Datos, machine learning y arquitectura técnica
Comparativa de plataformas de IA cloud 2026: Microsoft Foundry, Vertex AI, AWS, Databricks y Claude Developer Platform
Coste, gobernanza, soporte edge y encaje con el Reglamento de IA de la UE: una forma estructurada de elegir sin dejarse llevar por el modelo de moda del trimestre.
Elegir una plataforma de IA cloud en 2026 ya no es elegir un modelo
A fecha de agosto de 2026, elegir entre Microsoft Foundry, Google Vertex AI, AWS (Bedrock + SageMaker), Databricks o la Claude Developer Platform significa elegir a la vez un catálogo de modelos, un runtime de agentes, un stack de MLOps, una capa de gobierno y una postura de residencia de datos. No existe un ganador universal. Microsoft Foundry encaja mejor en organizaciones ya estandarizadas en Microsoft. Vertex AI gana en precio de modelo e integración con el stack de datos cuando BigQuery ya es el warehouse de referencia. AWS Bedrock y SageMaker ofrecen la caja de herramientas de infraestructura más amplia. Databricks es la mejor opción cuando el gobierno del dato pesa más que cualquier cloud concreto. Y la Claude Developer Platform es la opción correcta para equipos que quieren el acceso más temprano a los modelos Claude y una arquitectura cloud-agnóstica basada en MCP — siempre que el dato personal de la UE no obligue a desviar el tráfico por Bedrock o Vertex.
Esta guía desglosa qué ofrece realmente cada plataforma, qué cuesta, qué implica para la gobernanza en España, Colombia y El Salvador, y cómo ejecutar una evaluación estructurada en lugar de elegir por el LLM de moda este trimestre.
La selección de plataforma debe formar parte de una estrategia de IA para empresas, con el workflow objetivo, el modelo operativo, la gobernanza y las métricas de éxito definidos antes de comprar.
Las cinco plataformas de un vistazo
Cada plataforma agrupa un conjunto distinto de productos, porque no existe una equivalencia limpia uno a uno. Azure y AWS separan el ML clásico de la nueva capa generativa; Databricks parte de una plataforma de datos/lakehouse y extiende desde ahí hacia ML y GenAI; y la Claude Developer Platform no es ni un hyperscaler ni una capa de datos — es la superficie de desarrollador directa del proveedor del modelo.
| Dimensión | Microsoft Foundry + Azure ML | Vertex AI / Gemini Enterprise | AWS Bedrock + SageMaker AI | Databricks AI Platform | Claude Developer Platform |
|---|---|---|---|---|---|
| Posicionamiento | Capa unificada de modelos, agentes y herramientas, más Azure ML para el ciclo completo de ML | Stack completo de ML/GenAI; la superficie de agentes evoluciona hacia Gemini Enterprise Agent Platform | Bedrock para GenAI gestionada; SageMaker para entrenamiento, MLOps y ML personalizado | Lakehouse multicloud de datos+IA con MLflow, Unity Catalog y AI Gateway | Superficie de desarrollador cloud-agnóstica; solo modelos Anthropic, sin capa de datos/ML propia |
| Catálogo de modelos | Más de 10.000 modelos (Azure OpenAI, Anthropic, Meta, Mistral, Cohere, DeepSeek, Hugging Face) | Más de 200 opciones validadas en Model Garden (Gemini, modelos abiertos y de partners) | Más de 100 foundation models en Bedrock, más Bedrock Marketplace | Foundation Model APIs más modelos propios/abiertos y endpoints externos vía AI Gateway | Solo Anthropic, pero con el acceso más temprano a cada nueva generación — actualmente Opus 5, Sonnet 5, Haiku 4.5 y Fable 5 |
