Cada vez más empresas quieren disponer de su propia inteligencia artificial: un asistente interno capaz de consultar documentos, redactar contenidos, atender preguntas, comunicarse con clientes, automatizar tareas o conectarse con herramientas como WordPress, un CRM o un ERP.
Aunque expresiones como «crear una IA» o «desarrollar una inteligencia artificial propia» se utilizan con frecuencia, en la mayoría de los proyectos empresariales no se entrena un modelo desde cero. Lo habitual es instalar una plataforma existente, conectarla con un modelo de lenguaje y personalizarla para adaptarla a las necesidades de la empresa.
Esto no resta valor al proyecto. Una buena implantación puede necesitar programación, administración de sistemas, integración con diferentes servicios, configuración de seguridad y conocimiento de los procesos empresariales. Sin embargo, conviene diferenciar claramente entre crear un modelo, desarrollar una aplicación que utiliza IA y personalizar una herramienta ya existente.
Tres formas de incorporar inteligencia artificial a una empresa
1. Crear o entrenar un modelo de inteligencia artificial
Esta es la interpretación más exigente de la expresión «crear una IA». Supone diseñar o adaptar una arquitectura, preparar grandes conjuntos de datos, entrenar el modelo y evaluar posteriormente sus resultados.
En un proyecto de este tipo deberían poder explicarse cuestiones como:
- La arquitectura y el número de parámetros del modelo.
- Los datos empleados y su procedencia.
- El hardware utilizado, especialmente las GPU y su memoria.
- El tiempo y el coste del entrenamiento.
- Los métodos empleados para evaluar los resultados.
- Si se ha realizado un preentrenamiento completo, un ajuste fino o fine-tuning, o una adaptación mediante LoRA.
Entrenar un gran modelo de lenguaje desde cero requiere una infraestructura y unos recursos que normalmente están fuera del alcance de una pequeña o mediana empresa.
Una alternativa más realista consiste en ajustar un modelo ya existente para una tarea concreta. Incluso en ese caso debería indicarse cuál es el modelo original y qué modificaciones se han realizado sobre él.
2. Desarrollar una aplicación que utiliza un modelo existente
En este escenario puede existir una cantidad considerable de programación propia, aunque el motor de inteligencia artificial haya sido desarrollado por otra organización.
Por ejemplo, una empresa podría crear una aplicación que:
- Reciba una consulta de un cliente.
- Consulte los productos disponibles en un ERP.
- Compruebe precios y existencias.
- Envíe la información necesaria a un modelo de lenguaje.
- Presente una respuesta comprensible.
- Registre la operación en el sistema de gestión.
La interfaz, la base de datos, las reglas empresariales, la seguridad, las conexiones y las automatizaciones pueden ser desarrollos propios. Sin embargo, la generación del lenguaje puede correr a cargo de GPT, Claude, Gemini, Mistral, Llama, Qwen u otro modelo existente.
La descripción técnicamente correcta sería «aplicación propia basada en inteligencia artificial» o «integración empresarial con modelos de IA», pero no «modelo de inteligencia artificial creado desde cero».
3. Instalar y personalizar una plataforma ya desarrollada
La tercera posibilidad consiste en descargar una herramienta existente, instalarla mediante Docker o directamente en un servidor, configurar un proveedor de modelos y adaptar su apariencia y funcionamiento.
Las personalizaciones más frecuentes incluyen:
- Sustituir el nombre y el logotipo.
- Cambiar colores, iconos y menús.
- Configurar usuarios y permisos.
- Preparar instrucciones o prompts.
- Crear distintos asistentes para cada departamento.
- Cargar documentos para formar una base de conocimiento.
- Añadir conexiones con WordPress, un CRM o un ERP.
- Incorporar servicios de correo electrónico o mensajería.
- Desarrollar módulos específicos para el proyecto.
Puede ser un trabajo legítimo de implantación e integración, pero tanto la plataforma como el modelo continúan teniendo sus respectivos desarrolladores.
Herramientas para crear una plataforma empresarial de IA
Actualmente existen numerosas herramientas con las que puede prepararse una aplicación de inteligencia artificial administrable desde el navegador sin necesidad de entrenar un modelo propio.
