WireGuard vs OpenVPN: cuál es mejor para el acceso corporativo sin API en la nube
WireGuard vs OpenVPN: qué protocolo elegir para el acceso seguro a soluciones de IA autoalojadas sin API en la nube.
LeerLlama 3.3 70B — 93.5% de precisión frente al 96.5% de GPT-4o con cero coste de API. Comparativa de costes, GDPR y enfoque híbrido para PYMES, medicina y bufetes de abogados.
2024: los modelos locales son un compromiso. Peor calidad que GPT-4, pero los datos son tuyos. 2026: la situación ha cambiado drásticamente. Llama 4, Qwen3, Gemma 4 — los modelos locales han cerrado la brecha con los propietarios hasta tal punto que para la mayoría de las tareas empresariales la diferencia se ha vuelto imperceptible. La pregunta ya no es "¿están los modelos locales listos para los negocios?" — la pregunta es "¿cuándo OpenAI está justificado y cuándo es excesivo?" Respuesta corta: para tareas RAG (respuestas a partir de documentos), un modelo local a través de Ollama ofrece una calidad del 91-94% de GPT-4 con cero costes de API y total confidencialidad de los datos. OpenAI está justificado para análisis y generación complejos. O ambos: un enfoque híbrido.
Ollama es un software gratuito que permite ejecutar un potente modelo lingüístico en tu propio servidor en 15 minutos. Un solo comando, y Llama o Mistral funciona localmente con una API compatible con OpenAI. Ni un solo byte sale de tu servidor.
Antes de la aparición de Ollama, ejecutar un LLM local era un desafío técnico incluso para desarrolladores experimentados: compilar desde el código fuente, configurar CUDA, resolver conflictos de dependencias, convertir modelos manualmente. Incluso un especialista podía pasar un día solo para que el modelo se ejecutara.
Ollama lo resolvió con un solo comando. ollama run llama3.3 — y en pocos minutos (tiempo de descarga del modelo) tendrás un asistente de IA local. Ollama descarga automáticamente el modelo en formato GGUF optimizado, configura la cuantificación para el hardware disponible y lanza un servidor HTTP con una API idéntica a la de OpenAI.
Según una revisión independiente de LLM de código abierto (abril de 2026): "2025 fue el año en que los LLM de código abierto cerraron la brecha con los propietarios. En 2026 están a la par en muchas áreas, o son mejores". Para las empresas, esto significa más control, menor dependencia de los proveedores y mejor cumplimiento del GDPR.
Específicamente: Gemma 4 de Google (26B parámetros) alcanza el nivel de GPT-4 con un tamaño de 14 GB y 85 tokens/segundo en hardware de consumo. Qwen3 de Alibaba — excelente multilingüismo, incluido el ucraniano. Llama 4 de Meta — nuevas capacidades multimodales y de razonamiento. Los modelos locales han dejado de ser un compromiso, se han convertido en una alternativa real.
La biblioteca de Ollama contiene cientos de modelos. Para tareas empresariales (RAG, respuestas a partir de documentos, análisis) — hay una lista clara que realmente merece la pena considerar. El resto o son demasiado grandes para un servidor típico o están especializados en tareas concretas.
En AskYourDocs hemos probado varios modelos en tareas empresariales reales — RAG sobre documentos legales, protocolos médicos y reglamentos corporativos. Aquí está la situación actual a abril de 2026.
Es importante entender: en 2026, los modelos de código abierto han cerrado la brecha con los propietarios tanto que la elección "local vs en la nube" ya no es una elección entre "peor y mejor" — es una elección entre diferentes prioridades: confidencialidad y control vs máxima calidad y velocidad.
Cuantificación (Q4, Q5, Q8): el grado de compresión del modelo. Q4: el modelo ocupa cuatro veces menos memoria que el original con una pérdida de calidad de ~2-3%. Para RAG empresarial, recomendamos Q4_K_M — el equilibrio óptimo. Ollama utiliza este formato por defecto.
VRAM vs RAM: VRAM — memoria de la tarjeta gráfica (GPU), RAM — memoria principal del procesador. Si el modelo no cabe en VRAM, se descarga en RAM y se ejecuta en la CPU. Esto reduce significativamente la velocidad, pero no la calidad de las respuestas.
| Modelo | Tamaño (Q4) | VRAM | Velocidad | Mejor para | Comando |
|---|---|---|---|---|---|
| Llama 3.3 70B | 43 GB | 48 GB | ~20 t/s (GPU) | Máxima calidad, textos legales, multilingüismo | ollama run llama3.3:70b |
| Gemma 4 26B (MoE) | ~15 GB | 16 GB | ~35 t/s (GPU) | Equilibrio óptimo calidad/velocidad, nivel GPT-4 | ollama run gemma4:26b |
| Qwen3 14B | 9 GB | 12 GB | ~40 t/s (GPU) | Multilingüismo (UA/DE/EN), compacto y rápido | ollama run qwen3:14b |
| Mistral Small 3 (24B) | 14 GB | 16 GB | ~30 t/s (GPU) | Idiomas europeos, textos médicos y legales | ollama run mistral-small3 |
| Llama 3.2 8B | 5 GB | 6 GB | ~50 t/s (GPU) | Respuestas rápidas, FAQs simples, servidores CPU | ollama run llama3.2:8b |
Llama 3.3 70B — la máxima calidad para tareas RAG exigentes. El modelo abierto denso más potente para despliegue local. El contexto de 128K tokens permite procesar contratos legales largos o protocolos médicos completos. Según ML Journey, el modelo está optimizado para el diálogo multilingüe y sigue siendo una de las opciones más sólidas para RAG. Recomendado para bufetes de abogados y centros médicos donde la precisión es crítica. Requiere GPU de 48+ GB VRAM o un servidor CPU con 64 GB de RAM (más lento).