| Entrenamiento / fine-tuning | Azure ML managed training, contenedores personalizados, cómputo GPU | Custom Training en GPU/TPU, pipelines KFP/TFX | SageMaker managed y custom training, HyperPod | AI Runtime con GPUs serverless A10/H100 | No ofrece; el desarrollo se centra en prompting, Agent Skills y el Agent SDK |
| On-premise / edge | Fuerte: Foundry Local en dispositivo, Foundry Local sobre Azure Local/Arc | Fuerte para instalaciones soberanas: Google Distributed Cloud, incluida opción air-gapped | Amplio ecosistema IoT/Greengrass/Outposts, pero Bedrock sigue siendo principalmente cloud | Fuerte en multicloud, débil como runtime de dispositivo/IoT | No directamente; escenarios híbridos/soberanos pasan por Bedrock o Vertex |
| Estándar de gobierno | RBAC, redes privadas, Responsible AI Dashboard para ML clásico | IAM, VPC Service Controls, CMEK | IAM, KMS, VPC, Bedrock Guardrails con Automated Reasoning checks | Unity Catalog para lineage y permisos entre datos y modelos | SOC 2 Tipo I/II, ISO 27001:2022, ISO/IEC 42001:2023, BAA de HIPAA, addendum de Zero Data Retention |
Qué ofrece realmente cada plataforma
Microsoft Foundry (antes Azure AI Foundry)
Microsoft renombró Azure AI Foundry como Microsoft Foundry en 2026, unificando modelos, agentes, herramientas, evaluaciones, tracing, RBAC y networking en un único producto. Es el catálogo más amplio de esta comparativa — más de 10.000 modelos, con alrededor de 50 incorporaciones mensuales — que incluye Microsoft/Azure OpenAI, Anthropic, Meta, Mistral, Cohere, DeepSeek y Hugging Face. Azure Machine Learning sigue cubriendo el ML clásico: AutoML, un diseñador visual, registros, endpoints y etiquetado de datos, algo que Foundry en sí no sustituye. Documentación de despliegue de Microsoft.
El patrón de endpoint compatible con OpenAI es la característica anti-lock-in más clara de Foundry: un mismo endpoint y credenciales funcionan para varios modelos, con SDK para Python, JavaScript, C#, Java y REST. Eso mitiga el lock-in a nivel API, aunque no elimina la dependencia de Entra ID, Azure AI Search, Agent Service y el resto de la red Azure circundante. Para edge e inferencia offline, Foundry Local — ejecutándose en dispositivo o sobre Azure Local/Arc — es una de las opciones más maduras del mercado, aunque parte de su funcionalidad sigue en preview.
Vertex AI / Gemini Enterprise Agent Platform
Google está reposicionando la capa agentic que surgió de Vertex AI bajo Gemini Enterprise Agent Platform, mientras los servicios centrales de Vertex AI — entrenamiento, Pipelines, Model Registry, Model Garden — siguen siendo el producto operativo para ML y serving. Model Garden superó los 200 modelos validados en 2025, entre Gemini, modelos abiertos y de partners. Pipelines admite Kubeflow Pipelines v2 y TensorFlow Extended, algo relevante para equipos que valoran estándares portables, y la relación nativa con BigQuery es una ventaja real para cualquier organización cuyos datos de features y analítica ya vivan en el warehouse de Google.
Conviene señalar dos cambios de producto antes de asumir continuidad histórica en una RFP: Google retiró Vertex AI Data Labeling en 2024, y en 2026 marca Explainable AI como deprecated mientras Model Monitoring v2 sigue en preview. Esto no invalida Vertex — pero un documento de compra no debería asumir que todos los componentes históricos siguen disponibles.
Google cita a Etsy, que combina Vertex AI con BigQuery y Dataflow para personalización, y a Vodafone, que utilizó Vertex AI y herramientas open source para construir una capa de gobierno de seguridad de IA, como referencias de cliente (casos de Google Cloud, 2025). Caso de cliente de Google Cloud.