Open WebUI
Open WebUI es una interfaz autoalojable compatible con Ollama y con servicios que utilizan una API similar a la de OpenAI.
Proporciona chats, usuarios, gestión de modelos, documentos, búsquedas y diferentes funciones empresariales. Puede utilizar modelos ejecutados localmente o conectarse con servicios externos.
LibreChat
LibreChat proporciona una interfaz web similar a la de los asistentes comerciales y permite trabajar con diferentes proveedores.
Resulta útil cuando se quiere ofrecer a varios usuarios un acceso centralizado a distintos modelos desde una única aplicación.
AnythingLLM
AnythingLLM está orientado a la creación de asistentes, espacios de trabajo, agentes y bases de conocimiento formadas por documentos.
Puede utilizar modelos locales o servicios alojados en la nube y dispone de funciones para trabajar con RAG, bases vectoriales y diferentes proveedores de inteligencia artificial.
Dify
Dify es un entorno visual para crear aplicaciones de IA, agentes, cadenas de tareas y sistemas RAG.
Permite configurar modelos, instrucciones, herramientas y flujos de trabajo desde una interfaz gráfica, reduciendo considerablemente la programación necesaria.
Flowise
Flowise utiliza un sistema visual basado en nodos para construir agentes, cadenas y procesos relacionados con modelos de lenguaje.
Es especialmente útil para diseñar el recorrido que debe seguir la información antes y después de consultar al modelo.
n8n
n8n es una plataforma de automatización que permite conectar modelos de inteligencia artificial con correo electrónico, bases de datos, páginas web, CRM, ERP y numerosos servicios.
Puede utilizarse, por ejemplo, para recibir una solicitud, buscar información, solicitar una respuesta al modelo, guardar el resultado y enviar una notificación.
Make
Make es un servicio de automatización visual que también permite incorporar APIs de inteligencia artificial dentro de procesos empresariales.
Su planteamiento es parecido al de n8n, aunque se ofrece principalmente como servicio alojado.
Bubble
Bubble es una plataforma de desarrollo visual que permite construir aplicaciones web y conectarlas con proveedores de IA mediante API.
Puede emplearse para crear el panel, los usuarios, los formularios y la lógica básica sin desarrollar toda la aplicación manualmente.
Lovable, Bolt, Replit, Base44, Cursor y Claude Code
Estas herramientas pueden generar o ayudar a programar buena parte de una aplicación a partir de instrucciones escritas en lenguaje natural.
Aunque el resultado puede contener código personalizado, es posible que gran parte del desarrollo haya sido generado automáticamente y posteriormente adaptado.
Ollama
Ollama permite descargar y ejecutar modelos en un equipo o servidor propio. Es una de las opciones más habituales para proporcionar modelos locales a interfaces como Open WebUI o AnythingLLM.
El modelo puede ejecutarse utilizando la CPU, una GPU o una combinación de ambas, dependiendo de su tamaño y de los recursos disponibles.
LM Studio y LocalAI
LM Studio y LocalAI son alternativas para ejecutar modelos localmente y hacerlos accesibles a otras aplicaciones mediante una API interna.
Estas soluciones permiten evitar, al menos para la generación de texto, el envío de información a proveedores externos.
Las herramientas pueden combinarse
No es necesario elegir una única herramienta para todo el proyecto. Una plataforma empresarial puede estar formada por diferentes componentes especializados.
Por ejemplo:
Usuario ↓ Interfaz web personalizada ↓ AnythingLLM u Open WebUI ↓ Ollama ↓ Modelo local
Otra posibilidad sería:
Usuario ↓ Aplicación empresarial ↓ n8n ├── API de OpenAI, Claude o Gemini ├── WordPress ├── CRM o ERP └── Correo electrónico
También pueden construirse arquitecturas híbridas. El modelo conversacional puede funcionar localmente mientras que la generación de imágenes, la búsqueda en Internet, la transcripción de audio o determinadas automatizaciones utilizan servicios externos.
Utilizar APIs de otras inteligencias artificiales
Una de las formas más sencillas de incorporar inteligencia artificial a una aplicación consiste en utilizar la API de un proveedor externo.
Entre los proveedores más conocidos se encuentran:
- OpenAI, desarrollador de ChatGPT y de los modelos GPT.
- Anthropic, desarrollador de Claude.
