Los datos salen en cada pregunta
Cada consulta a la IA externa lleva contratos, informes o tickets hacia afuera. Sin respuesta para eso, el proyecto se detiene en el DPO.
Por qué un modelo propio
El piloto de IA funciona. Entonces compliance pregunta adónde van los datos. Y finanzas pregunta cuánto cuesta con el volumen real.
En un sector regulado, enviar datos de clientes, pacientes u operaciones al servidor de terceros traba el proyecto en el área legal. Y la factura por uso crece junto con el éxito de la IA.
La factura crece con el éxito
El cobro por uso sube con el volumen. Cuando la IA funciona y escala, el costo llega más alto de lo planeado, y el precio cambia cuando el proveedor quiere.
Benchmark de vitrina, no de su caso
El proveedor muestra su modelo ganando en una prueba pública. Nadie muestra si acierta su contrato, su informe, su ticket.
Lo que usted obtiene
Una decisión con pruebas, y un modelo bajo su control.
La ganancia no viene del modelo más grande. Viene de elegir el correcto para la tarea, probarlo en sus casos y operarlo con las mismas reglas de seguridad que el resto de su casa ya sigue.
01
Los datos sensibles no salen de casa
La preparación, el ajuste y la respuesta del modelo ocurren en su data center o en su nube privada. Un equipo con seguridad y privacidad de la información certificadas cuida el proceso.
ISO/IEC 27701privacidad certificada
02
Decisión con resultados en la mano
Antes de invertir en el ajuste, comparamos modelos pequeños y la API en sus casos reales, con el costo estimado de cada camino. Si gana la API, la recomendación es la API.
03
Revisión humana donde el error cuesta caro
Cada etapa tiene un aprobador nombrado, y las decisiones críticas del modelo en producción pasan por una persona. Es el mismo método de nuestras entregas con agentes.
97%de acierto a la primera
04
Un costo que usted prevé
Un modelo pequeño funcionando en su infraestructura tiene un costo por tarea que no sube con cada pregunta. Usted planifica el presupuesto sin depender de la tabla de precios de terceros.
05
Sin otro dueño que usted
El modelo ajustado, los datos preparados, el banco de casos y el playbook quedan con usted. Cuando salga un modelo mejor, lo cambia con base en la prueba, no en la promesa.
Cómo trabajamos
Cinco etapas. Un gate humano en cada una.
Cada etapa genera el insumo de la siguiente, y nada avanza sin la aprobación de quien responde por el resultado en su negocio. Los datos no salen de su entorno en ninguna de ellas.
Tarea y criterio de acierto
Una tarea específica, el costo de un error y la vara que dice si la IA acertó, escrita antes de cualquier prueba.
Gate · Criterio de aceptación firmado por el negocioDatos en su entorno
Datos organizados, limpios y anonimizados donde lo pide la LGPD (ley brasileña de protección de datos), con reglas de acceso y origen registrado.
Gate · Liberación del DPO o de complianceBanco de casos reales
Situaciones de su operación, con la respuesta correcta conocida, para probar cualquier modelo de la misma forma.
Gate · Casos validados por los especialistasAjuste y comparación
El modelo pequeño ajustado y la API responden los mismos casos. Comparamos acierto, tiempo de respuesta y costo.
Gate · Decisión: modelo propio, API o ningunoProducción y operación
El modelo en su entorno, con monitoreo de calidad, revisión humana en las decisiones críticas y reevaluación con cada versión nueva.
Gate · Revisión periódica de desempeño
Lo que cambia en su operación de IA
DatosDejan de viajar. Quedan en su entorno, con acceso controlado y registrado.
CostoDeja de seguir el volumen de preguntas y se vuelve un costo de infraestructura que usted planifica.
AuditoríaTiene respuesta: dónde están los datos, cómo se ajustó el modelo y cómo se prueba.
Cambio de modeloSe vuelve una decisión suya, con el banco de casos diciendo si el modelo nuevo es mejor.
ErroresDejan de ser sorpresa. Una caída de calidad genera una alerta antes de llegar al cliente.
Cómo vende el mercado
Todos prometen IA bajo control. Pocos lo prueban en su caso.