AWS: Amazon Bedrock + SageMaker AI
AWS divide el stack en dos productos complementarios. Bedrock es la capa de GenAI gestionada — más de 100 foundation models, la API Converse, Agents, Knowledge Bases, Guardrails, Flows y un Marketplace. SageMaker AI cubre el nivel más bajo: contenedores personalizados, entrenamiento, HyperPod, feature engineering, Model Registry, Pipelines y Ground Truth para etiquetado humano. Esa separación da a un equipo experimentado en AWS mucha libertad arquitectónica — una organización puede mantener pesos y contenedores propios en SageMaker mientras usa Bedrock solo para los modelos que compensa consumir como servicio. Para un equipo nuevo en AWS, la contrapartida es que el "producto de IA" está repartido entre más servicios que en Vertex o Foundry.
DoorDash documenta haber reducido a la mitad el tiempo de desarrollo de aplicaciones de IA generativa con Amazon Bedrock, un aumento de 50 veces en su capacidad de testing, y latencias de respuesta de 2,5 segundos o menos usando el modelo Claude Haiku de Anthropic, atendiendo cientos de miles de llamadas diarias (caso de cliente de AWS, 2025). Clearwater Analytics combina Bedrock y SageMaker en su plataforma de inversión y atribuye al sistema un crecimiento del 20% sin aumentar plantilla (caso de cliente de AWS). Caso de DoorDash; Caso de Clearwater Analytics.
Databricks AI Platform
Databricks es la plataforma más orientada a mantener datos, features, experimentos, modelos y gobernanza en el mismo plano de control. Unity Catalog gobierna objetos de datos e IA; MLflow cubre el tracking de experimentos, la evaluación y el registro; Lakeflow Jobs orquesta; AI Gateway centraliza políticas y observabilidad tanto de modelos hospedados como externos. También se está moviendo desde el cluster tradicional hacia GPUs serverless: AI Runtime ofrece ahora cómputo A10 y H100 bajo demanda con soporte de entrenamiento distribuido. Documentación de Databricks AI Runtime.
Experian fine-tuneó un modelo Llama 8B para su chatbot "Latte", orientado a automatizar más de 1.000 correos de soporte diarios, y superó el 35% de emails gestionados de forma autónoma sin intervención humana (caso de cliente de Databricks, 2025) — una buena ilustración de la propuesta central de Databricks: entrenar un modelo abierto directamente alrededor del dato gobernado, en lugar de alrededor del stack propietario de un hyperscaler.
Databricks no elimina el lock-in de cloud, sino que lo reubica. En lugar de que una aplicación dependa simultáneamente de S3/Bedrock/SageMaker o de ADLS/Foundry/Azure ML, Databricks se convierte en el plano estable de datos y ML mientras el cloud físico o el proveedor de modelos cambian por debajo. Unity Catalog y los servicios serverless de Databricks pasan entonces a ser la nueva dependencia estratégica.
Claude Developer Platform
A diferencia de las cuatro plataformas anteriores, la Claude Developer Platform (api.anthropic.com) no es un hyperscaler ni una plataforma de ML — es una superficie de desarrollador centrada en el modelo. Anthropic creó y mantiene el Model Context Protocol (MCP), el estándar abierto que las otras cuatro plataformas también han adoptado para conectar agentes con herramientas y datos, lo que hace que Claude funcione como el "modelo de referencia" de ese ecosistema y no como una capa de orquestación multi-modelo. El catálogo es exclusivamente de Anthropic — la línea actual es Opus 5, Sonnet 5, Haiku 4.5 y Fable 5 — pero a cambio los desarrolladores obtienen el acceso más temprano a cada nueva generación de Claude y paridad de funcionalidades completa: extended thinking, prompt caching, Files API, Agent Skills.
El Claude Agent SDK (lanzado el 29 de septiembre de 2025, renombrado desde "Claude Code SDK") expone como librería de Python/TypeScript la misma infraestructura de producción que impulsa Claude Code: edición de archivos, ejecución de bash, búsqueda y lectura web, un bucle de uso de herramientas con checkpoints human-in-the-loop, subagentes y sesiones persistentes. Los Agent Skills se publicaron por separado como estándar abierto multiplataforma. La integración es deliberadamente cloud-agnóstica — API REST y MCP hacia cualquier stack, con Workload Identity Federation para AWS IAM, Google Cloud, GitHub Actions, Kubernetes, Microsoft Entra ID y Okta —, lo que hace de esta plataforma la mejor opción para equipos cloud-agnósticos, cargas de trabajo de coding/agentic, y organizaciones que priorizan el acceso directo y temprano al modelo por encima de un catálogo multi-modelo o de infraestructura de entrenamiento propia. Claude también está disponible indirectamente a través de Bedrock, Vertex y Microsoft Foundry para quienes prefieren consumirlo dentro de un cloud que ya operan.