Gemma 4 26B — nivel GPT-4 en ~15 GB. Google lanzó Gemma 4 en abril de 2026 — y es un cambio real para el despliegue local. El modelo se basa en la arquitectura MoE (Mixture of Experts): 26B parámetros en total, pero ~4B activos en cada consulta — de ahí su tamaño compacto y alta velocidad. Según una revisión independiente: "Google Gemma 4 alcanza el nivel de GPT-4 con 14 GB a 85 tokens por segundo en hardware de consumo." Cabe en 16 GB de VRAM — la opción óptima para la mayoría de las PYMES.
Qwen3 14B — el mejor multilingüismo para UA/DE/EN. Alibaba mejoró significativamente el soporte multilingüe en la serie Qwen3. Para empresas que trabajan simultáneamente con documentos ucranianos, alemanes e ingleses — la mejor opción local. Cabe en 12 GB de VRAM. Según la revisión de Hyaking, Qwen3 muestra un rendimiento excepcional en tareas multilingües y comprensión del contexto en conversaciones largas.
Mistral Small 3 (24B) — alternativa europea con énfasis en idiomas de la UE. Mistral AI es una empresa francesa, y esto se refleja en la calidad de los modelos en francés, alemán y otros idiomas europeos. Para clientes austriacos y alemanes — la primera opción natural. 16 GB de VRAM y buena velocidad la convierten en una opción práctica para GPUs de gama media. Licencia: Apache 2.0 — totalmente gratuita para uso comercial.
Llama 3.2 8B — inicio rápido y servidores CPU. Si no tienes GPU o el presupuesto es limitado, Llama 3.2 8B es el mejor punto de partida. ML Journey: "Llama 3.2 8B sigue siendo la recomendación por defecto — equilibra calidad, velocidad y requisitos de hardware mejor que cualquier otro modelo de su clase." En un servidor CPU con 32 GB de RAM — responde en 30-60 segundos. Para FAQs simples y reglamentos internos — es completamente suficiente.
| Nicho | Modelo recomendado | Por qué |
|---|---|---|
| Bufete de abogados (UA/DE) | Llama 3.3 70B | Máxima precisión en contratos, largo contexto de 128K |
| Centro médico (AT/DE) | Mistral Small 3 o Llama 3.3 70B | Mistral — si el servidor es más débil, Llama — si la calidad es crítica |
| Distribuidor (catálogo UA+EN) | Qwen3 14B | Multilingüismo, velocidad, requisitos de GPU accesibles |
| Franquicia o RRHH (FAQs simples) | Llama 3.2 8B | Calidad suficiente para preguntas sencillas, hardware mínimo |
| Empresa multilingüe (UA+DE+EN) | Qwen3 14B o Gemma 4 26B | Mejor soporte entre idiomas |
| Máxima calidad, presupuesto disponible | Gemma 4 26B o Llama 3.3 70B | Nivel GPT-4 con despliegue local |
Para RAG no solo se necesita un LLM sino también un modelo de embedding — que convierte documentos y consultas en vectores para buscar contenido relevante. A través de Ollama hay tres opciones principales disponibles:
nomic-embed-text — opción básica para empezar. Vectores de 768 dimensiones (~275 MB), buena calidad en documentos en inglés y mixtos, soporta búsqueda multilingüe. Recomendado si los documentos son principalmente en inglés o si necesita empezar rápido. ollama pull nomic-embed-text
mxbai-embed-large — mejor calidad para la mayoría de las tareas. Vectores de 1024 dimensiones (~670 MB). Precisión de búsqueda notablemente mejor que nomic — especialmente en textos técnicos y legales. Nuestra recomendación por defecto para la mayoría de las tareas empresariales. ollama pull mxbai-embed-large
BGE-M3 — el mejor soporte multilingüe, incluido el cirílico. 1024 dimensiones (~1.2 GB), entrenado en más de 100 idiomas con calidad equitativa para latinos y cirílicos. Soporta búsqueda multilingüe: una pregunta en ucraniano encuentra una respuesta en un documento en inglés y viceversa. Para archivos multilingües UA/DE/EN — la primera opción. ollama pull bge-m3
| Idioma de los documentos | Embedding recomendado | LLM recomendado |
|---|---|---|
| Predominantemente en inglés | mxbai-embed-large | Llama 3.3 70B o Gemma 4 26B |
| Predominantemente en ucraniano | BGE-M3 | Qwen3 14B o Llama 3.3 70B |
| Predominantemente en alemán | mxbai-embed-large o BGE-M3 | Mistral Small 3 |
| Mixto (UA + EN + DE) | BGE-M3 | Qwen3 14B o Llama 3.3 70B |
Más información sobre la elección de embeddings, cuantificación y arquitectura completa de un circuito cerrado — en el artículo Circuito cerrado con Ollama: IA sin internet para empresas.
Para tareas RAG (respuestas basadas en sus documentos), la diferencia entre los mejores modelos locales y GPT-4o es significativamente menor que en las pruebas generales. Un modelo local con una búsqueda correctamente configurada da mejores resultados que un modelo en la nube con una búsqueda deficiente — independientemente de la "inteligencia" del modelo.
Una pregunta que se hace todo gerente antes de la implementación: "Si eliminamos OpenAI, ¿nuestros empleados o clientes recibirán peores respuestas?" Analicemos esto concretamente, sin marketing.
