Cómo elegir proveedor de fine-tuning de LLM: lista previa al contrato

01/10/2026

El primer contrato de fine-tuning de LLM que me tocó ver tenía solo dos páginas. Ni una línea decía cómo se evaluaría el modelo, quién se quedaría con los pesos al terminar o qué se haría con los datos del cliente. Las dos partes estaban entusiasmadas y seis meses después las dos estaban molestas. Este artículo es la lista de preguntas que quisiera que los clientes le hicieran a cualquier empresa que haga fine-tuning de LLM, incluidos nosotros, antes de firmar.

Pregunten por el problema antes de preguntar por el modelo

Un proveedor confiable no corre a dar una cotización. Les hace preguntas a ustedes: quiénes son los usuarios, cuál es la tarea concreta, cómo se hace hoy, cómo se ve el éxito. Si la primera conversación gira solo en torno a nombres de modelos y cantidad de GPU, tengan cuidado.

Pregunten también si de verdad hace falta el fine-tuning. A veces basta con un buen prompt o con RAG. Un socio dispuesto a decirles que todavía no necesitan fine-tuning es buena señal, porque no les está vendiendo algo que no ocupan.

Datos: de aquí nacen muchos problemas

• ¿Qué tipo de datos necesitan, cuántos y en qué formato? Una cifra demasiado pequeña o demasiado grande, sin explicación, merece una pregunta de seguimiento.
• ¿Quién limpia y etiqueta? ¿Ustedes o ellos? ¿Ese costo viene en la cotización o se cobra aparte?
• ¿Dónde se guardan sus datos, quién puede acceder a ellos y cuándo se borran al terminar el proyecto?
• ¿Sus datos se usarán para entrenar modelos de otros clientes? Pidan la respuesta por escrito.
• Si los datos contienen información personal o médica, ¿cómo se anonimizan?

He visto un proyecto atrasarse tres meses solo porque ambas partes daban por hecho que la otra limpiaría los datos. Pónganlo por escrito.

Evaluación: lo que distingue el trabajo real de la buena labia

Pregunten: ¿cómo medimos el éxito y con qué conjunto de pruebas? Un socio serio propondrá armar el conjunto de pruebas con ustedes, a partir de preguntas reales de los usuarios y separado de los datos de entrenamiento. Si el conjunto de pruebas se mezcla con los datos de entrenamiento, el puntaje luce muy bien y no significa nada.

Desconfíen de promesas como “más de noventa por ciento de precisión” sin que digan medido sobre qué. Una cifra solo significa algo si viene acompañada del conjunto de datos, del método de calificación y de la tarea. La siguiente pregunta: ¿cuánto mejora frente al modelo base sin fine-tuning? Si no tienen una línea base, no saben qué están comprando.

Pregunten también por los fallos. ¿Reportan los casos en que el modelo todavía se equivoca? Quien es honesto sobre los límites suele ser más confiable que quien solo muestra sus fortalezas.

Propiedad y capacidad de salirse

• Al terminar el trabajo, ¿de quién son los pesos del modelo (o los adaptadores)? ¿Pueden recibirlos y correrlos por su cuenta?
• Si el modelo corre en la infraestructura del socio, ¿pueden moverlo a otro lado después?
• ¿Se entregarán el código fuente, los scripts de entrenamiento y las configuraciones?
• ¿Qué licencia tiene el modelo base y permite el uso comercial?

La cuarta se olvida con frecuencia. Algunos modelos abiertos tienen términos que restringen el uso comercial o exigen atribución. Si eligen mal, todo el proyecto puede terminar en problemas legales. Pidan a su área jurídica que lea la licencia del modelo base, y no solo la tabla de resultados.

Infraestructura y seguridad

El entrenamiento consume GPU, y quien haga el trabajo debe contar con el cómputo o rentarlo en algún lado. Pregunten directo: ¿dónde corre el entrenamiento? Si los datos son sensibles, ¿pueden pedir que el entrenamiento y el despliegue se hagan en su propio entorno, o al menos en una zona aislada? He visto un proyecto detenerse porque los expedientes de los pacientes no podían salir del hospital y el socio solo ofrecía una opción en la nube. Esto debería salir a la luz en la primera junta. Pueden leer más sobre esta decisión en los artículos de AIVISION.

Pregunten además por el control de acceso, los registros, los procedimientos ante incidentes y quién es responsable si los datos se filtran. Si el contrato no dice nada de esto, es un hueco que deben cerrar antes de firmar.

Experiencia en el área y en el idioma

Hacer fine-tuning para vietnamita no es lo mismo que hacerlo para inglés. Pregunten qué ha hecho el socio con el vietnamita: manejo de diacríticos, palabras regionales, escritura sin acentos, términos especializados. No necesitan que mencionen a clientes anteriores, pero sí deberían escucharlos describir los tipos de problemas que enfrentaron y cómo los resolvieron. En áreas como medicina o farmacia, pregunten si expertos del área revisan los resultados, o si simplemente los ingenieros miran la salida y deciden que “suena razonable”.

AIVISION es una empresa de IA en Vietnam que entrena LLM en un clúster de 24x NVIDIA H200 y 8x NVIDIA B300, ha lanzado el LLM L1.0 y el modelo de reconocimiento de voz (speech to text) E1.0 para vietnamita, y hace fine-tuning para áreas como salud y farmacéutica. Lo decimos no para que nos elijan por defecto, sino para que sepan que las preguntas de este artículo también aplican a nosotros.

Calendario, entrega y mantenimiento

• ¿Qué hitos tiene el proyecto y qué se puede verificar en cada uno?
• Si los primeros resultados no alcanzan, ¿cuál es el proceso de iteración y quién asume el costo?
• Después de la entrega, ¿quién vigila la calidad conforme cambian los datos y el uso?
• ¿Hay documentación para que su equipo pueda operarlo?
• Cuando aparezca un mejor modelo base, ¿se puede actualizar y a qué precio?

Los modelos no se quedan quietos. Los datos de los usuarios van cambiando, los documentos se actualizan y la calidad se erosiona si nadie la vigila. Un contrato que solo cubre la primera entrega no ha pensado en la parte más difícil.

Señales para ir más despacio

• Prometer resultados específicos antes de ver sus datos.
• Negarse a explicar el método y ofrecer solo “tecnología propietaria”.
• Rechazar una prueba con una pequeña parte de los datos antes de que ustedes se comprometan con todo.
• Un contrato que no deja claro quién es dueño del producto.
• Cualquiera que hable mal de todos sus competidores y presuma de ser siempre el mejor.

La forma de reducir el riesgo que más recomiendo es un piloto pequeño: unas cuantas semanas, una sola tarea acotada y criterios de evaluación escritos de antemano. En esas semanas aprenderán muchísimo sobre cómo trabaja el socio, y les saldrá mucho más barato que enterarse después de firmar un contrato grande.