Cómo empezar con Forge
En esta página
Actualización 2 de noviembre de 2026 — Le Chat es ahora Vibe. Desde el 28 de mayo de 2026, Le Chat ha cambiado de marca y se llama Vibe (sigue en chat.mistral.ai): un único agente para trabajo y código que conserva tus conversaciones, configuraciones y suscripciones. La experiencia heredada de Le Chat sigue disponible en el modo Chat. En el modo Work, los agentes son ahora habilidades (se invocan con
@), las memorias forman la base de conocimientos y la investigación profunda es la habilidad Deep Research. Los planes se llaman ahora Mistral Free, Pro, Team y Enterprise. Esta lección usa el nombre Vibe; es posible que algunos menús descritos aquí hayan cambiado de nombre o ubicación.
Un proyecto en cuatro fases
Poner en marcha un proyecto Forge exige planificación. Requiere una preparación rigurosa, una colaboración estrecha con los equipos de Mistral y una visión clara de tus objetivos. Cada fase sienta las bases de la siguiente: un alcance impreciso lleva a una selección de datos deficiente, unos datos pobres generan un modelo decepcionante y no descubrirás el problema hasta tres meses después.
Fase 1 — Evaluación y definición del alcance
En primer lugar, identifica escenarios en los que el ajuste fino (fine-tuning) aporte más valor que un modelo base o RAG. En la práctica, los candidatos se agrupan en cuatro categorías recurrentes. Empieza por tareas repetitivas que requieren gran especialización —diagnósticos técnicos, análisis de cumplimiento, revisiones de código especializadas—, donde el modelo debe replicar el razonamiento de un experto en lugar de recuperar un documento. A continuación vienen las interacciones estandarizadas con clientes: soporte de nivel 1–2, respuestas a licitaciones (RFP), informes sectoriales, donde el tono y la estructura siguen tus convenciones establecidas. Después están los procesos de negocio específicos, como la evaluación de riesgos según tus criterios internos o la clasificación de documentos usando tu taxonomía. Por último, el cumplimiento normativo aplica cuando debes producir documentos que se ajusten a estándares sectoriales específicos que un modelo genérico no conoce en detalle.
En segundo lugar, evalúa tu madurez de datos, que determina directamente la calidad del modelo. Empieza por el volumen: verifica que dispones de suficientes ejemplos de alta calidad —normalmente varios miles para un ajuste fino eficaz—. Examina luego la calidad en sí: ¿son fiables los ejemplos, están actualizados y representan tu expertise? A continuación, comprueba la diversidad: ¿cubren todo el abanico de escenarios que gestionará el modelo? Por último, revisa el formato: ¿ya están estructurados o requieren preparación? La fase concluye con una reunión entre tu equipo y los equipos comerciales y técnicos de Mistral: presenta tus objetivos, debate casos de uso, confirma la viabilidad técnica, estima alcance y cronograma, y recibe una propuesta comercial.
Fase 2 — Preparación de datos
Los ingenieros de despliegue avanzado (Forward-Deployed Engineers) construyen el conjunto de datos de entrenamiento junto con tus equipos. La extracción obtiene datos de tus sistemas de origen —bases de conocimiento, historiales de tickets, documentación técnica, intercambios con clientes—. La limpieza elimina duplicados, corrige errores y anonimiza datos personales. El formato transforma todo en pares instrucción/respuesta adecuados para el ajuste fino. La validación entrega el conjunto de datos a tus expertos en la materia para que verifiquen la calidad y relevancia de los ejemplos. Este es el paso más subestimado: un conjunto de datos no validado enseña al modelo tanto tus aproximaciones como tus mejores prácticas.
Un conjunto de evaluación separado se ejecuta en paralelo: benchmarks de negocio —preguntas y respuestas validadas por tus expertos— y casos límite, escenarios complejos o ambiguos diseñados para probar la robustez. Haces las mismas preguntas tanto al modelo base como al modelo personalizado y luego los comparas mediante métricas explícitas: precisión, relevancia y adherencia a tu tono interno y procesos. Durante toda esta fase, los datos circulan por canales cifrados, residen en un entorno aislado dedicado a tu organización, solo son accesibles para los ingenieros de Mistral asignados al proyecto y están cubiertos por un acuerdo de confidencialidad específico.
Fase 3 — Entrenamiento del modelo
La selección del modelo base depende del caso de uso: Mistral Large para tareas complejas que requieren razonamiento avanzado, Mistral Medium para el mejor equilibrio rendimiento-coste en la mayoría de situaciones, y modelos especializados optimizados para código, tareas multilingües u otros dominios.
El entrenamiento se ejecuta en la infraestructura de GPU de Mistral en Europa. Los ingenieros configuran los hiperparámetros, lanzan el entrenamiento supervisado con tus datos, monitorizan la convergencia en tiempo real y ejecutan múltiples iteraciones. La duración oscila entre unas pocas horas y varios días, según el volumen de datos y el tamaño del modelo base. Tras cada ciclo, el modelo se evalúa sobre el conjunto de prueba —comparado con el modelo base, con análisis de errores y casos límite, ajustes de datos si fuera necesario y validación por parte de tus expertos en la materia— hasta que cumple los objetivos de rendimiento definidos durante la definición del alcance.
Fase 4 — Despliegue en producción
Despliega el modelo personalizado según tu infraestructura y restricciones de cumplimiento.
| Opción | Qué implica |
|---|---|
| Mistral Cloud | Alojado en la infraestructura de Mistral, accesible mediante Mistral Enterprise y la API. El despliegue más rápido. |
| VPC dedicada | Aislamiento de red completo en una nube privada. Recomendado para sectores regulados (finanzas, sanidad). |
| On-premise | En tus servidores: control total, ningún dato sale de tus instalaciones. Requiere infraestructura GPU adecuada. |
| Nube de partner | Azure, AWS o GCP mediante integraciones existentes. Ideal si tu entorno en la nube ya está implementado. |
La integración sigue luego varias vías complementarias: Mistral Enterprise, donde el modelo queda disponible en la interfaz conversacional; la API REST, para llamarlo desde tus aplicaciones, flujos de trabajo y herramientas de negocio; los SDK de Python y JavaScript para integración programática; y webhooks, que activan el modelo ante eventos de negocio. El despliegue no pone fin al proyecto. La monitorización continua rastrea latencia, precisión y satisfacción del usuario, detecta desviaciones (drift), activa alertas ante degradaciones y programa actualizaciones y reentrenamientos.
Cronograma típico
| Periodo | Paso |
|---|---|
| Semanas 1–2 | Evaluación y definición del alcance |
| Semanas 3–6 | Preparación de datos |
| Semanas 7–10 | Entrenamiento y evaluación (iterativo) |
| Semanas 11–14 | Despliegue e integración |
| Más allá | Monitorización, optimización y actualizaciones |
La duración total oscila entre 3 y 6 meses, según la complejidad del caso de uso y la madurez de los datos. Si empiezas con datos dispersos y no validados, la Fase 2 se amplía —nunca la fase de entrenamiento—.
Puntos clave
- El proceso Forge sigue cuatro fases: evaluación, datos, entrenamiento, despliegue
- La calidad de los datos de entrenamiento determina el rendimiento del modelo
- Los ingenieros de despliegue avanzado guían cada paso del proyecto
- Las opciones de despliegue incluyen Mistral Cloud, VPC, on-premise o nube de partner
- Un proyecto típico tarda de 3 a 6 meses desde la evaluación hasta la producción