Hay una diferencia importante entre cómo ChatGPT responde "de su propia cabeza" y cómo funciona un asistente de IA en sus documentos.
Cuando su gerente pregunta "¿cuál es la comisión por rescisión anticipada del contrato?" — el sistema no inventa la respuesta. Encuentra el punto relevante en su contrato y lo reescribe. La calidad de esta reescritura es prácticamente la misma en los mejores modelos locales y en GPT-4o. Lo principal es encontrar el punto correcto, no "ser más inteligente".
Ejemplo sencillo: dos gerentes diferentes buscan una respuesta en la misma carpeta de documentos. El que sabe dónde buscar, lo encontrará más rápido independientemente de lo educado que sea. Un asistente de IA en documentos funciona igual: la "inteligencia" del modelo solo se vuelve crítica cuando se necesita análisis y síntesis complejos, no la búsqueda de una respuesta específica.
Probamos cuatro modelos en el mismo conjunto: 400 documentos legales, 200 protocolos médicos, 150 artículos de catálogo técnico. 50 preguntas de prueba por tarea con verificación independiente de las respuestas.
| Tarea | GPT-4o | Llama 3.3 70B | Gemma 4 26B | Mistral Small 3 |
|---|---|---|---|---|
| Encontrar un punto específico del contrato | 96% | 93% | 91% | 89% |
| Responder preguntas sobre preparación para un procedimiento | 97% | 94% | 92% | 91% |
| Encontrar un artículo en el catálogo por parámetros técnicos | 95% | 92% | 90% | 88% |
| Responder preguntas frecuentes del reglamento | 98% | 95% | 93% | 92% |
| Precisión media | 96.5% | 93.5% | 91.5% | 90% |
Con 100 consultas al día: GPT-4o da ~96 respuestas completas, Llama 3.3 70B — ~93. Es decir, tres consultas al día donde la respuesta es imprecisa o incompleta — y el empleado aclara la pregunta o verifica manualmente. Para la mayoría de las tareas operativas, esto es aceptable.
Pero hay un contexto importante que esta tabla no incluye:
| Factor | GPT-4o (nube) | Llama 3.3 70B (local) |
|---|---|---|
| Precisión en documentos | 96.5% | 93.5% |
| Coste con 100 consultas/día | 10-50 $/mes | 0 $ por modelo (solo servidor) |
| Sus documentos van a servidores de EE.UU. | Sí | No — se quedan con usted |
| El comportamiento del modelo es estable con el tiempo | No — OpenAI actualiza sin previo aviso | Sí — usted controla la versión |
| Riesgo de cambio de precios o condiciones | Existe — ha habido precedentes | Ausente |
| Cumplimiento GDPR para medicina y abogados | Problemático | Cumple totalmente |
La diferencia de precisión del 3% existe. Pero para la mayoría de las empresas, no es motivo para pagar más, enviar datos confidenciales al exterior y depender de las condiciones de una empresa estadounidense.
Una evaluación honesta requiere reconocer dónde GPT-4o gana objetivamente. Son tres escenarios específicos:
Análisis complejo entre documentos. "Compara las condiciones de cinco contratos y encuentra dónde nos hemos desviado del estándar" — aquí GPT-4o es notablemente más preciso. Llama se las arregla, pero OpenAI es más consistente en cadenas lógicas complejas. Si estas tareas son el trabajo diario de los abogados, considere un enfoque híbrido (local para tareas operativas, en la nube para análisis).
Generación de documentos "desde cero". Escribir un memorando, una propuesta comercial o un informe basado en varias fuentes — GPT-4o es de mayor calidad. Para buscar y reescribir lo existente — un modelo local es suficiente.
Cálculos financieros complejos. VAN, modelos financieros, lógica de múltiples pasos — los modelos en la nube son más precisos. Para operaciones sencillas (precio, descuento, saldo) — un modelo local se las arregla sin problemas.
Si su escenario es principalmente buscar respuestas en documentos existentes (FAQs, protocolos, catálogos, contratos) — un modelo local resuelve la tarea con una calidad del 90-94%.
Los tokens técnicos por segundo no importan — lo que importa es cómo se siente durante el trabajo.
| Modelo | Tiempo de respuesta (200 palabras) | Qué siente el usuario | Adecuado para |
|---|---|---|---|
| GPT-4o (OpenAI API) | 2–4 seg | Instantáneo, como una búsqueda en Google | Cualquier escenario |
| Gemma 4 26B (RTX 4090) | 5–8 seg | Pausa corta, cómodo | Chat público, FAQ en el sitio web |
| Mistral Small 3 (RTX 4090) | 5–10 seg | Pausa corta, cómodo | Chat público, idiomas UE |
| Llama 3.2 8B (RTX 3080) | 3–6 seg | Casi instantáneo | Gerente durante una llamada |
| Llama 3.3 70B (RTX 4090) | 10–18 seg | Pausa notable — aceptable | Herramienta interna para abogados, médicos |
| Llama 3.3 70B (solo CPU) | 60–90 seg | Largo — el tiempo de espera es incómodo | Procesamiento de documentos en segundo plano |
Contexto importante sobre la velocidad: un gerente que antes tardaba 20 minutos en buscar manualmente en documentos recibe una respuesta en 15 segundos — una aceleración de 80 veces. La diferencia entre 15 y 3 segundos en este contexto no es significativa para uso interno.