El matiz que cambia el cálculo para compradores en la UE: la API de primera parte solo ofrece geografías de inferencia "us" o "global" mediante el parámetro inference_geo — no existe una opción exclusivamente UE —, y la inferencia "us" en modelos Claude 4.6+ conlleva un multiplicador de precio de 1,1x. Para datos personales sujetos al RGPD o al EU AI Act, la residencia UE para Claude implica desplegarlo a través de Amazon Bedrock o Google Vertex AI en región UE, no mediante la API directa de Anthropic. Documentación de residencia de datos de Anthropic.
Coste de inferencia y entrenamiento: fotografía de 2026
Los precios cambian mensualmente en las cinco plataformas, así que trata cada cifra siguiente como una fotografía de agosto de 2026, no como un número permanente.
Un workload estandarizado — 1 millón de peticiones mensuales, 1.000 tokens de entrada y 250 de salida por petición, servido en gpt-oss-120b cuando existe una tarifa comparable — produce estos costes mensuales aproximados:
| Plataforma | Input / 1M tokens | Output / 1M tokens | Coste mensual aprox. |
|---|---|---|---|
| Microsoft Foundry | 0,15 USD | 0,60 USD | ~300 USD |
| Vertex AI | 0,09 USD | 0,36 USD | ~180 USD |
| Amazon Bedrock | ~0,15 USD | ~0,60 USD | ~300 USD (varía por región; hasta ~309 USD en Sídney) |
| Databricks Foundation Model Serving | 2,143 DBU | 8,571 DBU | ~300 USD a 0,07 USD/DBU (depende del contrato) |
El dato realmente importante no es que Google resulte un ~40% más barato en este ejemplo — es que el mismo modelo abierto puede tener precios distintos según quién lo sirva, lo que convierte la capacidad de cambiar de endpoint en una palanca real de FinOps. Esa ventaja puede desaparecer por completo con otro modelo, otra región u otra modalidad. AWS afirma que el prompt caching puede reducir hasta un 90% el coste y hasta un 85% la latencia en casos compatibles; Microsoft ha añadido model routing para elegir modelo según el prompt; Google publica descuentos batch relevantes. Son afirmaciones del proveedor, no garantías de ahorro para un workload concreto. Precios de Google; Precios de AWS; Precios de Microsoft.
Claude no sirve gpt-oss-120b, así que queda fuera de esta comparación directa. La tarifa propia de Anthropic por token (agosto 2026): Haiku 4.5 a 1/5 USD por millón de tokens input/output; Sonnet 5 a un precio introductorio de 2/10 USD (pasando después a 3/15 USD); Opus 5 a 5/25 USD; Fable 5 a 10/50 USD. La Batch API mantiene el mismo patrón de 50% de descuento que las otras plataformas, y el prompt caching reduce el coste del input cacheado en torno a un 90%, con contexto de hasta 1M de tokens a tarifa estándar en los modelos más recientes.
