Ir al contenido principal
Español— Elegir un idioma
Menú

Elección de tu estrategia de despliegue

Lección 14 de 14 Actualizado el 29 de julio de 2026 Avanzado
En esta página
  1. Resumen y árbol de decisiones
  2. Las tres grandes familias
  3. Árbol de decisiones
  4. Tres criterios transversales a todas las opciones
  5. Empieza simple, evoluciona después
  6. Lo que has aprendido en este curso
  7. Puntos clave
  8. Pon a prueba tus conocimientos

Resumen y árbol de decisiones

Ahora tienes una visión completa de las opciones de despliegue para los modelos de Mistral: AI Studio en modos serverless, dedicado o autoalojado; nubes de terceros como Azure, GCP, AWS, Snowflake, IBM y Outscale; y el autoalojamiento con vLLM, TensorRT-LLM o TGI. La parte más difícil sigue siendo esa, y nadie puede hacerla por ti: tomar la decisión. Esta última lección sintetiza los criterios de selección y ofrece un árbol de decisiones para ayudarte a elegir la estrategia que mejor se adapte a tu proyecto.

Las tres grandes familias

La primera familia es la API de Mistral a través de AI Studio: consumes modelos alojados por Mistral AI. Es la solución más rápida de configurar. El modo serverless cubre la creación de prototipos, startups y pymes. El serverless dedicado apunta a la producción empresarial y datos sensibles. La variante autoalojada que ofrece Mistral te da control total manteniendo el soporte del proveedor.

La segunda familia comprende las nubes de terceros, donde el factor decisivo es casi siempre la integración con un ecosistema existente más que el modelo en sí. Azure AI aporta VNet y Key Vault a quienes viven en el mundo Microsoft; Google Vertex AI ofrece autenticación nativa de GCP y FIM con Codestral; AWS Bedrock se basa en IAM y CloudWatch; Snowflake Cortex mantiene tus datos dentro del almacén de datos; IBM watsonx cubre empresas reguladas tanto en modos SaaS como on-premise; Outscale cumple los requisitos de soberanía europea.

La tercera familia es el autoalojamiento: despliegas modelos de pesos abiertos en tu propia infraestructura, usando vLLM como opción recomendada gracias a su API compatible con OpenAI, TensorRT-LLM para el máximo rendimiento en hardware NVIDIA, o TGI para permanecer dentro del ecosistema de Hugging Face.

Árbol de decisiones

La tabla siguiente mapea escenarios comunes con recomendaciones. Léela de arriba abajo: las primeras filas corresponden a proyectos que acaban de empezar, las últimas a aquellos con volumen significativo o restricciones estrictas.

Tu situación Recomendación Por qué
Quiero probar rápidamente AI Studio Serverless Operativo en 5 minutos, nivel gratuito disponible
Tengo un proyecto en producción, volumen moderado AI Studio Scale Cuotas altas, SLA, sin infraestructura que gestionar
Mi empresa está en Azure Azure AI MaaS Integración con Key Vault, VNet, Monitor y facturación de Azure
Mi empresa está en AWS AWS Bedrock Integración con IAM, CloudWatch y boto3 nativo
Mi empresa está en GCP Google Vertex AI Autenticación nativa de GCP, FIM con Codestral
Mis datos están en Snowflake Snowflake Cortex Llamada SQL nativa, los datos permanecen en Snowflake
Estoy en un sector regulado (banca, salud) IBM watsonx o Autoalojamiento Cumplimiento HIPAA/PCI, posible despliegue on-premise
Requiero soberanía de la UE Outscale o Autoalojamiento Nube europea, datos en suelo de la UE
Tengo > 100 M de tokens/mes y un equipo de MLOps Autoalojamiento (vLLM) Menor coste por token, control total
Necesito el máximo rendimiento Autoalojamiento (TensorRT-LLM) Motor optimizado para tu GPU, latencia mínima

Tres criterios transversales a todas las opciones

El primero es el coste y, más importante aún, su previsibilidad. Un director financiero lee de forma distinta una factura que varía según el uso que una partida presupuestaria estable.

OpciónModelo de costesPrevisibilidad
API de MistralPago por tokenVariable
Nube de tercerosPago por tokenVariable
Autoalojamiento (GPU en nube)Pago por horaFijo
Autoalojamiento (on-premise)CapEx + OpExFijo

El segundo criterio es el tiempo de puesta en marcha, y las diferencias son considerables: de unos minutos a unas pocas horas para la API de Mistral o una nube de terceros; de horas a días para el autoalojamiento con vLLM; y de días a semanas cuando entra en juego TensorRT con sus compilaciones. Este retraso impacta en tu calendario de producto, no solo en tu presupuesto.

