En el mundo enterprise, la IA generativa ha pasado de “demo bonita” a plataforma de producto. Hablamos de catálogos de modelos, RAGs listos para producción, agentes con tool-calling, guardrails, observabilidad y gobernanza real. En el centro del ring: Azure AI Foundry. Pero el combate es serio: AWS Bedrock, Google Vertex AI, IBM watsonx, Databricks Mosaic AI, Snowflake Cortex AI, Oracle OCI Generative AI y NVIDIA NeMo/NIM compiten de verdad.

Con este post pretendo explicar qué ofrece cada plataforma, ventajas/inconvenientes, qué modelos traen, y cuándo elegir cada una.

El contendiente a vencer: Azure AI Foundry

Qué es

Plataforma unificada para diseñar, probar, desplegar y operar aplicaciones generativas y agentes en Azure. Integra identidad (Entra ID), secretos (Key Vault), datos (FABRIC, BBDDs), búsqueda (Azure AI Search) y Content Safety.

Modelos

Acceso prioritario a la familia OpenAI (GPTs, DALL·E, GPT-OSS, etc) y catálogo creciente de terceros y open-weights (Llama, Mistral, Cohere, Stability, etc.), todos bajo una API/SDK.

Piezas clave

• Playgrounds y prompting guiado con historial/versionado.
• RAG “Use your data”: indexado, chunking, grounding y conectores listos.
• Agentes gestionados: tool-calling, memoria, orquestación multi-paso, telemetría.
• Guardrails (Content Safety, Prompt Shields) y evaluación continua (trazas, A/B, canary).
• SDKs (Python/JS/.NET/Java) + integración con VS Code, DevOps/GitHub e IaC.

Ventajas

• Time-to-value altísimo si vives en Microsoft 365 / Dynamics.
• Seguridad y cumplimiento “que simplifica auditorías".
• Catálogo amplio sin cambios de mentalidad ni de runtime.

Inconvenientes

• Coste de plataforma alto si no aprovechas su integración end-to-end.
• Dependencia fuerte del ecosistema Microsoft (lo cual es feature o bug según tu caso).

Ideal para

Organizaciones Azure-first que quieren copilotos y agentes pegados a M365/Teams/SharePoint/FABRIC/Dynamics con RAG y guardrails listos desde el día 1 (aunque tambien es perfectamente válido para cualquier otro ecosistema).

Los (verdaderos) rivales

1) Google Vertex AI — “Gemini + datos = velocidad real”

Qué es

Plataforma unificada de IA de Google con modelos propios (familia Gemini, multimodal y contexto largo) y Model Garden con terceros.

Modelos

Gemini (texto, código, visión), más Llama, Mistral, Claude, AI21 según región.

Piezas clave

• Generative AI Studio y Agent Builder (agentes con herramientas y grounding).
• RAG con Vertex AI Search/Grounding y acople nativo a BigQuery/GCS (Google Cloud).
• MLOps serio: pipelines, drift, versiones y monitorización.

Ventajas

• Multimodal fuerte y contexto largo (ideal para documentos brutos, código, imágenes).
• Si tus datos viven en BigQuery, el RAG es plug-and-play (latencia y gobernanza a favor).

Inconvenientes

• Si no eres GCP-first, hay fricción (identidad/red/operación).
• Disponibilidad de algunos modelos varía por región/proyecto.

Ideal para

Equipos data-driven en GCP que quieren agentes y RAG sobre BigQuery sin mover datos.

2) AWS Bedrock — “Marketplace de modelos”

Qué es

Capa serverless con catálogo multivendor y tooling para agentes/RAG integrada en AWS.

Modelos

Anthropic Claude, Meta Llama, Mistral, Cohere, AI21 Jurassic, Stability (SD) y Amazon Titan.

Piezas clave

• Agents (acción sobre APIs/Lambda, memoria, planificador).
• Flows (orquestación visual end-to-end).
• Knowledge Bases (RAG administrado con conectores a S3/Kendra).
• Evaluations y guardrails con telemetría en CloudWatch.

Ventajas

• Variedad real de modelos sin reescribir la plataforma.
• Cero GPUs que gestionar: escalado, throttling y throughput gestionados.

Inconvenientes

• Si necesitas un modelo fuera del catálogo, toca integrar por tu cuenta.
• El “lego AWS” exige disciplina (IAM, redes, políticas). Algo mas "lioso que Azure", aunque conceptualmente hay que hacer lo mismo (cuestión de gustos).

Ideal para

AWS-first que quieren iterar con varios modelos y desplegar agentes con acción sobre Lambda/Step Functions sin pelearse con infraestructura.