Entrenamiento GPU: 8×H100 durante 24 horas
| Plataforma | Configuración de referencia | Precio | Coste 24h |
|---|---|---|---|
| AWS | p5.48xlarge, 8×H100 |
55,04 USD/h | 1.320,96 USD |
| Google Cloud | a3-highgpu-8g, 8×H100 |
88,49 USD/h | 2.123,76 USD |
| Azure | Standard_ND96isr_H100_v5, 8×H100 |
98,32 USD/h | 2.359,68 USD |
| Databricks | AI Runtime sobre 8×H100 | Sin tarifa plana comparable publicada | N/D — se añade el suelo de AWS más la prima Databricks/DBU |
La tarifa más alta de Azure paga una red NVIDIA Quantum-2 CX7 InfiniBand dedicada de 400 Gbit/s por GPU, con escalado documentado a miles de GPUs — una revisión independiente de ClusterMAX destaca específicamente la calidad de red de Azure para entrenamiento distribuido, situándola en su categoría Gold frente a AWS y Google en Silver. El precio de GPU es una de las variables más volátiles de esta comparativa: AWS redujo significativamente sus tarifas P5 durante 2025, y los Capacity Blocks pueden ahora situarse por debajo del precio on-demand. Precios de Databricks; Precios de Google Cloud; Documentación de Azure ND H100 v5; Análisis de ClusterMAX.
Seguridad, gobernanza y residencia de datos
Microsoft ofrece probablemente el encaje más ajustado para una organización ya estandarizada en Entra ID, RBAC, VNet/Private Link y CMK. Para modelos "vendidos por Azure", Microsoft afirma que prompts, outputs, embeddings y datos de entrenamiento no se ponen a disposición de otros clientes ni de los proveedores de modelos, y no se usan para entrenar foundation models sin permiso — aunque la residencia depende de la modalidad: los despliegues Global pueden procesar en distintas geografías, mientras DataZone limita el procesamiento a una región concreta. El Responsible AI Dashboard de Azure sigue siendo la herramienta de explicabilidad de ML clásico más completa de esta comparativa, combinando análisis de error, fairness, importancia de features y análisis contrafactual — con la salvedad de que no cubre todos los tipos de modelo o dataset. Tipos de despliegue de Microsoft.
Google ofrece IAM, CMEK, VPC Service Controls y Access Transparency, con VPC-SC especialmente útil para construir perímetros alrededor de recursos de datos e IA. Como se ha señalado, la deprecación de Explainable AI importa para sectores regulados que exigen explicación a nivel de feature como requisito formal.
AWS permite seleccionar la región de almacenamiento, soporta cifrado en tránsito y en reposo, y ofrece claves administradas por AWS o por el cliente con opciones BYOK según el servicio. Los Automated Reasoning checks de Bedrock Guardrails — introducidos en 2025 para verificar ciertas respuestas frente a políticas formalizadas — afirman hasta un 99% de precisión de verificación en materiales de AWS, una cifra que aplica a ese mecanismo específico, no a la precisión global del modelo.
Databricks centra el gobierno en Unity Catalog, con TLS en tránsito y AES-256 en reposo, soporte de CMK y controles de residencia mediante Databricks Geos. Su compliance security profile habilita configuraciones para cargas sujetas a PHI, PCI y FedRAMP cuando el servicio y la región correspondientes lo soportan.
Anthropic cuenta con certificaciones SOC 2 Tipo I y II, ISO 27001:2022 e ISO/IEC 42001:2023, ofrece un BAA de HIPAA y un addendum de Zero Data Retention (ZDR) para clientes enterprise/API. La retención por defecto de la API es de 30 días con borrado automático en el backend; el contenido marcado por moderación se retiene hasta 2 años. El punto crítico para compradores en la UE: la API de primera parte solo ofrece geografías de inferencia "us" o "global", sin opción exclusivamente UE, y los llamados "Covered Models" (Claude Fable 5 y Mythos 5) requieren retención de 30 días y no son elegibles para ZDR. Para datos personales sujetos al RGPD o al EU AI Act, la residencia UE para Claude implica desplegarlo a través de Amazon Bedrock o Google Vertex AI en región UE. Cobertura BAA de Anthropic; Residencia de datos.
En todas las plataformas, "compliant" nunca es una propiedad de toda la plataforma — es una propiedad de una región, servicio, modelo y configuración concretos. Un comprador regulado debería convertir residencia, gestión de claves, redes privadas, logs y condiciones de subprocesadores en requisitos verificables de contrato y arquitectura, no en afirmaciones de marketing.