- Google, desarrollador de Gemini.
- Mistral AI.
- Groq.
- OpenRouter.
- Microsoft Azure OpenAI.
- Amazon Bedrock.
La aplicación envía una solicitud al proveedor y recibe la respuesta generada por el modelo.
De forma simplificada, el recorrido sería:
Navegador → aplicación empresarial → API externa → modelo de IA
La clave de la API debe permanecer en el servidor. Nunca debería incluirse directamente en el código JavaScript enviado al navegador, ya que cualquier usuario podría localizarla y utilizarla.
El uso de una API externa presenta algunas ventajas:
- No es necesario disponer de una GPU propia.
- Se puede acceder a modelos avanzados.
- La infraestructura puede escalar automáticamente.
- El mantenimiento del modelo corresponde al proveedor.
- La puesta en funcionamiento suele ser rápida.
También introduce algunas dependencias:
- El servicio tiene un coste por uso o por número de tokens.
- La aplicación necesita conexión a Internet.
- Los precios y condiciones pueden cambiar.
- Una incidencia del proveedor puede detener el servicio.
- Parte de la información debe salir de la infraestructura propia.
- Deben revisarse las condiciones de privacidad y tratamiento de datos.
Modelos locales y privacidad
Otra opción consiste en descargar un modelo abierto y ejecutarlo en un equipo o servidor controlado por la empresa.
La arquitectura podría ser:
Navegador → plataforma autoalojada → Ollama o LocalAI → modelo local
Si todos los componentes necesarios son locales, las preguntas, documentos y respuestas pueden permanecer dentro de la infraestructura empresarial.
Esta suele ser una alternativa más apropiada cuando se trabaja con:
- Información confidencial.
- Documentos internos.
- Datos personales.
- Contratos.
- Información financiera.
- Historiales de clientes.
- Código fuente privado.
- Secretos comerciales.
No obstante, utilizar un modelo local no garantiza automáticamente la seguridad. También será necesario:
- Mantener actualizada la plataforma.
- Proteger el acceso mediante HTTPS.
- Configurar correctamente usuarios y permisos.
- Evitar la exposición pública de Ollama o de la base vectorial.
- Utilizar un cortafuegos.
- Realizar copias de seguridad.
- Revisar la telemetría.
- Controlar los conectores y herramientas disponibles para los agentes.
- Registrar y auditar las operaciones importantes.
La ventaja principal es que la empresa conserva un control mayor sobre el recorrido de los datos.
¿Qué es RAG y por qué no equivale a entrenar una IA?
Muchas plataformas permiten cargar documentos PDF, manuales, contratos, páginas web, hojas de cálculo y otros archivos. Posteriormente, el asistente puede responder utilizando esa información.
Este mecanismo suele denominarse RAG, siglas de Retrieval-Augmented Generation o generación aumentada mediante recuperación.
Su funcionamiento simplificado es el siguiente:
- Los documentos se dividen en fragmentos.
- Cada fragmento se transforma en una representación matemática.
- La información se almacena en una base vectorial.
- Cuando se realiza una pregunta, la plataforma busca los fragmentos relacionados.
- Esos fragmentos se incluyen en el contexto enviado al modelo.
- El modelo redacta una respuesta utilizando la información recuperada.
El modelo no necesariamente ha sido entrenado con esos documentos ni los ha incorporado permanentemente a sus parámetros. Simplemente recibe los fragmentos relevantes cuando necesita contestar.
RAG es una técnica muy útil para crear asistentes especializados, pero no debe confundirse con entrenar o ajustar un modelo.
Cómo identificar la tecnología utilizada por una plataforma
El aspecto de la interfaz puede proporcionar pistas, aunque una personalización bien realizada puede ocultar fácilmente el producto original.
Para realizar una comprobación técnica pueden revisarse:
- El código fuente HTML.
- Los archivos JavaScript y CSS cargados.
- Las solicitudes Fetch/XHR de la pestaña Red del navegador.
- Las cookies y cabeceras HTTP.
- Los nombres de las rutas.
- Los mensajes de error.
- Los contenedores Docker activos.
- Los procesos que se ejecutan en el servidor.
- Los archivos de configuración.
- Las variables de entorno.