| Su escenario | Recomendación | Por qué |
|---|---|---|
| Los gerentes buscan respuestas en reglamentos internos, listas de precios, catálogos | Modelo local | 93% de precisión es suficiente, cero costes de API, los datos permanecen con usted |
| Los clientes o pacientes hacen preguntas a través del sitio web | Gemma 4 26B o Mistral Small 3 | 5-8 segundos de respuesta — UX cómoda, 91% de precisión para FAQs |
| Abogados o médicos trabajan con documentos sensibles | Solo local (Llama 3.3 70B) | GDPR y secreto profesional no permiten la transferencia de datos al exterior |
| Necesita análisis complejos de varios documentos sin datos sensibles | Híbrido: local + OpenAI | 80-90% de consultas localmente, análisis complejo — a través de la nube con contexto anonimizado |
| Está empezando y quiere probar el valor sin grandes inversiones | OpenAI GPT-4o mini | Umbral de entrada mínimo, pruebe la hipótesis — luego migre a local |
"Ollama es gratis" es cierto en cuanto a la licencia, pero no en cuanto al despliegue. Existe el coste del servidor y la GPU. La pregunta correcta no es "¿cuánto cuesta Ollama?", sino "¿cuál es el coste total de cada opción por año, teniendo en cuenta la carga de trabajo, los riesgos y los costes ocultos?".
En AskYourDocs vemos un patrón típico: una empresa elige OpenAI API porque "es más barato", y solo después de un año se da cuenta de que el riesgo de GDPR o el vendor lock-in han costado más que la diferencia en los costes de la API. Por eso, siempre comparamos el coste total, no solo los importes de la factura.
La diferencia clave entre los dos enfoques es: OpenAI son costes variables (paga por cada consulta), Ollama son fijos (paga por el servidor independientemente del número de consultas). Con una carga de trabajo baja, OpenAI es más ventajoso financieramente. Con una carga alta, Ollama. Pero hay una tercera dimensión que no aparece en ninguna tabla: el coste del riesgo.
Precios de la API de OpenAI (por 1M de tokens, entrada/salida), confirmados a abril de 2026:
| Modelo | Entrada | Salida | Para qué tareas |
|---|---|---|---|
| GPT-4o | $2.50/1M | $10.00/1M | Análisis complejo, síntesis interdocumental |
| GPT-4o mini | $0.15/1M | $0.60/1M | Consultas RAG sencillas, FAQ, preguntas operativas |
| GPT-4.1 | $2.00/1M | $8.00/1M | Equilibrio entre calidad y precio, contexto amplio (1M tokens) |
| GPT-4.1 mini | $0.40/1M | $1.60/1M | Tareas intermedias donde GPT-4o mini no es suficiente |
Cómo se calcula una consulta en un sistema RAG: prompt del sistema (~150 tokens) + fragmentos encontrados de documentos (~1.000–3.000 tokens) + pregunta (~100 tokens) + respuesta del modelo (~300 tokens). Total: ~1.500–3.500 de entrada y ~300 de salida tokens por consulta. Estas cifras son la base de nuestros cálculos a continuación.
Escenario A: Centro médico — 100 consultas/día
Escenario típico: Los pacientes o administradores preguntan sobre preparación para procedimientos, condiciones de admisión, precios.
| Opción | Por mes | Por año |
|---|---|---|
| GPT-4o API | ~$20 | ~$240 |
| GPT-4o mini API | ~$2.4 | ~$29 |
| Ollama (servidor CPU, €40/mes) | €40 | €480 |
| Ollama (GPU RTX 3080, €120/mes) | €120 | €1,440 |
Nuestra postura: en términos de costes puros de API, OpenAI es más barato — GPT-4o mini costará $29/año frente a €480 en un servidor CPU. Pero para un centro médico, nunca recomendamos una API en la nube, independientemente del coste. Las preguntas de los pacientes son datos médicos según el Artículo 9 del GDPR. Una sola solicitud regulatoria de un DSB austriaco o alemán costará más que una década de funcionamiento de un servidor Ollama. Aquí la elección no es financiera, es legal.
Escenario B: Distribuidor — 500 consultas/día
Los gerentes buscan artículos en el catálogo durante las llamadas, verifican la disponibilidad, aclaran parámetros técnicos.
| Opción | Por mes | Por año |
|---|---|---|
| GPT-4o API | ~$100 | ~$1,200 |
| GPT-4o mini API | ~$12 | ~$144 |
| Ollama GPU RTX 3080 (€120/mes) | €120 | €1,440 |
Nuestra postura: si los datos no son críticos y no hay requisitos regulatorios, GPT-4o mini por $144/año es una opción sensata para empezar. Pero recomendamos tener en cuenta en el plan la transición a Ollama a medida que aumenta la carga de trabajo: ya a 1.000 consultas/día las cifras se invierten. Las empresas que empiezan en la nube y "reconstruyen" más tarde gastan más en migración de lo que ahorraron.
Escenario C: Gran base de conocimientos o chat público activo — 2.000+ consultas/día
| Opción | Por mes | Por año |
|---|---|---|
| GPT-4o API | ~$400 | ~$4,800 |
| GPT-4o mini API | ~$48 | ~$576 |
| Ollama GPU RTX 3080 (€120/mes) | €120 | €1,440 |
| Ollama GPU RTX 4090 (€280/mes) | €280 | €3,360 |
Nuestra postura: con 2.000+ consultas/día, Ollama supera a GPT-4o sin lugar a dudas (€1.440 vs $4.800/año). Frente a GPT-4o mini, la diferencia es menor, pero el servidor proporciona una factura estable independientemente del aumento de la carga de trabajo, y GPT-4o mini a 5.000 consultas/día ya es más caro que una RTX 3080.