Qué significa esto en España, Colombia y El Salvador
| Mercado | Posición actual | Qué deben hacer los compradores | Fuentes clave |
|---|---|---|---|
| España / UE | El Reglamento de IA de la UE alcanzó su aplicación general el 2 de agosto de 2026. Las sanciones pueden llegar a 35 millones de EUR o al 7 % de la facturación mundial por prácticas prohibidas; el RGPD mantiene una exposición separada. | Documenta el mecanismo de transferencia, la geografía de despliegue, los subprocesadores y los controles de gobierno. Residencia UE no equivale por sí sola a soberanía jurídica. | Reglamento (UE) 2026/1744 Reglas de transferencia de la UE |
| Colombia | La Ley Estatutaria 1581 de 2012 sigue siendo la base del marco, con la SIC como autoridad. Colombia no impone una localización general de datos. | Aplica privacidad desde el diseño, distingue transferencia de transmisión a encargados y documenta la salvaguarda adecuada. Notifica incidentes que correspondan dentro del plazo aplicable. | Registro de la Cámara de Colombia Guía de incidentes de la SIC |
| El Salvador | El Decreto No. 144 regula el tratamiento público y privado de datos personales desde noviembre de 2024, incluidas las transferencias internacionales. | Designa un delegado cuando proceda, documenta la protección equivalente o la base legal aplicable y valida el salario mínimo vigente antes de estimar sanciones. | Decreto No. 144 Anuncio del salario mínimo |
| Estados Unidos | Estados Unidos no tiene una ley federal transversal de IA equivalente al Reglamento de IA de la UE. Las obligaciones federales siguen siendo sectoriales y gran parte del trabajo operativo depende de las leyes estatales. | Mapea cada despliegue por estado, sector, persona afectada y tipo de decisión. Mantén un inventario de IA, avisos claros, pruebas de impacto, revisión humana y controles de privacidad y discriminación. | Resumen del CRS NIST AI RMF Texas HB 149 Guía de Colorado |
Estas cifras son un punto de partida editorial, no asesoría legal — conviene verificar el estado vigente antes de publicar compromisos concretos de cumplimiento, especialmente los plazos del Digital Omnibus y cualquier reforma en trámite en Colombia.
Un marco de 6 pasos para elegir tu plataforma de IA cloud
La mayoría de las evaluaciones de plataforma empiezan por "qué modelo es mejor ahora mismo" — la pregunta equivocada como punto de partida, porque GPT, Claude, Gemini y los principales modelos abiertos cambian más rápido de lo que cambia la arquitectura de una empresa. Usa esta secuencia en su lugar:
Antes de comparar ningún modelo, lista lo que ya está estandarizado: proveedor de identidad (Entra ID, Google Workspace, Okta), warehouse de datos principal y compromisos de gasto cloud ya existentes. Solo esto suele eliminar dos de las cinco plataformas por coste de integración.
Para cualquier workload que vaya a funcionar de forma continua, modela Provisioned Throughput (Azure), Capacity Blocks (AWS) y el precio de compromiso (Google) frente a la tarifa on-demand. La diferencia suele ser lo bastante grande como para cambiar directamente la recomendación de plataforma.
"Usamos Azure/GCP/AWS" no es una respuesta de compliance por sí sola — Global vs. DataZone, región, modelo, endpoint y modalidad cambian qué compromisos aplican realmente. Si Claude entra en el alcance y hay dato personal UE, confirma la geografía de inferencia antes de asumir cumplimiento.
Construye una interfaz interna de model gateway y mantén RAG y la lógica de negocio fuera de los SDK más propietarios. Databricks AI Gateway es una opción comercial para este patrón; una capa de abstracción propia también funciona. Esta única decisión determina cuánto costará cambiar de modelo más adelante.
Mide TTFT, tokens/segundo, latencia p95/p99, comportamiento de throttling, calidad de salida y coste por tarea resuelta — para el modelo, la región y la concurrencia exactos que usarás en producción. Las mediciones independientes muestran diferencias apreciables para el mismo modelo entre proveedores.
