Modelos de IA personalizados entrenados con sus datos, desplegados y operados por nosotros
Un modelo de frontera más reciente no es automáticamente mejor en su trabajo. Construimos un benchmark a partir de sus resultados reales, ajustamos un modelo abierto pequeño con sus datos históricos, lo medimos en un conjunto de prueba reservado, lo desplegamos en su nube o en sus propias GPU y lo operamos con la evaluación, la monitorización y el rollback que lo mantienen fiable. Coinbase entrenó así un modelo de fraude por menos de 100 dólares que superó a Opus 4.5 en todas las métricas y redujo la latencia a la mitad. Llevamos el mismo método a su empresa.
- Anthropic Partner Network 2026
- Seis productos propios en producción
- Stack Cloudflare-native, RGPD por diseño
Para quién es
CTO, responsables de datos y de producto en empresas con una decisión repetida y acotada (fraude, triaje de soporte, clasificación, extracción de documentos, moderación) y con datos de resultado para medirla, que quieren un coste por llamada más bajo, respuestas más rápidas y datos que nunca salen de su infraestructura.
Qué entregamos
Benchmark de resultados
Un conjunto de prueba reservado construido a partir de sus resultados históricos, nunca usado en el entrenamiento, con las métricas que importan al negocio (precisión, recall, recall ponderado por valor, latencia), para que cada modelo y cada actualización se juzguen en su tarea.
Fine-tuning y post-entrenamiento
Fine-tuning supervisado o aprendizaje por refuerzo con recompensas verificables (GRPO, LoRA) en modelos abiertos como Qwen, Llama, Gemma o Mistral, entrenados en una sola GPU cuando la tarea lo permite.
Despliegue privado
El modelo servido en su nube, en sus GPU o en Cloudflare Workers AI, con una API que sus sistemas ya saben llamar. La residencia de datos en su región se garantiza en su nube o en sus GPU; Workers AI no ofrece inferencia regional.
LLMOps
Pesos, prompts y políticas versionados juntos, evaluación de cada checkpoint, monitorización en producción, control de costes y un rollback probado a la versión anterior.
Integración segura
El modelo como segunda opinión junto a sus reglas y sistemas actuales: una única salida estructurada que su código convierte en política, con un humano en el circuito donde el riesgo lo exige.
Documentación y traspaso
Pipeline de entrenamiento, informes de evaluación y runbooks entregados a su equipo, para que el modelo sea suyo y pueda reentrenarlo cuando cambien sus datos.
Cómo trabajamos
- 1
Semana 1: datos y línea base
Auditamos la decisión, los datos de resultado y el sistema actual (reglas, modelo de ML o API de frontera) y fijamos la línea base en su benchmark.
- 2
Semanas 2 a 3: benchmark y prototipo
Construimos el conjunto de evaluación, medimos en él los modelos de frontera y abiertos candidatos y elegimos el enfoque de entrenamiento.
- 3
Semanas 4 a 6: entrenamiento y evaluación
Ajustamos el modelo con la partición de entrenamiento, elegimos los checkpoints en un conjunto de validación y comparamos el modelo final con el sistema actual en el conjunto de prueba reservado.
- 4
Semanas 7 a 8: despliegue y traspaso
Modo sombra o test A/B en producción, monitorización, rollback y runbooks, y después traspaso a su equipo.
Casos de estudio relacionados
- Aiteklabs se une a la Anthropic Partner Network
Nos han invitado a la Anthropic Partner Network, lo que da a Aiteklabs un acceso más directo a los modelos de frontera para los productos que desarrollamos.
- ClopinetteAI: un agente de IA nativo de Cloudflare creado por Aiteklabs
ClopinetteAI es un proyecto de laboratorio de Aiteklabs que explora memoria, herramientas, entrada multimodal e infraestructura de agentes nativa de Cloudflare.
- HoldsUp: hemos creado un verificador de datos para podcasts de salud
HoldsUp contrasta lo que afirman los podcasts con la investigación publicada, afirmación por afirmación. El siguiente paso: verificación de pago para agentes de IA mediante x402 y MCP, sin leer jamás tus datos de salud.
Preguntas frecuentes
- ¿Un modelo pequeño ajustado es realmente mejor que GPT o Claude?
- En una tarea acotada y repetida con datos de resultado, muchas veces sí. Coinbase post-entrenó un modelo abierto de 9.000 millones de parámetros con sus resultados de fraude por menos de 100 dólares y superó a Opus 4.5 en 7,5 puntos de precisión, 12 puntos de recall y 35 puntos de recall ponderado por valor, con menos de la mitad de latencia. En tareas abiertas, los modelos de frontera siguen ganando, y le decimos cuándo es el caso.
- ¿Qué datos necesitamos?
- Ejemplos de la decisión con su resultado conocido: transacciones marcadas como fraude o no, tickets con su categoría final, documentos con los campos extraídos. Unos miles de ejemplos suelen bastar para empezar. Nos ocupamos del desequilibrio de clases y de la limpieza de datos.
- ¿Dónde se ejecuta el modelo?
- Donde sus reglas de datos lo exijan: su cuenta en la nube, sus propias GPU o un proveedor europeo de GPU, con los datos de entrenamiento e inferencia mantenidos en la región que elija. Cloudflare Workers AI es una opción cuando la latencia importa más que la residencia de datos, porque no ejecuta la inferencia en una región elegida.
- ¿Por qué las actualizaciones de modelos rompen cosas?
- Cada nueva versión de un modelo se comporta de forma distinta. En el benchmark de Coinbase, varias actualizaciones perdieron más de 20 puntos de recall. Una evaluación basada en resultados lo detecta antes de llegar a producción, tanto si usa una API de frontera como su propio modelo.
- ¿Cuánto cuesta?
- El entrenamiento en sí es barato: una sola GPU durante unas horas. La mayor parte del presupuesto va al benchmark y a la integración. Cuente con seis a ocho semanas para un primer modelo en producción, y después un plan mensual si quiere que sigamos reentrenándolo y monitorizándolo.
Cuéntanos tu proyecto
Envíanos un briefing corto con el objetivo, el plazo y el rango de presupuesto. Respondemos en un día laborable con una primera propuesta.