A partir de cuántas consultas diarias un servidor GPU RTX 3080 (€120/mes fijo) se amortiza en comparación con OpenAI API:
Para la mayoría de las PYMEs con una carga de trabajo de 100–500 consultas/día, GPT-4o mini es financieramente más ventajoso — si solo se consideran los importes en la factura. Pero el cálculo financiero es solo la mitad de la historia.
1. Coste del riesgo de GDPR. La multa máxima por incumplimiento del GDPR es de 20 millones de euros o el 4% de la facturación anual. Una multa realista para una PYME en la primera infracción — de 20.000 a 100.000 € dependiendo del país y la naturaleza de la infracción. En comparación: una GPU RTX 3080 en Hetzner cuesta 1.440 €/año. Es decir, incluso una sola multa cubre los costes de un servidor Ollama durante una década. Nunca recomendamos una API en la nube a clientes de medicina, derecho o RRHH — no porque sea "técnicamente mejor", sino porque la alternativa es legalmente inaceptable.
2. Coste de la inestabilidad de precios. OpenAI ha cambiado los precios de su API varias veces entre 2023 y 2026 — en ambas direcciones. Usted firma un contrato con un cliente por un año con un precio fijo por suscripción — y su coste de producción puede cambiar sin previo aviso. Con Ollama, el coste del servidor es fijo y no depende de las decisiones de una empresa estadounidense.
3. Coste de embedding en la opción en la nube. Con cada carga o actualización de documentos, todos los fragmentos deben ser vectorizados a través de la API de embedding de texto de OpenAI ($0.02/1M tokens). Una base de 1.000 documentos de 10 páginas — cuesta ~0.10 $ una vez. Una suma pequeña, pero se acumula si el archivo se actualiza semanalmente. Con Ollama, el modelo de embedding: coste cero de reindexación.
| Situación | Qué recomendamos | Por qué |
|---|---|---|
| Inicio, hasta 200 consultas/día, datos no críticos | GPT-4o mini → transición a Ollama al crecer | Costes iniciales mínimos, inicio sencillo |
| Medicina, abogados, RRHH — cualquier carga de trabajo | Ollama desde el primer día (CPU o GPU) | La API en la nube es legalmente inaceptable independientemente del coste |
| 500–1.000 consultas/día, datos no críticos | Híbrido: Ollama + OpenAI para análisis complejos | 80–90% de consultas localmente, las complejas — a través de la nube con contexto anonimizado |
| 2.000+ consultas/día | Ollama GPU sin duda | Financieramente más ventajoso incluso frente a GPT-4o mini con esta carga de trabajo |
| Austria o Alemania, cualquier nicho | Ollama en Hetzner (DE o FI) | La única opción fuera de la jurisdicción CLOUD Act de EE. UU. |
Regla clave: la GPU decide la velocidad, el proveedor decide el GDPR. Ollama funciona sin GPU — pero lentamente. Con GPU — es cómodo para cualquier escenario. Dónde está físicamente el servidor y quién lo gestiona — es una cuestión no técnica, sino legal.
En AskYourDocs desplegamos sistemas para clientes con diferentes presupuestos y cargas de trabajo. A continuación, hay tres configuraciones que utilizamos realmente, y la única regla sobre el proveedor que nunca rompemos.
Nivel 1 — Validar hipótesis (solo CPU, desde 30 €/mes). Llama 3.2 8B o Qwen3 14B en un servidor con 32 GB de RAM. Tarda entre 30 y 90 segundos en responder — aceptable para una herramienta interna donde nadie espera en tiempo real. Recomendamos este nivel durante las primeras 4–6 semanas: para probar el valor con documentos y consultas reales antes de invertir en GPU.
Nivel 2 — Producción funcional (GPU 16 GB, 80–130 €/mes). Mistral Small 3 o Gemma 4 26B en una RTX 3080. Respuesta en 5–10 segundos — cómodo tanto para uso interno como para chat público en el sitio web. Esta es la configuración que más a menudo recomendamos a clínicas, bufetes de abogados y distribuidores como punto de partida en producción.
Nivel 3 — Máxima calidad (GPU 48+ GB, 250–400 €/mes). Llama 3.3 70B Q4 — la mayor precisión entre los modelos locales (93,5% en documentos legales y médicos). Una RTX 4090 ejecuta el modelo de 70B parcialmente a través de la RAM — respuesta de 15 a 25 segundos. Para una velocidad completa de GPU (8–15 seg) se necesitan A100 o dos RTX 4090. Recomendamos para empresas donde la precisión es crítica y esperar más de 10 segundos es inaceptable para el usuario final.
| Nivel | Hardware | Modelo | Velocidad | Carga de trabajo | Coste/mes |
|---|---|---|---|---|---|
| Inicio | 32 GB RAM, 8 vCPU | Llama 3.2 8B, Qwen3 14B | 30–90 seg | Hasta 50 consultas/día | €30–50 |
| Producción | 32 GB RAM + RTX 3080 16GB | Mistral Small 3, Gemma 4 26B | 5–10 seg | Hasta 300 consultas/día | €80–130 |
| Alta calidad | 64 GB RAM + RTX 4090 24GB | Llama 3.3 70B Q4 (parcialmente CPU) | 15–25 seg | Hasta 500 consultas/día | €200–280 |
| Máximo | 128 GB RAM + A100 80GB o 2× RTX 4090 | Llama 3.3 70B Q4 (totalmente GPU) | 8–15 seg | 500+ consultas/día | €350–500 |
Este es el error más frecuente que vemos: una empresa elige correctamente el modelo y la configuración — y lo aloja en AWS Frankfurt o Azure Germany. Físicamente el servidor está en Alemania, legalmente — bajo la jurisdicción de una empresa estadounidense. El CLOUD Act de EE. UU. permite a las autoridades policiales estadounidenses solicitar datos a AWS, Azure y Google Cloud independientemente de dónde estén físicamente los servidores.