Una plataforma excelente para agentes no tiene automáticamente el mejor etiquetado humano, explicabilidad o herramientas de entrenamiento personalizado. Vertex AI retiró Data Labeling y está deprecando Explainable AI; Azure conserva un Responsible AI Dashboard más especializado para modelos clásicos. Evalúa esto como dos decisiones de compra distintas, aunque acabes usando una sola plataforma para ambas.
Qué plataforma encaja con cada caso de uso
| Caso de uso | Primera elección | Por qué |
|---|---|---|
| I+D con muchos modelos rápidamente | Microsoft Foundry | Más de 10.000 modelos más comparación/evaluación integrada hacen el descubrimiento más rápido |
| Investigación en Gemini/multimodal | Vertex AI | Acceso más directo al portfolio de imagen/vídeo/audio de Google |
| Entrenamiento de modelos propios a gran escala | AWS SageMaker/HyperPod o Azure ML | AWS lidera actualmente en precio H100; Azure lidera en networking de clusters — hay que hacer benchmark con el modelo real |
| Inferencia serverless de alto volumen | Vertex AI o AWS Bedrock | Vertex gana en precio del modelo de referencia; Bedrock añade tiers, caching y batch |
| Empresa estandarizada en Microsoft | Microsoft Foundry | Minimiza el sobrecoste de integración de identidad/red/datos |
| Organización centrada en BigQuery | Vertex AI | BigQuery, Vertex Pipelines y Model Garden forman la ruta más directa de dato a modelo |
| Empresa AWS existente | Bedrock + SageMaker | Reutiliza IAM, S3, VPC y KMS sin añadir un plano operativo adicional |
| Sectores regulados (banca, seguros, sanidad) | Azure o AWS | Azure lidera en identidad y explicabilidad de ML clásico; AWS lidera en controles regionales y Guardrails |
| Cloud soberano / air-gapped | Google Distributed Cloud o Azure Local | GDC air-gapped puede alojar servicios Vertex AI; Azure ofrece Foundry Local/Azure Local y Arc |
| Lakehouse + GenAI sobre los mismos datos | Databricks | Unity Catalog, MLflow y Lakeflow reducen pipelines de datos y gobierno duplicados |
| Multicloud, reducción del lock-in de modelo | Databricks | AI Gateway gobierna modelos hospedados y externos entre AWS/Azure/GCP |
| Equipo cloud-agnóstico, acceso más temprano a Claude, cargas coding/agentic | Claude Developer Platform | Acceso más temprano a cada nueva versión de Claude, MCP nativo, Agent SDK — pero sin residencia UE en la API directa |
| Claude requerido específicamente para dato personal UE | Claude vía Amazon Bedrock o Google Vertex AI (región UE) | La API directa de Anthropic solo ofrece geografías "us"/"global" |
Qué ha cambiado en los últimos 18 meses
-
Microsoft incorpora la Responses API
La Responses API llegó a Azure AI Foundry y amplió su superficie para construir agentes antes de la consolidación bajo Microsoft Foundry.
-
Se amplían los catálogos, guardrails y herramientas de agentes
Google llevó Model Garden por encima de 200 opciones. AWS lanzó Automated Reasoning en Bedrock Guardrails. Databricks presentó Agent Bricks e incorporó GPT-5 de forma nativa.
-
Los modelos de pesos abiertos llegan a los clouds gestionados
Microsoft, AWS y Google incorporaron modelos de pesos abiertos de OpenAI, incluido gpt-oss, a sus ofertas gestionadas.
-
Anthropic lanza Claude Agent SDK
El SDK expuso la infraestructura de producción de Claude Code como una superficie para Python y TypeScript orientada a agentes que usan herramientas.
-
Agent Skills se convierte en un estándar abierto
Anthropic publicó Agent Skills como formato abierto y multiplataforma para crear capacidades reutilizables de agentes.
-
Las grandes plataformas se consolidan alrededor de los agentes
Microsoft unificó el stack bajo Microsoft Foundry. Google desplazó la experiencia de agentes hacia Gemini Enterprise Agent Platform. Claude alcanzó disponibilidad general dentro de Microsoft Foundry.