El tercer criterio riguarda el control de los datos. En modo serverless, los datos pasan por Mistral; en modo dedicado, te beneficias de un aislamiento virtual; a través de una nube de terceros, los datos residen en el proveedor correspondiente; en el autoalojamiento, los datos nunca salen de tu perímetro. Suele ser este criterio, y no el coste, el que inclina la balanza en un sector regulado.

Empieza simple, evoluciona después

La trayectoria más segura se desarrolla en tres etapas. En la fase de prototipo, quédate con AI Studio Serverless y su nivel gratuito: validas tu caso de uso y comparas modelos a coste cero. En la fase de producción del MVP, pasa a AI Studio Scale o a una nube de terceros para obtener un SLA e integrarte con tu ecosistema existente, con costes proporcionales al uso. Solo en la fase de optimización deberías evaluar el autoalojamiento: compara el TCO con el pago por token, migra gradualmente las cargas de trabajo de alto volumen y mantén la API para cargas de bajo volumen o modelos que no tengan pesos abiertos.

Este enfoque progresivo minimiza el riesgo y te permite validar cada paso antes de invertir más. El error clásico es empezar directamente en la fase 3 «porque luego tendremos volumen»: inmovilizas GPUs y tiempo de ingeniería para un uso que aún no has demostrado.

Lo que has aprendido en este curso

Este curso ha cubierto todo el espectro del despliegue de Mistral: AI Studio con sus organizaciones, espacios de trabajo, niveles y precios; Azure AI, su modo MaaS, el cliente MistralAzure y la puesta en producción; Google Vertex AI y el cliente MistralGCP con FIM en Codestral; AWS Bedrock, su API Converse y la integración con el ecosistema de AWS; Snowflake, IBM y Outscale como plataformas especializadas; y el autoalojamiento desde todos los ángulos, desde vLLM hasta TensorRT-LLM y TGI, incluyendo GPUs, cuantización y orquestación. Ahora tienes los conocimientos necesarios para elegir e implementar la estrategia de despliegue adecuada para tu proyecto.

Puntos clave

  • No existe una solución única: la elección depende de tus restricciones específicas
  • Empieza con la API de Mistral para validar; migra al autoalojamiento si el volumen lo justifica
  • La integración con tu ecosistema de nube existente suele ser el factor decisivo
  • La soberanía de los datos y el cumplimiento normativo apuntan hacia el autoalojamiento o Outscale
  • Reevalúa tu estrategia cada 6 meses: los costes y las ofertas evolucionan rápidamente

Pon a prueba tus conocimientos

Studio, nubes, autoalojamiento: ¿tienes claro el mapa de despliegue?

1. ¿Qué gestionas en Mistral AI Studio?

Respuesta: Gobernanza de la plataforma: organizaciones y espacios de trabajo, claves, niveles y precios; el punto de partida para cualquier despliegue mediante la API de Mistral.

2. ¿Qué significa «Modelo como servicio» en Azure, Vertex o Bedrock?

Respuesta: Modelos de Mistral consumidos a través de la infraestructura de la nube elegida: autenticación, facturación y cumplimiento por parte del proveedor; misma familia de modelos, puerta de entrada diferente.

3. ¿Cuándo está justificado el autoalojamiento?

Respuesta: Para requisitos estrictos de soberanía, latencia o restricciones de coste en volúmenes muy altos; con los pesos abiertos de Mistral, despliegas en tu propia infraestructura de GPU.

4. ¿Qué ofrecen vLLM, TensorRT-LLM o TGI?

Respuesta: Motores de inferencia para autoalojamiento: sirven modelos de forma eficiente (procesamiento por lotes, cuantización, rendimiento); la elección depende del hardware y los requisitos de rendimiento.

5. ¿Cómo eliges tu estrategia de despliegue?

Respuesta: Cruzando restricciones (datos, cumplimiento, latencia), volumen y capacidades: API de Mistral para simplicidad, nube asociada para integración existente, autoalojamiento para control total.

API gestionada, nube asociada o GPUs propias: tres caminos, una cuadrícula de decisión: la de esta última lección.