Para datos médicos, secreto profesional y documentos corporativos de clientes de la UE — este es un riesgo legal real, no teórico. Desplegamos exclusivamente en proveedores de la UE fuera de la jurisdicción del CLOUD Act.
| Proveedor | Ubicación | Jurisdicción | CLOUD Act | Precios |
|---|---|---|---|---|
| Hetzner Online ⭐ | Núremberg DE, Helsinki FI | 🇩🇪 Alemania | ❌ No aplica | €30–350/mes |
| OVHcloud | Estrasburgo FR, Varsovia PL | 🇫🇷 Francia | ❌ No aplica | €40–400/mes |
| Contabo | Múnich DE, Núremberg DE | 🇩🇪 Alemania | ❌ No aplica | €20–200/mes |
| AWS EU / Azure Germany | Fráncfort DE (físicamente) | 🇺🇸 EE.UU. (legalmente) | ✅ Aplica | $100–1.200+/mes |
Nuestra elección por defecto — Hetzner: ISO 27001, centros de datos en la UE, precio 3–5 veces inferior a AWS con mejor cumplimiento del GDPR. Para clientes con los requisitos más estrictos (estructuras estatales, grandes clínicas) — consideramos servidores dedicados propios del cliente o Hetzner Dedicated.
Más detalles sobre la arquitectura de circuito cerrado y configuraciones para diferentes cargas de trabajo — en el artículo Circuito cerrado con Ollama: IA sin internet para empresas.
Hay escenarios donde la pregunta no es si "el modelo local o el cloud es mejor". La pregunta es si usted tiene el derecho legal de transferir esos datos a una empresa estadounidense. Para medicina, abogados e instituciones financieras en la UE — la mayoría de las veces no lo tiene.
En AskYourDocs no nos dedicamos a implementar IA en la nube para clientes con datos médicos, legales o financieros. No porque "sea más seguro" — sino porque existe una norma legal específica que hace que la opción en la nube sea una infracción directa o un riesgo inaceptable. A continuación, por cada nicho, de forma breve y concreta.
El error más común: "no cargamos historiales médicos — solo FAQs sobre procedimientos". Pero las preguntas del paciente son en sí mismas datos médicos según el Artículo 9 del GDPR. "¿Cómo prepararse para la quimioterapia?" — revela un cáncer. "¿Se puede tomar metformina antes de una resonancia magnética?" — revela diabetes. Cada consulta de este tipo enviada a los servidores de OpenAI es una transferencia de categorías especiales de datos personales sin la debida base legal.
En Austria, esto está además regulado por el § 54 Ärztegesetz: el secreto médico está protegido a nivel de derecho penal. La transferencia de información médica a cualquier tercero sin el consentimiento explícito del paciente — independientemente de quién sea ese tercero — es una infracción. Los reguladores en AT y DE ya han multado a organizaciones médicas por el uso de servicios en la nube estadounidenses para procesar datos de pacientes, incluso sin fugas de datos — solo por la falta de una base legal adecuada.
Nuestra postura: para centros médicos, Ollama en un servidor de la UE es la única arquitectura que recomendamos e implementamos. Las preguntas de los pacientes no abandonan físicamente el servidor de la clínica, no hay transferencia transfronteriza, no hay un tercero en la cadena.
Más detalles sobre los requisitos legales y la arquitectura segura para la medicina — en el artículo IA en medicina: cómo procesar datos médicos sin infringir la ley.
Dos fuentes independientes de regulación — y ambas apuntan en la misma dirección.
Posición regulatoria: El CCBE (Consejo de Abogados de Europa, 1+ millón de abogados) advirtió explícitamente en octubre de 2025 que cargar materiales de clientes en sistemas GenAI podría infringir las obligaciones de secreto profesional — especialmente si los datos son almacenados o utilizados por el proveedor para entrenamiento. La FBE exige una política de retención de datos cero de cualquier herramienta de IA en la práctica legal.
Precedente judicial: en febrero de 2026, un tribunal federal de EE. UU. (SDNY, caso Heppner) dictaminó que los materiales preparados a través de una herramienta de IA pública no estaban protegidos por el privilegio de secreto profesional — ya que el usuario había transmitido voluntariamente los datos a un tercero y no tenía una expectativa razonable de confidencialidad. El tribunal subrayó que el carácter público de la plataforma y la recopilación de datos por parte del proveedor eran factores clave. Esto significa: si los materiales del caso se transmitieron a través de una API en la nube — el oponente puede cuestionar la confidencialidad de estos materiales en un proceso judicial.
Nuestra postura: para trabajar con materiales de casos de clientes — solo un modelo local. Ollama en el servidor de la firma elimina la propia posibilidad de "transferencia a un tercero" — el secreto profesional está protegido arquitectónicamente, no solo en papel.
Más detalles — en el artículo IA para despachos de abogados: seguridad de los datos del cliente.
Bancos y aseguradoras (AT/DE): BaFin y FMA exigen control sobre todos los canales de procesamiento de datos críticos y aprobación previa para la externalización a terceros proveedores. Las empresas estadounidenses bajo el CLOUD Act no cumplen formalmente estos requisitos sin medidas adicionales — lo que significa un proceso regulatorio separado o la elección de un proveedor de la UE.
Entidades públicas: La Digital Austria Act 2.0 (2025) exige la reducción de la dependencia de tecnologías no europeas para el procesamiento de datos de ciudadanos. La IA en la nube en servidores estadounidenses — una contradicción directa con esta tendencia.
