8 Min. Tiempo de lectura<\/p>\n
Google Gemini ha llegado a la nube empresarial, y al mismo tiempo el AI Act ya es aplicable. Quien construye pipelines de inferencia sin planificar las obligaciones para los modelos de IA de prop\u00f3sito general est\u00e1 creando una arquitectura que, como m\u00ednimo, ser\u00e1 desmantelada en una auditor\u00eda.<\/strong><\/p>\n Lo m\u00e1s importante en resumen<\/p>\n Relacionado:<\/span>Android 17 lleva a Gemini bajo el sistema operativo<\/a> \/<\/span> EKS 1.36 se vuelve caro sin disciplina FinOps<\/a><\/p>\n \u00bfQu\u00e9 es una arquitectura de inferencia conforme al AI Act?<\/strong> Una arquitectura de inferencia es conforme al AI Act cuando cumple t\u00e9cnicamente con las obligaciones establecidas en el AI Act de la UE para los modelos de IA de prop\u00f3sito general y para las aplicaciones de alto riesgo. Estas obligaciones incluyen la transparencia del modelo, el registro de las entradas y salidas en casos de uso regulados, la evaluaci\u00f3n de riesgos para cada caso de uso, la evaluaci\u00f3n del impacto sobre los derechos fundamentales en las entidades p\u00fablicas y una separaci\u00f3n clara entre los datos de entrenamiento y los de inferencia.<\/p>\n El AI Act no trata a Google Gemini como un producto, sino como un modelo de IA de prop\u00f3sito general. Las obligaciones afectan tanto al proveedor como al implementador. El proveedor es Google. El implementador es cualquier empresa que utilice Gemini en un caso de uso espec\u00edfico. Esto hace que parte de la responsabilidad recaiga nuevamente en los equipos de la nube de Alemania, Austria y Suiza, quienes consumen el modelo. En una auditor\u00eda, no basta con decir \u201cGoogle es responsable\u201d. Quien llama al modelo debe clasificar ese llamado, documentarlo y asignarle una clase de riesgo.<\/p>\n Esta no es una teor\u00eda. Los primeros procedimientos de multas ya est\u00e1n en marcha, y las publicaciones oficiales de la Oficina Europea de IA lo demuestran expl\u00edcitamente. Quien planea una arquitectura de inferencia sin considerar la dimensi\u00f3n del AI Act est\u00e1 contrayendo deudas.<\/p>\n Vertex AI es la plataforma de inferencia gestionada por Google que incluye modelos Gemini. Resuelve tres problemas de forma autom\u00e1tica: el pinning de regiones hacia ubicaciones en la UE, el registro con los logs de auditor\u00eda de la nube y las cl\u00e1usulas contractuales est\u00e1ndar en el Addendum de Procesamiento de Datos. Lo que Vertex AI no resuelve es la transparencia del modelo para el propio caso de uso, la clasificaci\u00f3n de riesgos seg\u00fan el AI Act o la evaluaci\u00f3n del impacto sobre los derechos fundamentales en aplicaciones de alto riesgo.<\/p>\n En t\u00e9rminos concretos, una aplicaci\u00f3n de recursos humanos con Gemini para la revisi\u00f3n de solicitudes de empleo es una aplicaci\u00f3n de alto riesgo seg\u00fan el Anexo III del AI Act. Vertex AI no otorga esa clasificaci\u00f3n. El implementador debe realizarla por su cuenta, asegurarse de registrar las decisiones del modelo para cada solicitud y documentar la visibilidad de las tasas de falsos positivos y falsos negativos. Si la supervisi\u00f3n pregunta, responder con \u201cVertex AI registra todo eso\u201d es insuficiente.<\/p>\n \n”<\/span><\/p>\n Vertex AI proporciona la infraestructura; el AI Act exige la clasificaci\u00f3n. Solo el implementador puede cerrar la brecha entre ambos.<\/p>\n<\/blockquote>\n<\/figure>\n Google ofrece modelos Gemini en varias variantes, incluyendo familias de modelos abiertos como Gemma 2 y 3, as\u00ed como endpoints propietarios que solo funcionan en Vertex AI. Por lo tanto, la opci\u00f3n autohospedada no es una elecci\u00f3n directa. Para las variantes de Gemma existen verdaderas v\u00edas on-premise mediante Triton Inference Server o vLLM en GPUs propias. En cambio, para las clases propietarias de Gemini Pro esto no est\u00e1 disponible; permanecen vinculadas exclusivamente a Vertex.