article IA local: el caso del DMS

Por qué elegimos ejecutar los modelos en el servidor del cliente en lugar de enviarlos a la nube. Rendimiento, coste y privacidad en el mundo real.

Contexto

Este artículo forma parte de nuestra serie sobre ia. Te contamos el cómo, el por qué y el qué nos llevamos aprendido de este proyecto concreto.

Problema

Cuando empezamos, el panorama era complicado. Teníamos instalaciones antiguas, equipos que llevaban años usando la misma interfaz, y un roadmap que exigía movernos sin romper nada.

"Lo fácil era tirarlo todo y empezar de cero. Lo difícil era mantener el servicio en producción mientras reescribíamos el motor." — Javier Rodríguez

Solución

Adoptamos un enfoque incremental con feature flags y dos pipelines paralelos. Cada semana migramos una pieza, la verificamos en un tenant piloto y la promocionamos al resto.

• Aislamiento por tenant con configuración independiente.
• Shadow-read: el nuevo módulo leía a la vez que el viejo para comparar resultados.
• Rollback automático al detectar desviaciones.
• Telemetría detallada por request para auditar el comportamiento.

Resultados

Lecciones aprendidas

1. Los datos mandan. Sin métricas antes/después es imposible justificar ningún cambio.
2. Los usuarios tienen razón. Cuando 10 cooperativas se quejan de lo mismo, ese es tu próximo bug.
3. La retrocompatibilidad es un músculo. Cuanto más la ejercitas, más fácil se vuelve.
4. El on-call te mantiene humilde. Si tu equipo no está de guardia, no entiende de verdad su código.