-
Varias capacidades operativas siguen madurando
AWS desarrolla AgentCore; Databricks AI Runtime ofrece GPUs serverless; y Anthropic centra su plataforma en Opus 5, Sonnet 5, Haiku 4.5 y Fable 5. AgentCore Policy; Estado de AI Runtime.
Las señales de mercado refuerzan la tendencia hacia plataformas agent-first: Microsoft fue nombrado Leader en el Magic Quadrant de Gartner de 2025 para AI Application Development Platforms (publicado en noviembre de 2025), mientras AWS y Google son Leaders en el Magic Quadrant de Cloud AI Developer Services. Según Synergy Research Group, AWS tenía el 29% del gasto global en infraestructura cloud en el tercer trimestre de 2025, con Azure en el 20% y Google Cloud en el 13%. Grand View Research valora el mercado global de agentes de IA en 7.600 millones de USD en 2025, con una proyección de crecimiento hasta 182.900 millones de USD en 2033 a una tasa compuesta anual del 49,6% — y Gartner proyecta que más del 80% de las empresas usará APIs de IA generativa o desplegará aplicaciones de IA generativa en 2026. Synergy Research; Grand View Research; Previsión de Gartner.
Preguntas frecuentes
¿Cuál es la plataforma de IA cloud más barata para inferencia?
En el benchmark estandarizado con gpt-oss-120b usado en este artículo, Vertex AI resulta aproximadamente un 40% más barata que Foundry, Bedrock o Databricks (~180 USD/mes frente a ~300 USD/mes para 1 millón de peticiones mensuales). Esa diferencia es específica del modelo y del momento — puede reducirse o invertirse con otro modelo, otra región, o aplicando caching y descuentos batch.
¿Ofrece Claude residencia de datos en la UE?
No a través de la API de primera parte de Anthropic, que solo admite geografías de inferencia "us" o "global". Para datos personales sujetos al RGPD o al EU AI Act, la residencia UE requiere consumir Claude a través de Amazon Bedrock o Google Vertex AI en región UE.
¿Qué es el Model Context Protocol (MCP) y por qué importa al elegir plataforma?
MCP es el estándar abierto que Anthropic creó para conectar agentes de IA con herramientas y fuentes de datos externas. Las cinco plataformas de esta comparativa lo soportan ya, lo que significa que una integración basada en MCP construida para una plataforma es en gran medida portable a otra — un factor relevante para evitar el lock-in en la capa de agentes.
¿Qué plataforma es mejor para un sector regulado como banca o sanidad?
Azure y AWS lideran en la mayoría de casos regulados: Azure en integración de identidad y explicabilidad de ML clásico, AWS en controles regionales, gestión de claves y Guardrails. Google Distributed Cloud es la opción más sólida específicamente para despliegues air-gapped o totalmente soberanos. En todos los casos, trata "compliant" como una propiedad de la región, el servicio y la configuración concretos — no de la plataforma en su conjunto.
¿Puedo evitar quedar atado a un único proveedor de IA?
Parcialmente. Databricks y un model gateway interno bien diseñado reducen el lock-in al mantener datos, evaluación y lógica de routing independientes de un único proveedor de modelo. Pero el lock-in a nivel de modelo es distinto del lock-in de infraestructura: si una aplicación depende específicamente de una capacidad de Claude, Gemini o GPT, solo ese proveedor puede ofrecerla — independientemente de qué cloud tenga debajo.
Elegir sin adivinar
La plataforma correcta depende de lo que ya esté estandarizado, de lo que realmente exige la residencia de datos, y de cómo un equipo planea construir agentes — no de qué modelo lidera un benchmark este mes. Liorant ayuda a CIO, CTO y equipos de ML en España, Colombia y El Salvador a ejecutar esta evaluación contra workloads reales en lugar de marketing de proveedor, y construye el sistema en funcionamiento sobre la plataforma que mejor encaje.
Identificamos tu mayor oportunidad de automatización y te explicamos exactamente cómo Liorant puede ayudarte, sin presentaciones de venta.