<\/p>\n As\u00ed, la pregunta \u201cautohospedado o gestionado\u201d se reduce, para la mayor\u00eda de los casos de uso, a la elecci\u00f3n entre Gemma y los modelos propietarios, donde \u00fanicamente queda Vertex. Adem\u00e1s, la cuesti\u00f3n de cumplimiento se traslada al propio despliegue del endpoint dentro del proyecto: regi\u00f3n, registro de actividades, v\u00ednculos con IAM y seguimiento de auditor\u00eda.<\/p>\n Fuente: P\u00e1ginas de precios de Google Cloud y an\u00e1lisis propio basado en tarifas de GPUs de hiperescaladores, actualizado a mayo de 2026.<\/p>\n En la pr\u00e1ctica, el camino autohospedado rara vez resulta rentable por debajo de los 10 millones de tokens diarios. Debajo de ese umbral, el trabajo adicional requerido por DevOps, MLOps y cumplimiento supera los costos adicionales de tokens en Vertex. Por encima de este l\u00edmite, las relaciones cambian radicalmente, especialmente cuando se exige soberan\u00eda de datos o se necesitan rutas espec\u00edficas de ajuste que Vertex no permite.<\/p>\n Estas cinco obligaciones pueden plasmarse t\u00e9cnicamente, pero no sin esfuerzo. El registro es la disciplina m\u00e1s econ\u00f3mica; la FRIA y la clasificaci\u00f3n de riesgos son las m\u00e1s costosas, pues requieren colaboraci\u00f3n jur\u00eddica. Una arquitectura de inferencia que no planifique estas obligaciones en su configuraci\u00f3n inicial tendr\u00e1 que a\u00f1adirlas posteriormente bajo presi\u00f3n.<\/p>\n Quien aloje Gemma por cuenta propia compra capacidad de GPU que no puede fallar. Una H100 como nodo \u00fanico no es una arquitectura productiva. La alta disponibilidad exige al menos tres nodos en dos zonas, capacidad de reserva para ejecuciones de entrenamiento y ajuste, y un equilibrador de carga con afinidad. Los nominales 3,80 euros por hora se convierten en una producci\u00f3n real en seis a ocho euros efectivos, seg\u00fan la utilizaci\u00f3n.<\/p>\n No es incorrecto, solo es caro. Quien opere con un volumen claro de inferencia con cifras de tokens de seis a siete d\u00edgitos diarios puede hacer viable la ruta de alojamiento propio. Quien comience de forma experimental avanzar\u00e1 m\u00e1s r\u00e1pido y barato con Vertex, ganando tiempo para establecer la base de cumplimiento antes de decidir la cuesti\u00f3n de las GPU.<\/p>\n Tres decisiones determinan si la integraci\u00f3n de Gemini de una empresa es conforme con el AI Act. Primero: inventario de casos de uso con clase de riesgo por aplicaci\u00f3n, documentado y localizable durante la auditor\u00eda. Segundo: decisi\u00f3n de plataforma, si Vertex AI se considera predeterminado o ciertos casos de uso se despliegan en Gemma autoalojado. Tercero: matriz de responsabilidades que hace expl\u00edcito qu\u00e9 aporta Google y qu\u00e9 asume el operador.<\/p>\n Sin estas tres decisiones surge una arquitectura que crece reaccionando a cada nueva necesidad, sin que la sustancia de cumplimiento evolucione al mismo ritmo. Esta es la fuente de error m\u00e1s frecuente. Quien toma las decisiones antes del segundo caso de uso construye sobre bases s\u00f3lidas. Quien espera, construye tarde.<\/p>\n La ubicaci\u00f3n de datos UE es una condici\u00f3n necesaria, pero no suficiente. Google, como empresa estadounidense, sigue estando sujeta a la CLOUD Act, lo que exige medidas de protecci\u00f3n contractuales y t\u00e9cnicas adicionales. Cl\u00e1usulas contractuales est\u00e1ndar junto con cifrado mediante claves gestionadas por el cliente a trav\u00e9s de Cloud KMS o External Key Manager son la v\u00eda habitual. Sin esta complementaci\u00f3n, el cumplimiento RGPD con datos sensibles resulta vulnerable.