- Las conexiones salientes realizadas al generar una respuesta.
- El comportamiento de la aplicación al desconectar Internet.
Si se dispone de acceso al servidor, pueden buscarse referencias a proveedores y tecnologías:
grep -RniE \ "openai|anthropic|gemini|generativelanguage|openrouter|groq|ollama|lmstudio|localai|chat/completions|API_KEY" \ /ruta/de/la/aplicacion
Que el navegador únicamente se comunique con el dominio de la aplicación no demuestra que todo el procesamiento sea local.
Por seguridad, las claves de las APIs suelen guardarse en el servidor. El navegador envía la petición al backend y es posteriormente el backend quien se comunica con OpenAI, Anthropic, Google o el proveedor seleccionado.
Preguntas para documentar una plataforma empresarial de IA
Antes de implantar una solución conviene responder a las siguientes preguntas:
- ¿Qué modelo y versión se utilizan?
- ¿Quién ha desarrollado el modelo original?
- ¿Dónde se ejecuta la inferencia?
- ¿Se utiliza una API externa?
- ¿Qué framework o plataforma sirve de base?
- ¿Qué partes han sido desarrolladas específicamente?
- ¿Los documentos se utilizan mediante RAG?
- ¿Se ha realizado algún ajuste del modelo?
- ¿Qué servicios reciben los textos y documentos?
- ¿Dónde se encuentra la base vectorial?
- ¿Puede funcionar completamente sin conexión?
- ¿Qué componentes tienen telemetría?
- ¿Qué licencias deben conservarse?
- ¿Qué atribuciones exige el software empleado?
- ¿Quién se responsabiliza de las actualizaciones de seguridad?
Estas preguntas no pretenden restar valor al trabajo de integración. Permiten conocer las dependencias reales y evaluar correctamente la seguridad, la privacidad, los costes y el mantenimiento.
AnythingLLM como base para una plataforma empresarial
AnythingLLM es una plataforma de código abierto que puede instalarse como aplicación de escritorio o desplegarse mediante Docker para acceder a ella desde el navegador.
Incluye, entre otras funciones:
- Espacios de trabajo.
- Conversaciones.
- Gestión de usuarios.
- Carga de documentos.
- Bases de conocimiento.
- Sistemas RAG.
- Agentes.
- Conexión con bases vectoriales.
- Compatibilidad con diferentes proveedores de modelos.
- Personalización de instrucciones y comportamiento.
Después de descargarla, AnythingLLM no obliga a utilizar una inteligencia artificial determinada.
Puede conectarse con servicios comerciales alojados por terceros, entre ellos:
- OpenAI y sus modelos GPT.
- Anthropic y los modelos Claude.
- Google y los modelos Gemini.
- Mistral AI.
- Groq.
- OpenRouter.
- Azure OpenAI.
- Otros proveedores compatibles con la API de OpenAI.
Normalmente estas conexiones necesitan una clave de API. Cuando se utiliza uno de estos proveedores, AnythingLLM envía al servicio externo la información necesaria para generar la respuesta.
Esa información puede incluir:
- La pregunta del usuario.
- Las instrucciones configuradas.
- El historial relevante de la conversación.
- Fragmentos de documentos recuperados mediante RAG.
- Información generada por herramientas o conectores.
Por tanto, instalar AnythingLLM en un servidor propio no significa automáticamente que los datos permanezcan en ese servidor. La privacidad efectiva depende del modelo, de los embeddings, de la base vectorial, de las herramientas y de todos los conectores configurados.
Cómo utilizar AnythingLLM sin depender de APIs externas
AnythingLLM también puede conectarse con modelos ejecutados en infraestructura propia mediante:
- Ollama.
- LM Studio.
- LocalAI.
- Otros servidores compatibles.
Una configuración orientada a la privacidad podría utilizar:
AnythingLLM ├── Modelo local mediante Ollama ├── Embeddings locales ├── Base vectorial local └── Documentos almacenados localmente
En este caso, las consultas y los fragmentos de documentos no tendrían que enviarse a OpenAI, Anthropic, Google u otro proveedor.
Esta configuración reduce la exposición a terceros y proporciona un control mayor sobre la información. Sin embargo, deben revisarse también:
- La telemetría de AnythingLLM.
