Self-hosting (modelos de IA)
Hacer self-hosting (autoalojar) un modelo de IA significa ejecutarlo en hardware que controlas, como tus propios servidores, GPU alquiladas o un portátil, en lugar de llamar a la API de un proveedor. Tú eliges el modelo y conservas los datos, pero gestionas la infraestructura.
También llamado: self-hosted, self-hosted LLM, on-premises AI
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Con una API alojada, un proveedor ejecuta el modelo y tú le envías tus datos. El self-hosting lo invierte: descargas los pesos del modelo, normalmente de un modelo de pesos abiertos, y los sirves tú mismo.
Por qué lo hacen los equipos
Los motivos principales son el control y la privacidad. Los prompts y las salidas nunca salen de tu entorno, lo que ayuda con la residencia de datos y con datos que no puedes enviar a terceros. Además fijas la versión exacta del modelo, para que no cambie sin avisarte, y puedes hacerle fine-tuning. Con un volumen alto y constante, alquilar o comprar GPU puede costar menos que pagar por token.
Cómo se hace
En una sola máquina, Ollama, llama.cpp y LM Studio ejecutan LLM locales y ofrecen una API en localhost. Para tráfico de producción, servidores como vLLM y SGLang añaden continuous batching y una API compatible con OpenAI, de modo que el código cliente existente sigue funcionando. El hardware puede ser tuyo o alquilado a una nube de GPU. La calculadora de GPU estima lo que necesita un modelo.
Los costes
Te encargas de la disponibilidad, el escalado, los parches de seguridad, la monitorización y la planificación de capacidad. Las GPU siguen costando dinero cuando están paradas por poco tráfico. Los mejores modelos abiertos pueden ir por detrás de los cerrados líderes en algunas tareas, y algunos modelos cerrados no se pueden autoalojar en absoluto. La licencia de cada modelo también fija condiciones de uso.
Término medio
Los despliegues dedicados de proveedores de inferencia, o plataformas gestionadas como Modal, ejecutan el modelo que elijas en hardware reservado sin que tengas que gestionar servidores. Te dan parte del control con menos coste operativo, pero los datos siguen saliendo de tu red.
Términos relacionados
- Serving de modelos
- El serving de modelos (model serving) consiste en ejecutar un modelo entrenado como un servicio al que las aplicaciones llaman por la red, con software que carga los pesos en las GPU, pone en cola y agrupa las peticiones, gestiona la memoria y devuelve los resultados.
- Residencia de datos
- La residencia de datos (data residency) es un control que mantiene los datos de un cliente almacenados, y a menudo procesados, en una región geográfica elegida, como la UE, para que un equipo pueda cumplir sus propias normas legales, contractuales o de clientes sobre dónde residen los datos.
- LLM local
- Un LLM local es un modelo de lenguaje que se ejecuta en tu propio ordenador, teléfono o servidor en lugar de en la API en la nube de un proveedor, de modo que los prompts y los datos se quedan en tu hardware y funciona sin conexión a internet.
- Modelo de pesos abiertos
- Un modelo de pesos abiertos (open-weight model) es un modelo cuyos pesos entrenados se publican para que cualquiera los descargue y ejecute, a menudo sin el código de entrenamiento ni los datos de entrenamiento completos, por lo que no es necesariamente de código abierto.
- Nube de GPU
- Una nube de GPU (GPU cloud) es un servicio que alquila máquinas con GPU por horas o por segundos para entrenamiento, fine-tuning e inferencia de IA. Los proveedores especializados, a veces llamados neoclouds, se centran en las GPU y a menudo cobran menos que las grandes nubes generalistas.