IA pública o IA privada? Per què la millor resposta per a la teva empresa és la barreja

Hi ha una conversa que tinc gairebé cada setmana. Una empresa ha fet la seva prova pilot amb IA, ha funcionat, tothom content… i llavors arriba la factura del mes. I la pregunta deixa de ser «això funciona?» per passar a ser «això ho puc pagar cada mes, per sempre?».

Aquesta segona pregunta és la que quasi ningú es fa abans de començar. I és la que decideix si un projecte d'intel·ligència artificial acaba en producció o acaba en un calaix.

A Alterego fa temps que hi donem voltes, i la conclusió a la qual hem arribat és poc èpica però molt rendible: la millor solució d'IA per a una empresa gairebé mai és una sola IA. És una barreja.

 

 

El problema no és la intel·ligència, és la factura

Els models de frontera —Claude, GPT i companyia— són extraordinaris. Fan coses que fa dos anys eren ciència-ficció. Però tenen una característica incòmoda per a qualsevol director financer: es paguen per ús.

Mentre la IA és un experiment de tres persones, això és un avantatge: pagues poc perquè uses poc. El problema apareix exactament quan el projecte té èxit. Si el que has construït agrada, s'usa. I si s'usa, la factura creix. Has construït un cost variable que puja just quan hauria de començar a baixar.

Hi afegim un segon factor: hi ha informació que simplement no pot sortir de casa. Historials, expedients, contractes, dades de clients. No és només una qüestió de RGPD —que també—, és una qüestió de dormir tranquil.

Davant d'aquests dos problemes el mercat sol oferir dues respostes dolentes: o t'ho poses tot al núvol i ja pagaràs, o t'ho muntes tot a casa amb un model mediocre i ho pateixes. Nosaltres treballem la tercera.

Línia 1: IA pública, per quan cal el màxim

Som partners d'Anthropic i d'OpenAI, i integrem els seus models en processos reals de client: anàlisi documental, atenció al client, generació de contingut, automatització de tasques d'oficina.

Aquí no hi ha discussió possible: quan una tasca demana raonament complex, matisos, creativitat o context llarguíssim, un model de frontera guanya. Punt. Intentar substituir-lo per un model petit perquè és més barat és el clàssic estalvi que acaba sortint caríssim.

El nostre paper aquí no és vendre tokens. És dissenyar el flux de treball, connectar-lo als sistemes que l'empresa ja té i mesurar què està passant realment. Perquè una IA que ningú sap què fa és una IA que ningú pot optimitzar.

Línia 2: IA privada, per convertir el cost variable en cost fix

La segona línia la desenvolupem conjuntament amb BSBData, i és la que més converses interessants ens està generant.

Consisteix a muntar infraestructura d'inferència pròpia —targetes NVIDIA dedicades— i executar-hi models de pesos oberts com les famílies Qwen o Nemotron. La diferència respecte a fa divuit mesos és brutal: aquests models ja no són una joguina. Per a bona part de les tasques d'empresa —classificar, extreure, resumir, respondre amb context, buscar dins la documentació interna— rendeixen perfectament.

I el canvi de model econòmic és el que realment importa:

	IA pública	IA privada
Cost	Variable, per ús	Fix i previsible
Escalar l'ús	Puja la factura	Baixa el cost unitari
Dades sensibles	Surten de l'organització	No surten mai
Sostre de capacitat	Pràcticament infinit	El del maquinari
Millor per a	Raonament complex i pics puntuals	Volum alt i tasques repetitives

Quan una empresa passa de pagar per cada consulta a pagar una quota fixa d'infraestructura, canvia la conversa interna sencera. Deixa de ser «com limitem l'ús de la IA?» i passa a ser «on més la podem posar?». I és aquí on comencen els guanys de veritat.

La tesi: no triar, combinar

Aquí és on ajuntem les dues línies, i és el que més ens diferencia. No creiem en la disjuntiva. Creiem en l'arquitectura híbrida: una capa d'encaminament que decideix, per a cada tasca, quin model l'ha de resoldre.

• El gruix del volum —classificacions, extraccions, resums, cerques internes, primeres respostes— se'n va al model privat. Cost marginal pròxim a zero i dades que no es mouen de lloc.
• La minoria exigent —el cas difícil, el document ambigu, la decisió delicada— escala cap al model públic de frontera.

El resultat és una solució que manté el nivell d'intel·ligència allà on cal tenir-lo i que té un cost que l'empresa pot pressupostar. No és el més barat possible ni el més potent possible: és el millor equilibri entre els dos. Que, en la vida real d'una empresa, és exactament el que necessites.

MCP i, des d'aquesta setmana, Agent Plugins

Tot això no serveix de res si la IA no pot tocar les dades i els sistemes de l'empresa. Un model brillant aïllat del teu ERP és un becari molt car tancat en un despatx sense finestres.

Per això a Alterego desenvolupem solucions MCP (Model Context Protocol): els connectors que permeten que un model —públic o privat, tant se val— consulti el CRM, llegeixi la documentació interna, escrigui a la base de dades o llanci un procés. És la peça que converteix un xat en una eina de treball.

I aquesta mateixa setmana hem començat a treballar amb les especificacions d'Agent Plugins, l'estàndard obert i neutral que empaqueta en un sol format tant els servidors MCP com les skills d'agent. El comitè tècnic inicial inclou AWS, Cursor, Microsoft, OpenAI i Vercel, i això ja diu prou sobre cap on va tot plegat.

Per què ens hi hem posat tan aviat? Perquè resol exactament el problema que té qualsevol empresa amb arquitectura híbrida: construir la integració una vegada i que funcioni amb qualsevol model i qualsevol client, sense haver de reempaquetar res. Si avui apostes pel model A i d'aquí a sis mesos pel model B, la feina d'integració no es llença. En un sector que es reinventa cada trimestre, això no és un detall tècnic: és protecció de la inversió.

IA aplicada, no IA de fira

Aquesta és la nostra manera de treballar i no la canviarem: primer entendre quin procés de l'empresa fa mal, després decidir quina tecnologia toca i, només al final, parlar de models. A l'inrevés —començant per la tecnologia i buscant-li un problema— és com es cremen pressupostos sencers sense que canviï res.

Si a la teva empresa esteu en el punt d'«ens agrada, però els números no ens surten», o en el d'«això no ho podem pujar al núvol», probablement la resposta no sigui triar millor el proveïdor. Sigui combinar-los bé.

Parlem-ne.