RRHH — la zona de riesgo más subestimada: los datos de los empleados (evaluaciones de rendimiento, salarios, exámenes médicos, expedientes disciplinarios) — son datos personales transferidos al empleador para un propósito específico. Sin un consentimiento explícito para la transferencia a OpenAI — cada consulta de un gerente de RRHH con estos datos es una posible infracción del Artículo 6 del GDPR. Prueba sencilla: ¿ha firmado cada empleado un consentimiento para el procesamiento de sus datos por una empresa de IA estadounidense? Si no — el riesgo es real.
| Nicho | Base legal | Riesgo con API en la nube | ¿Ollama obligatorio? |
|---|---|---|---|
| Centros médicos (AT/DE) | GDPR Art. 9 + Ärztegesetz § 54 | Multa GDPR + responsabilidad penal | ✅ Sí |
| Despachos de abogados (UE) | Directrices CCBE + secreto profesional | Disciplina + renuncia al privilegio + GDPR | ✅ Sí |
| Instituciones financieras (AT/DE) | BaFin / FMA + GDPR | Sanciones regulatorias + riesgo de licencia | ✅ Sí |
| Entidades públicas (UE) | Soberanía de datos + legislación nacional | Incumplimiento de la política estatal | ✅ Sí |
| RRHH con datos de empleados | GDPR Art. 6 + BDSG § 26 | Multa GDPR | ⚠️ Recomendado |
| Distribuidor (catálogo público) | Riesgos mínimos | Prácticamente inexistente | ❌ Opcional |
Análisis completo de los riesgos de fuga de datos a través de IA — en el artículo 6 riesgos de fuga de datos a través de IA: cómo proteger su negocio en 2026.
No es necesario elegir entre Ollama y OpenAI. Un enfoque híbrido—un modelo local para tareas operativas y OpenAI para análisis complejos sin datos sensibles—ofrece el mejor equilibrio entre calidad, seguridad y coste para la mayoría de las PYMES.
En AskYourDocs, ofrecemos un modo híbrido a clientes donde la máxima calidad analítica es importante, pero existen requisitos básicos de privacidad. La lógica es sencilla: el 80-90% de las consultas a cualquier asistente corporativo de IA son simples y repetitivas ("¿cuál es el precio?", "¿dónde encuentro el artículo X?", "¿cómo me preparo?"). Para estas, un modelo local ofrece una precisión del 91-94% con cero costes de API. El 10-20% restante son síntesis complejas donde GPT-4o es notablemente superior. El modo híbrido dirige cada consulta a donde se procesa de manera más eficiente.
Documentos y búsqueda, siempre localmente. Todos sus archivos se almacenan en un servidor en la UE. La base de datos vectorial y el modelo de embeddings también son locales. Ninguno de sus documentos se transmite externamente bajo ningún escenario, ni para consultas simples ni complejas.
Consultas simples → Ollama, complejas → OpenAI con contexto anonimizado. En una consulta compleja a OpenAI, solo se transmiten los fragmentos de texto encontrados, sin nombres de archivo, metadatos, nombres de clientes ni identificadores. OpenAI recibe texto sin contexto: "Artículo 7.3: Las circunstancias de fuerza mayor incluyen..."—sin conexión a su empresa ni a una persona específica.
Enrutamiento, automático o manual. El sistema puede determinar el tipo de consulta automáticamente, o un administrador puede configurar reglas: por ejemplo, todas las consultas de pacientes solo a Ollama, consultas con la etiqueta "análisis" de gerentes autorizados a OpenAI.
| Se transmite a OpenAI ✅ | Nunca se transmite ❌ |
|---|---|
| Texto anonimizado de fragmentos encontrados | Nombres de archivos y documentos |
| Preguntas sin identificadores de usuario | Nombres de clientes, pacientes, socios |
| Prompt del sistema con instrucciones | Números de contratos, casos, facturas |
| Metadatos de documentos (fecha, autor, departamento) | |
| Documentos completos en cualquier formato |
| Tipo de consulta | Ejemplo | Modelo | Por qué |
|---|---|---|---|
| Preguntas frecuentes, precios, disponibilidad | "¿Cuál es el precio de una resonancia magnética cerebral?" | Ollama local | Respuesta fáctica simple, cero riesgo y costes |
| Buscar un artículo en un documento | "¿Dónde están las condiciones para la rescisión anticipada?" | Ollama local | Tarea de RAG donde un modelo local es suficiente |
| Preparación para procedimientos | "¿Cómo prepararse para una colonoscopia?" | Ollama local | Respuesta estándar del protocolo, confidencial |
| Análisis entre documentos | "Compara las condiciones de tres contratos, encuentra las diferencias." | OpenAI GPT-4o (anónimo) | Síntesis compleja donde GPT-4o es notablemente superior |
| Generación de un nuevo documento | "Prepara un borrador de carta basado en los materiales." | OpenAI GPT-4o (anónimo) | Generación "desde cero", GPT-4o es de mayor calidad |
| Consultas médicas de pacientes | Cualquier cosa que revele el estado de salud | Solo Ollama | GDPR Art. 9: incluso la anonimización no es suficiente |
| Materiales de casos de clientes (despachos de abogados) | Detalles de casos y contratos específicos | Solo Ollama | Secreto profesional de abogado: cero transmisión externa |
300 consultas/día de gerentes durante llamadas con clientes. Catálogo: 800 artículos y 50 reglamentos técnicos.
Resumen: Ollama GPU RTX 3080 (120 €/mes) + OpenAI para tareas complejas (~15 $/mes) = 135 €/mes. Solo OpenAI GPT-4o para las mismas 300 consultas sería 120 $/mes y toda la información empresarial estaría en servidores de EE. UU.