- Las búsquedas en Internet.
- Los conectores de datos.
- Las herramientas disponibles para los agentes.
- Los servicios de transcripción.
- La generación de imágenes.
- Cualquier integración externa configurada.
AnythingLLM incorpora telemetría anónima que puede desactivarse desde sus opciones de privacidad o mediante la configuración correspondiente.
Incluso si el modelo principal se ejecuta localmente, un conector o una herramienta podría seguir realizando comunicaciones externas. La auditoría debe contemplar la aplicación completa y no solamente el modelo de lenguaje seleccionado.
¿Son más seguras las IA que no utilizan APIs de terceros?
Una instalación completamente local suele proporcionar mayor privacidad porque reduce el número de organizaciones que reciben o procesan los datos.
Sin embargo, debe distinguirse entre privacidad y seguridad.
Una API externa correctamente contratada y configurada puede ofrecer:
- Cifrado de las comunicaciones.
- Controles de acceso.
- Auditorías.
- Certificaciones.
- Garantías contractuales.
- Políticas específicas de conservación de datos.
- Infraestructura mantenida por especialistas.
Por otra parte, una instalación local mal configurada puede ser vulnerable si:
- Está expuesta públicamente sin protección.
- Utiliza contraseñas débiles.
- No recibe actualizaciones.
- Permite acceder a Ollama desde Internet.
- Tiene conectores con permisos excesivos.
- Carece de copias de seguridad.
- No cifra las comunicaciones.
- No registra las operaciones.
Por tanto, una solución local ofrece más control y menos exposición a terceros, pero exige que la empresa se responsabilice de toda la seguridad.
Cuando se trabaja con información especialmente sensible, la opción preferible suele ser mantener localmente el modelo, los embeddings, la base vectorial y los documentos. Cuando se necesita mayor capacidad, disponibilidad o facilidad de mantenimiento, una API externa puede ser adecuada si se revisan correctamente sus condiciones.
Personalizar una plataforma no equivale a crear el modelo
Sobre una base como AnythingLLM puede realizarse una cantidad considerable de trabajo:
- Instalar y asegurar el servidor.
- Configurar Docker.
- Personalizar la identidad visual.
- Crear usuarios y permisos.
- Preparar asistentes especializados.
- Diseñar los prompts.
- Incorporar documentos.
- Configurar modelos locales o externos.
- Desarrollar conectores.
- Integrar WordPress, un CRM o un ERP.
- Añadir automatizaciones.
- Programar módulos que no existan originalmente.
Todo ese trabajo puede constituir un desarrollo empresarial útil y perfectamente comercializable, siempre que se respeten las licencias correspondientes.
La forma técnicamente precisa de describirlo sería:
Plataforma empresarial de inteligencia artificial implantada y personalizada sobre AnythingLLM.
También podría utilizarse:
Aplicación empresarial basada en AnythingLLM e integrada con modelos de inteligencia artificial.
Solo debería afirmarse que se ha creado un modelo propio cuando realmente se haya diseñado, entrenado o ajustado un modelo y pueda documentarse ese proceso.
Conclusión
Actualmente no es necesario entrenar un modelo para desarrollar una solución de inteligencia artificial útil para una empresa.
Las plataformas autoalojables, los modelos abiertos, las APIs comerciales y las herramientas de automatización permiten construir asistentes capaces de consultar documentos, publicar contenidos, comunicarse con clientes y conectarse con los sistemas internos de una organización.
El valor de un proyecto puede encontrarse en la integración, la seguridad, la automatización y la adaptación a los procesos empresariales. Sin embargo, conviene distinguir ese trabajo de la creación del modelo.
Antes de confiar información empresarial a una plataforma de IA, debe conocerse:
- Qué software sirve de base.
- Qué modelo genera las respuestas.
- Dónde se ejecuta.
- Qué datos abandonan el servidor.
- Qué proveedores externos intervienen.
- Dónde se almacenan los documentos.
- Qué componentes continúan funcionando sin conexión.
- Quién se encarga de mantener y asegurar el sistema.
En inteligencia artificial, disponer de un nombre, un logotipo y un panel personalizado no significa haber creado un modelo propio. Lo verdaderamente importante es conocer la arquitectura, las dependencias y el recorrido real de los datos.