<\/p>\n<\/details>\n El Anexo III del AI Act enumera \u00e1reas concretas: infraestructuras cr\u00edticas, educaci\u00f3n y formaci\u00f3n profesional, empleo y decisiones de personal, acceso a servicios p\u00fablicos y prestaciones sociales, polic\u00eda, control fronterizo, administraci\u00f3n de justicia. Quien emplea Gemini en uno de estos \u00e1mbitos desarrolla una aplicaci\u00f3n de alto riesgo, con obligaci\u00f3n de evaluaci\u00f3n FRIA, registro mejorado y notificaci\u00f3n a las autoridades.<\/p>\n<\/details>\n S\u00ed, el AI Act no diferencia principalmente por tama\u00f1o empresarial, sino por clase de riesgo del caso de uso. Las pymes obtienen ciertas flexibilidades en documentaci\u00f3n, pero las obligaciones centrales siguen vigentes. Una startup de tres personas que utilice Gemini para preselecci\u00f3n de candidaturas desarrolla una aplicaci\u00f3n de alto riesgo con todas sus obligaciones.<\/p>\n<\/details>\n El RGPD exige un registro de actividades de tratamiento y logs de auditor\u00eda para datos sensibles. El AI Act requiere adem\u00e1s un registro de actividad del modelo con entradas, salidas, valores de confianza e informaci\u00f3n de versiones, destinado espec\u00edficamente a garantizar la trazabilidad de la decisi\u00f3n de IA. Las obligaciones se solapan, pero no coinciden totalmente. Quien solo implemente logging RGPD no tendr\u00e1 autom\u00e1ticamente logging conforme al AI Act.<\/p>\n<\/details>\n\n
Qu\u00e9 cambia regulatoriamente Google Gemini en la nube empresarial<\/h2>\n
D\u00f3nde Vertex AI facilita el cumplimiento y d\u00f3nde no<\/h2>\n
Gemini-Endpoints autohospedados: cu\u00e1ndo resultan rentables<\/h2>\n
\n\n
\n \nDimensi\u00f3n<\/th>\n Vertex AI gestionado<\/th>\n Gemma autohospedado sobre GKE<\/th>\n<\/tr>\n<\/thead>\n \n Modelo de costos<\/strong><\/td>\n Por token, aproximadamente 0,3 c\u00e9ntimos por cada 1.000 tokens de salida para Gemini Flash, significativamente m\u00e1s alto para Gemini Pro<\/td>\n Precio por hora de GPU m\u00e1s sobrecarga del cl\u00faster, desde aproximadamente 3 euros por hora de H100 bajo demanda<\/td>\n<\/tr>\n \n Esfuerzo de cumplimiento<\/strong><\/td>\n Regi\u00f3n y registro de actividades listos desde el principio; clasificaci\u00f3n conforme a la Ley de IA a cargo del cliente<\/td>\n Completa cadena de cumplimiento a cargo del cliente, sin registro por parte del proveedor<\/td>\n<\/tr>\n \n Mapa del modelo<\/strong><\/td>\n Publicado por Google, correspondiente al desplegador<\/td>\n Mapa del modelo Gemma junto con documentaci\u00f3n propia de ajustes personalizados<\/td>\n<\/tr>\n \n Soberan\u00eda de datos<\/strong><\/td>\n Fijaci\u00f3n regional en la UE; acceso autoridades seg\u00fan legislaci\u00f3n estadounidense posible<\/td>\n Control total, siempre que el proveedor de GPU no est\u00e9 sujeto a leyes estadounidenses<\/td>\n<\/tr>\n \n Uso recomendado a partir de<\/strong><\/td>\n De inmediato, para la mayor\u00eda de los casos de uso<\/td>\n A partir de aproximadamente 10 millones de tokens diarios o cuando exista una clara exigencia de soberan\u00eda de datos<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n Las cinco obligaciones de la Ley de IA que deben reflejarse en toda arquitectura Gemini<\/h2>\n
Por qu\u00e9 los costes de GPU impulsan la decisi\u00f3n arquitect\u00f3nica<\/h2>\n
Lo que los equipos de nube DACH deben consolidar en los pr\u00f3ximos seis meses<\/h2>\n
Preguntas frecuentes<\/h2>\n
\u00bfBasta la ubicaci\u00f3n de datos UE de Vertex AI para el cumplimiento RGPD?<\/strong><\/summary>\n
\u00bfQu\u00e9 casos de uso de Gemini se consideran de alto riesgo seg\u00fan el AI Act?<\/strong><\/summary>\n
\u00bfDeben las empresas con menos de 250 empleados cumplir el AI Act?<\/strong><\/summary>\n
\u00bfEn qu\u00e9 se diferencia el AI Act del RGPD en cuanto a requisitos de registro?<\/strong><\/summary>\n
Recomendaciones de lectura de la redacci\u00f3n<\/h3>\n