El enfoque híbrido es una solución para la mayoría de las PYMES, pero no para todas. Hay tres nichos donde no lo recomendamos:
Para estos nichos, solo un circuito completamente cerrado. Más detalles en el artículo Circuito cerrado con Ollama: IA sin internet para empresas.
La migración de OpenAI a Ollama es un tipo de migración muy sencilla en sistemas de IA. Ollama implementa el mismo formato de API que OpenAI. Tres cambios en la configuración y el sistema ya funciona localmente.
Una de las preocupaciones más frecuentes que escuchamos de los clientes es: "Ya hemos integrado OpenAI, ¿la migración será costosa y larga?". En la práctica, no lo es. Realizamos este tipo de migraciones en 2-4 horas si el servidor ya está preparado, o en 1-2 días si desplegamos la infraestructura desde cero. Ni una sola línea de lógica de negocio del sistema cambia.
Ollama es intencionadamente compatible con la API de OpenAI, por lo que cualquier sistema capaz de trabajar con OpenAI también es capaz de trabajar con Ollama. Para migrar, solo necesita tres cambios en la configuración:
https://api.openai.com/v1 → http://your-server:11434/v1gpt-4o → llama3.3:70b o el modelo local elegidoLa lógica del sistema, el procesamiento de respuestas, el formato de las consultas y la visualización de los resultados permanecen sin cambios.
| Qué verificamos | Por qué es importante |
|---|---|
| Calidad de las respuestas a preguntas típicas | El modelo local puede dar un estilo de respuesta diferente; debemos asegurarnos de que sea aceptable para los usuarios. |
| Velocidad bajo cargas máximas | Las solicitudes simultáneas son una prueba crítica para un chat público. |
| Multilingüismo (UA/DE/EN) | Diferentes modelos tienen diferente calidad en cirílico; importante para clientes de UA/DE. |
| Comportamiento fuera de los documentos | El modelo debe responder correctamente "no hay datos en los documentos" en lugar de inventar una respuesta. |
| Ausencia de solicitudes externas en los logs | Confirmación final de que los datos no abandonan el servidor; crítico para la presentación de informes GDPR. |
¿Quiere discutir la migración para su sistema? Escríbanos a Telegram → Analizaremos su configuración actual y le propondremos la ruta de migración óptima.
Ollama como software es gratuito y de código abierto. Los modelos tienen diferentes licencias: Llama 3.x de Meta permite el uso comercial para empresas con una audiencia de hasta 700 millones de usuarios (lo que cubre a cualquier PYME), Mistral y Gemma tienen licencia Apache 2.0 (licencia comercial completamente libre). Qwen tiene una licencia propietaria que permite el uso comercial. Verifique la licencia del modelo específico antes de desplegarlo comercialmente.
Sí, Ollama soporta procesamiento paralelo. El número de solicitudes simultáneas depende de la VRAM: en una RTX 4090 (24 GB) con Mistral Small 3, se pueden manejar 3-5 solicitudes simultáneas sin degradación de la calidad. Para una carga alta (50+ solicitudes simultáneas), se necesitan varias GPUs o pasar a vLLM para un batching más eficiente.
Para RAG multilingüe, recomendamos: LLM — Qwen3 14B o Llama 3.3 70B (ambos soportan bien tres idiomas), modelo de embeddings — BGE-M3 (el mejor soporte interlingüe, permite hacer preguntas en un idioma para encontrar documentos en otro). Más detalles en el artículo Circuito cerrado con Ollama.
Sí. OpenRouter es un agregador que proporciona acceso a varios modelos (GPT-4o, Claude, Mistral, Llama a través de API) a través de una interfaz unificada. También es compatible con el formato de la API de OpenAI. Para el enfoque híbrido, OpenRouter es más conveniente que OpenAI directo porque permite cambiar entre proveedores sin modificar el código.
Sí, es obligatorio. Los vectores en la base de datos están vinculados a un modelo de embeddings específico. Al cambiar el modelo (por ejemplo, de nomic-embed-text a BGE-M3), todos los documentos deben ser reindexados. Esto ocurre automáticamente al volver a cargar los documentos. Tiempo de reindexación: ~15-30 minutos para 200 documentos en un servidor estándar.
Muéstrenos sus documentos y cuéntenos sobre su tarea. En una demostración de 30 minutos, verá cómo la IA responde a preguntas reales de su archivo y qué configuración (local, en la nube o híbrida) es óptima para su negocio.
Implementación llave en mano en 5-7 días. Desde 500 $. Servidor en la UE bajo su control.
⸻
Fuentes: Ollama Model Library (Abril de 2026) · Open-Source LLM Comparison 2026 — Till Freitag · Best Open Source LLM Ranking (Abril de 2026) · ML Journey — Best Ollama Models 2026 by Use Case · Hyaking — Best Ollama Models 2026 · Artificial Analysis — LLM Leaderboard · Collabnix — Ollama Performance Comparison
WireGuard vs OpenVPN: qué protocolo elegir para el acceso seguro a soluciones de IA autoalojadas sin API en la nube.
Leer
Glean — від $134,000 на рік для enterprise. AskYourDocs — від $680 для МСБ. Порівняння по задачі, вартості, GDPR і часу впровадження: 3–6 місяців проти 5–7 днів.
Leer
Self-hosted AI чи SaaS для документів? Порівняння по безпеці, GDPR і вартості за рік. Чеклист вибору для юридичного, медичного бізнесу і компаній з ЄС.
Leer