuarenta unidades de negocio, sobrevivir al comité de riesgos del consejo y producir un rastro de auditoría que un regulador va a leer, esa maquinaria es el producto, y nadie más la tiene. Los departamentos de compras saben comprarla, y poder poner sobre la mesa un nombre en el que el consejo ya confía es parte de lo que compras.
La contrapartida estructural viene del mismo diseño. Un modelo construido para optimizar la gobernanza lo factura todo a través de la capa de programa, y su recurso más escaso — las personas que escriben el código de producción — queda varios niveles por debajo de quienes gestionan tu relación. Cuando el proyecto termina, la metodología se queda, pero los ingenieros rotan al siguiente cliente. No es un fallo: es el modelo funcionando tal y como fue diseñado — optimiza la transformación, no la entrega. Si tu problema es un sistema de producción que tiene que existir en noventa días, estás comprando la optimización equivocada.
El squad integrado está construido para una sola cosa: producción
El tercer modelo — el nuestro, recuerda — integra ingenieros senior en tu equipo: tu repositorio, tu standup, tus estándares. En Conectia el squad llega tras un proceso de validación diseñado por CTOs en activo que aprueba al 3% de los candidatos, con el match en 72 horas, a una tarifa plana un 26–71% por debajo de la contratación local equivalente con compliance y nóminas incluidos, y un Pilot Sprint de 14 días para que juzgues resultados entregados antes de comprometerte a nada.
Lo que este modelo se niega a hacer, dicho sin rodeos: no va a ser el dueño de la misión por ti. Un squad integrado amplifica a un dueño; no puede sustituirlo. Si nadie en tu empresa va a asumir las decisiones de producto — qué construir, qué significa «bien», cuándo lanzar —, el squad no tiene dónde encajar, y te servirá mejor una consultora que se lleve la misión entera. El conocimiento debe acumularse en tu equipo, y para eso hace falta un equipo donde acumularse.
La línea de decisión honesta
- Construye equipo propio cuando la IA es el producto central, puedes ganar ofertas de talento senior y puedes absorber dos trimestres de arranque. Todo lo demás puede ser un puente hacia aquí.
- Contrata a la consultora global cuando el entregable es organizativo: despliegue multiunidad, postura regulatoria, responsabilidad ante el consejo. Compra la gobernanza; no le pidas velocidad de startup a un modelo que nunca se optimizó para eso.
- Integra un squad cuando el entregable es un sistema en producción, tienes (o quieres conservar) la propiedad del producto dentro de casa, y la restricción es capacidad de ingeniería senior — no estrategia.
- El híbrido que más vemos en la práctica: un squad integrado entrega el primer sistema en producción mientras tus primeras contrataciones internas aprenden a su lado, con la salida del squad planificada desde el principio. El 95% del MIT son, sobre todo, empresas que no llegaron a elegir ninguno de los tres modelos.
Tres preguntas para hacernos a los tres
- «¿Quién escribe el código — con nombre y apellidos — y dónde estará dentro de noventa días?» Equipo propio: tus empleados. Consultora: pide nombres, no organigramas. Squad: los mismos ingenieros, en tu repositorio, hasta el traspaso planificado.
- «¿Qué se entrega en los primeros treinta días?» Un plan de contratación, una fase de discovery y un Pilot Sprint son tres respuestas distintas a la misma pregunta. Las tres son defendibles; asegúrate de que la que compras encaja con tu fecha límite.
- «Cuando esto termine, ¿qué es mío?» Código, documentación, evals y el conocimiento operativo para ejecutarlo — o un deck y una dependencia. Pide la respuesta por escrito.
El 95% de fracaso no es un argumento contra la IA; es un argumento contra comprar el modelo equivocado para tu situación y llamarlo piloto. Elige primero al dueño — el modelo viene después. Si el dueño es tu propio equipo y lo que falta son manos senior, habla con un CTO; si la misión necesita una máquina más grande que la nuestra, los otros dos caminos son válidos, y te lo diremos en la llamada.
