Cuando el proveedor lanza un modelo nuevo, tu modelo afinado no se actualiza solo: el afinado está hecho sobre una versión concreta y, si esa versión se retira o quieres pasar a la nueva, hay que repetir buena parte del trabajo. Por eso conviene saberlo antes de afinar, y dejar pactado qué ocurre cuando llegue ese día.
La idea de fondo se entiende con un ejemplo de oficina. Contratas a un administrativo y pasas semanas enseñándole tus formatos, tu tono con los clientes y tus particularidades. Un día la agencia que te lo proporcionó te dice que ese perfil deja de estar disponible y que te ofrece otro, más capaz, pero que no sabe nada de lo que le enseñaste al anterior. Con el afinado de un modelo de IA pasa algo parecido, y es un coste que casi nadie menciona al venderlo.
¿Qué significa afinar un modelo de IA?
Afinar un modelo (en el sector lo llaman fine-tuning) es ajustar un modelo de IA general con ejemplos propios de tu empresa para que se comporte de una manera concreta: que redacte con tu tono, que clasifique tus documentos con tus criterios o que siga siempre tu formato de presupuesto. Se hace con una colección de ejemplos buenos, se entrena sobre una versión determinada del modelo y el resultado es una copia ajustada que solo sirve con esa base.
Esa última frase es la clave. El ajuste no es un conocimiento que se pueda sacar y llevar a otro modelo; está pegado a la base sobre la que se hizo. Si la base cambia, el ajuste no viaja con ella. Lo que sí es tuyo y se puede reaprovechar son los ejemplos con los que se entrenó, siempre que los conserves en un formato utilizable.
¿Por qué hay que repetir el trabajo cuando sale un modelo nuevo?
Hay dos situaciones y ambas acaban en lo mismo. En la primera, el proveedor retira la versión sobre la que afinaste, con un aviso previo que varía según el proveedor, y tu modelo afinado deja de funcionar. En la segunda, la versión sigue disponible, pero sale otra claramente mejor y quieres aprovecharla: tu ajuste no se traslada, de modo que tendrías que afinar de nuevo sobre la nueva.
En ambos casos, el proceso es parecido al de la primera vez: preparar o revisar los ejemplos, entrenar, probar con casos reales y comparar con lo que había. Tampoco hay garantía de que el modelo nuevo se comporte igual con el mismo entrenamiento: puede mejorar en unas cosas y empeorar en otras, y por eso hace falta probar antes de dar el cambio por bueno.
El coste oculto: lo que no sale en la propuesta inicial
Cuando alguien te propone afinar, suele hablarte del beneficio y del precio del primer entrenamiento. Lo que conviene preguntar es qué pasa en la segunda vuelta. Estas son las partidas que casi nunca se mencionan:
- Tiempo de tu equipo. Alguien de tu empresa que conozca el trabajo tiene que revisar ejemplos y juzgar si los resultados son correctos. Ese tiempo es el mismo cada vez que repites el proceso.
- Preparación de datos. Si los ejemplos no se guardaron ordenados, o contienen datos personales que hay que limpiar antes de reutilizarlos, rehacerlos cuesta otra vez.
- Pruebas. Cada cambio de modelo exige comprobar que lo que antes funcionaba sigue funcionando. Sin un conjunto de casos de prueba guardado, esa comprobación se improvisa.
- Periodo de convivencia. Mientras pruebas el nuevo, suele hacer falta mantener el antiguo, y eso puede suponer pagar por los dos durante un tiempo.
- Riesgo de plazo. Si el aviso de retirada es corto y no habías preparado nada, el cambio se hace con prisa y con menos pruebas, que es cuando más fallos se cuelan.
Nada de esto significa que afinar sea mala idea. Significa que el coste de un modelo afinado no es el del primer entrenamiento, sino el de mantenerlo vivo a lo largo del tiempo.
¿Qué debes pactar para no quedar atado?
Antes de firmar, deja por escrito estos puntos con quien te implante el agente:
- Propiedad y entrega de los ejemplos. Los datos con los que se afinó son tuyos y se te entregan en un formato que otro proveedor pueda usar.
- Aviso mínimo. Qué antelación se te dará cuando una versión vaya a retirarse, y cómo se te comunicará.
- Quién paga la repetición. Si el reentrenamiento por cambio de versión está incluido, tiene un precio cerrado o se factura aparte.
- Un conjunto de pruebas propio. Una colección de casos reales, con la respuesta que consideras correcta, que sirva para comparar cualquier modelo futuro.
- Una alternativa sin afinado. Qué se haría si el ajuste dejara de ser viable: por ejemplo, volver a instrucciones bien escritas y a documentos de consulta.
- Una salida limpia. Qué te llevas si cambias de proveedor y en qué plazo.
Estos puntos enlazan con los de qué es el vendor lock-in en proyectos de IA y cómo evitarlo y con cómo migrar de proveedor de IA sin perder el histórico, que conviene leer si tu proyecto ya está en marcha.
¿Necesitas afinar de verdad?
Esta es la pregunta que más dinero ahorra. Muchas necesidades de una pyme se cubren sin afinar nada: dando al agente instrucciones claras, ejemplos dentro de la propia petición y acceso a tus documentos para que los consulte. Esa vía cambia de modelo con mucha menos fricción, porque lo que mantienes son textos tuyos, no un entrenamiento atado a una versión. En fine-tuning frente a prompt engineering tienes la comparación completa.
Afinar suele merecer la pena cuando hay mucho volumen de una tarea muy repetitiva y muy específica, y las otras vías no logran la calidad que necesitas. Si ese no es tu caso, empieza por lo sencillo y deja el afinado para cuando tengas una razón demostrada.
Qué hace el agente y qué sigue haciendo una persona
El agente puede guardar los ejemplos ordenados, preparar el conjunto de pruebas, lanzar la comparación entre el modelo antiguo y el nuevo y presentarte las diferencias con casos concretos. Lo que no puede hacer es decidir por ti si el nuevo comportamiento es aceptable: eso lo juzga una persona que conozca el trabajo. Y la decisión de cambiar de modelo, de renegociar el contrato o de dejar de afinar es del gerente, con el apoyo técnico de quien lo implanta.
Conclusión
Un modelo afinado está atado a la versión sobre la que se hizo. Cuando el proveedor la retira o saca una mejor, repetir el afinado tiene un coste real en tiempo, datos y pruebas, que conviene conocer desde el principio. La mejor defensa es pactar la entrega de los ejemplos, el aviso mínimo, quién paga la repetición y una alternativa sin afinado, y preguntarse antes si de verdad hace falta afinar.
En MG Solutions construimos agentes de IA específicos para cada empresa, pensando desde el primer día en que el modelo de debajo cambiará, adaptados a tu forma de trabajar y a tus herramientas, no una plantilla genérica.
Si quieres ver cómo encajaría en tu empresa, escríbenos y lo hablamos.