Quien vende modelos pequeños suele ser dueño del modelo o de la plataforma, y lo prueba con tests públicos. Nosotros no tenemos un modelo que vender, así que la prueba es con sus casos.
Cómo contratar
Tres formatos. Todos empiezan por la prueba.
Usted puede detenerse después de cualquiera de ellos. Cada formato entrega una decisión o un modelo que queda con usted.
Empiece aquí
Evaluación de viabilidad
Para quién: Quien tiene una tarea candidata y necesita decidir entre un modelo propio y la API.
Formato de 3 a 4 semanas
- Una tarea elegida con el negocio y el criterio de acierto por escrito
- Banco de casos reales validado por sus especialistas
- Comparación de modelos pequeños y de la API en los mismos casos
- Costo estimado de operación en los dos caminos
- Recomendación por escrito, incluso cuando es usar la API
El más pedido
Piloto en una tarea
Para quién: Quien ya tiene la tarea definida y quiere ver el modelo ajustado funcionando en su propio entorno.
Formato de 8 a 12 semanas
- Preparación y anonimización de los datos en su entorno
- Ajuste del modelo para la tarea
- Evaluación lado a lado con la API en el banco de casos
- Uso controlado con usuarios reales y revisión humana
- Dossier para compliance: datos, acceso, ajuste y pruebas
Operación continua
SLM en producción
Para quién: Quien va a poner el modelo en el proceso y lo necesita estable, auditable y actualizado.
Contrato continuo, con revisión trimestral
- Implementación en su data center o nube privada
- Monitoreo de calidad, uso y costo
- Reevaluación con cada versión nueva de modelo
- Reajuste con datos nuevos cuando la operación cambia
- Control de acceso y rastro de auditoría
Alcance y precio salen de la conversación sobre su tarea y, después, de la evaluación de viabilidad. Los plazos de arriba son el formato que proponemos, no una promesa de resultado.
26 años de software crítico, con seguridad y privacidad de la información certificadas por auditoría externa.
Combina con
Del proceso al agente, con sus datos protegidos.
Preguntas frecuentes
Antes de empezar.
¿Qué es un SLM?
Small Language Model: un modelo de lenguaje pequeño, que entiende y escribe texto como los más conocidos, pero más pequeño y especializado. Por ser más pequeño, funciona en servidores de la propia empresa, cuesta menos de operar y se puede ajustar al vocabulario y las reglas de su negocio.
¿Un modelo pequeño es suficientemente bueno?
Para una tarea bien definida, un modelo pequeño ajustado suele acercarse a los grandes, y Gartner prevé que, hacia 2027, las empresas usarán modelos pequeños y específicos tres veces más que modelos grandes de uso general (Gartner, 2025). Para tareas abiertas y variadas, el grande puede ser mejor. Por eso probamos los dos con sus casos antes de recomendar.
¿Cuándo recomiendan no usar un SLM?
Cuando los datos no son sensibles, el volumen es bajo o la tarea exige un conocimiento amplio. En esos casos, un modelo grande por API suele ser más simple y más barato, y eso es lo que dice la recomendación.
¿Dónde funciona el modelo y qué infraestructura necesito?
En su data center (on-premise) o en su nube privada. La inferencia ocurre en su entorno. Los modelos pequeños, con cuantización, suelen funcionar en una o pocas GPU, y la evaluación de viabilidad ya dimensiona el hardware.
¿Cómo ayuda esto con la LGPD y con las reglas de mi sector?
Los datos quedan en su entorno, con control de acceso y rastro de auditoría, y entregamos un dossier con dónde están los datos, quién accede, cómo se ajustó el modelo y cómo se prueba. Es el tipo de respuesta que reguladores como BACEN (banco central de Brasil), ANS y ANEEL suelen pedir. DB1 está certificada ISO/IEC 27001 e ISO/IEC 27701.
¿El modelo ajustado es mío?
El ajuste, los datos preparados, el banco de casos y el playbook quedan con usted. El modelo base sigue la licencia del proveedor original, y por eso la licencia entra como criterio de elección desde la primera etapa.