El proceso de Forge
En esta página
Actualización 2 de noviembre de 2026 — Le Chat pasa a llamarse Vibe. Desde el 28 de mayo de 2026, Le Chat se ha renombrado como Vibe (todavía 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 (que se invocan con
@), las memorias actúan como 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 utiliza el nombre Vibe; ten en cuenta que algunos menús descritos aquí pueden haber cambiado de nombre o ubicación.
De la evaluación al despliegue: el recorrido completo
Un proyecto de Forge sigue cuatro fases, guiadas por un ingeniero de despliegue de campo (FDE) de Mistral. No configuras nada por tu cuenta desde una consola. En su lugar, el proyecto es un compromiso conjunto entre tu organización y Mistral AI, con hitos definidos, entregables medibles y un calendario predecible: de 2 a 4 semanas para la evaluación, de 4 a 8 semanas para la preparación de datos, de 4 a 6 semanas para el entrenamiento y la iteración, y de 2 a 4 semanas para el despliegue y el seguimiento. En total, calcula entre 3 y 6 meses dependiendo de la complejidad del caso de uso y de la calidad de los datos. Conocer esta secuencia de antemano te evita prometer a tu dirección un resultado en seis semanas.
Fase 1: Evaluación (de 2 a 4 semanas)
El objetivo es determinar si Forge es el enfoque adecuado y definir los criterios de éxito. El equipo de Mistral trabaja con tu patrocinador empresarial y tu equipo técnico en cuatro frentes. La auditoría del caso de uso comienza con las preguntas más sencillas, pero también las más incómodas: ¿qué problema exacto estás resolviendo? ¿Has probado realmente la ingeniería de prompts y RAG? ¿Por qué son insuficientes? La evaluación de datos mide el volumen disponible y su estado real: estructurado o no estructurado, anotado o en bruto, actual o desfasado.
A continuación llega la medición de la línea base, un paso que muchos omiten y luego lamentan. Debes evaluar el rendimiento del modelo de propósito general en las tareas objetivo; sin esto, no puedes cuantificar lo que aporta Forge. La fase concluye definiendo los KPI: precisión, exhaustividad, tiempo de procesamiento y satisfacción del usuario.
El entregable es un documento de alcance que contiene la definición del caso de uso, el inventario de datos, las métricas de línea base, los KPI objetivo y un calendario provisional. A continuación se toma una decisión conjunta de seguir o no (go/no-go). Si los datos son insuficientes o el caso de uso no justifica Forge, el equipo de Mistral te orientará hacia RAG o la ingeniería de prompts. Un «no» en esta etapa te ahorra varios meses de trabajo y un presupuesto significativo.
Fase 2: Preparación de datos (de 4 a 8 semanas)
Esta fase construye el conjunto de datos de entrenamiento. Es la etapa más crítica y que más tiempo consume, porque la calidad del modelo depende directamente de la calidad de los datos utilizados para entrenarlo. El trabajo comienza con la recopilación: extraer documentos, ejemplos y casos de uso de tus sistemas internos. A continuación viene la limpieza: eliminar duplicados, documentos desfasados y datos corruptos. Luego llega la estructuración, que transforma los datos en bruto en pares de instrucción-respuesta utilizables para el entrenamiento. Cuando el caso de uso lo requiere, la anotación por parte de tus expertos en la materia añade etiquetas, categorías o metadatos. Una validación final por parte de estos mismos expertos garantiza que el corpus refleje las prácticas del mundo real y el nivel de calidad esperado.
Asigna por escrito los roles documentales desde el principio. Tu equipo de datos se encarga de la recopilación, la limpieza y la estructuración. Tus expertos en la materia se encargan de la anotación y la validación. El FDE de Mistral ofrece orientación metodológica, valida los formatos y recomienda volúmenes y estándares de calidad.
Cuatro trampas se repiten constantemente. Un corpus que sobrerrepresenta ciertos casos produce un modelo sesgado en las mismas proporciones. Los documentos desfasados crean un modelo que responde con seguridad basándose en procedimientos obsoletos, lo cual es más peligroso que no responder en absoluto. Unos pocos cientos de ejemplos nunca son suficientes para un ajuste fino de calidad. Por último, si debes hacer una concesión, elige un corpus más pequeño y homogéneo frente a uno masivo de calidad desigual.
Fase 3: Entrenamiento e iteración (de 4 a 6 semanas)
El modelo base se ajusta finamente con tu conjunto de datos y luego se evalúa con un conjunto de validación compuesto por datos que nunca vio durante el entrenamiento. Los resultados se comparan con la línea base y los KPI objetivo definidos en la Fase 1. Cualquier brecha desencadena una iteración: ajustar hiperparámetros, enriquecer el conjunto de datos o corregir errores identificados. En paralelo, tus expertos realizan una validación empresarial probando el modelo con casos reales. Un modelo que cumple las métricas pero falla con archivos cotidianos no está listo.
En la práctica, alcanzar el nivel objetivo requiere de 2 a 4 iteraciones, cada una con una duración de 1 a 2 semanas. El FDE se hace cargo de toda la parte técnica: configurar el entrenamiento, optimizar los hiperparámetros, diagnosticar problemas de rendimiento y recomendar mejoras en los datos. Tu equipo no necesita experiencia en aprendizaje automático; el FDE actúa como tu interfaz técnica con la plataforma Forge.
Fase 4: Despliegue y seguimiento (de 2 a 4 semanas)
El modelo personalizado se despliega en la infraestructura objetivo: Mistral Cloud, una VPC dedicada o en las instalaciones (on-premise), y se integra en tu entorno a través de Mistral Enterprise, Enterprise Search o tus aplicaciones internas mediante APIs. Las pruebas de carga validan el rendimiento en condiciones de producción. La formación prepara a los usuarios finales para un modelo que se comporta de forma diferente a uno de propósito general. Los paneles de control rastrean el rendimiento, el volumen y la satisfacción.
Este seguimiento informa directamente a la gobernanza. Detecta la degradación gradual del rendimiento, casos de uso no previstos y señales que requieren un reentrenamiento, como la disponibilidad de nuevos datos o cambios en los procedimientos. Un modelo de Forge no es estático. Planifica un ciclo trimestral para dominios en rápida evolución, un ciclo semestral para dominios estables y ciclos bajo demanda para cambios importantes como nuevas normativas, fusiones o lanzamientos de productos.
Presupuesto y recursos a provisionar
Por parte de Mistral, el compromiso incluye un FDE dedicado durante la duración del proyecto, infraestructura de entrenamiento (GPUs) y soporte técnico y metodológico. Por tu parte, reserva entre el 10 % y el 20 % del tiempo de tu patrocinador empresarial, un equipo de datos de una o dos personas a tiempo parcial durante la Fase 2, algunas horas semanales de expertos en la materia para la validación y un presupuesto de proyecto que varía según la complejidad (que se definirá durante la fase de evaluación). Provisiona realmente estos recursos. Un proyecto en el que el patrocinador no ha liberado este tiempo se estancará en la Fase 2.
Puntos clave
- El proceso de Forge lleva de 3 a 6 meses repartidos en cuatro fases: evaluación, datos, entrenamiento y despliegue
- La preparación de datos es la fase más crítica: la calidad de los datos determina la calidad del modelo
- Un FDE de Mistral te guía de principio a fin: tu equipo no necesita experiencia en aprendizaje automático
- Planifica un ciclo de reentrenamiento para mantener el rendimiento a lo largo del tiempo