3) IBM watsonx.ai — “Gobernanza y soberanía por diseño”

Qué es

Suite enterprise: watsonx.ai (modelos), watsonx.data (lakehouse) y watsonx.governance (riesgo, sesgos, lineage). Cloud o on-prem/air-gapped (OpenShift/Cloud Pak).

Modelos

Granite (IBM) y open-weights (Llama, StarCoder, etc.). BYO-model real.

Piezas clave

• Entrenamiento/afinación con propiedad intelectual de tu lado.
• Governance exhaustivo (políticas, explicabilidad, auditoría).
• Integración con datos gobernados (watsonx.data).

Ventajas

• Cumplimiento y soberanía en sectores muy sensibles (banca, sector público, salud).
• Control fino de ciclo de vida de modelos propios.

Inconvenientes

• Menos “plug-and-play” que un hyperscaler tipo AWS o Azure.
• Modelos base más pequeños que los tope de gama generalistas.

Ideal para

Entornos hiper-regulados y on-prem donde la prioridad es gobernar y explicar cada decisión del modelo.

4) Databricks Mosaic AI — “GenAI pegado al lakehouse”

Qué es

Capa de RAG/Agentes/Evaluación/Serving dentro del lakehouse.

Modelos

DBRX (open-weights, MoE) y ecosistema abierto.

Piezas clave

• Vector Search, Model Serving, Agent Framework.
• Evaluate/Traces (observabilidad y AI-judging integrados).

Ventajas

• Ciclo build-measure-fix-redeploy rapidísimo.
• Menos movimiento de datos, menos latencia.

Inconvenientes

No es un hub multivendor tan ancho como un hyperscaler.

Ideal para

Equipos con ETL/BI/ML en Databricks que quieren GenAI sobre el mismo runtime.

5) Snowflake Cortex AI — “IA dentro del warehouse”

Qué es

Funciones LLM serverless y agentes dentro del Data Cloud.

Modelos

Snowflake Arctic (LLM + embeddings, open-weights) y operadores nativos.

Piezas clave

• Cortex Analyst (NL→SQL), AISQL, Cortex Search, Cortex Agents.

Ventajas

• Gobernanza y latencia al mantener el cómputo cerca de la tabla.
• Ideal para analítica aumentada y self-service con IA.

Inconvenientes

• Menos amplitud de modelos/plantillas de agente “generalistas”.

Ideal para

Snowflake-first que quieren IA sin sacar datos del warehouse.

6) Oracle OCI Generative AI — “Multi-modelo para empresas Oracle”

Qué es

Oferta generativa enterprise para clientes OCI con Cohere, Llama y acuerdos para ampliar catálogo.

Ventajas

• Integración nativa con datos y apps de Oracle.
• Contratos enterprise y soporte al estilo Oracle.

Inconvenientes

• Catálogo y tooling de agentes menos maduros que los tres grandes.

Ideal para

Ecosistemas Oracle que buscan GenAI sin fricción en su stack.

7) NVIDIA NeMo / NIM — “Control total, cloud-agnostic y on-prem”

Qué es

NeMo (curación, afinación, evaluación, guardrails, observabilidad) + NIM (microservicios de inferencia). Pensado para on-prem/multi-cloud/edge con tus GPUs.

Modelos

Open-weights (Llama/Nemotron y otros) y toolkits para personalizar/servir.

Ventajas

• Soberanía, rendimiento y evitar lock-in.
• Ruta clara de PoC → plataforma propia.

Inconvenientes

• Requiere equipo de ingeniería de plataforma y MLOps.

Ideal para

Quien quiere su plataforma de agentes/LLM con control fino de coste, latencia y privacidad.

Comparativa rápida

Nota: SAP Generative AI Hub (sobre AI Core) y Salesforce Einstein 1 juegan en verticales (ERP/CRM). Si ya vives ahí, considera su trust layer y conectores nativos.

Decisiones prácticas

• Azure-first / Copilotos M365 → Azure AI Foundry.
• AWS-first / Probar varios modelos → Bedrock (Agents + Flows + KB).
• Datos en BigQuery / Workspace → Vertex AI (Agent Builder + Grounding).
• Regulado / Air-gapped / On-prem → IBM watsonx o NVIDIA NeMo/NIM.
• Lakehouse-centric → Databricks Mosaic AI (Evaluate/Traces).
• Warehouse-centric → Snowflake Cortex AI (AISQL/Analyst).
• Ecosistema Oracle → OCI GenAI.

Antipatrones (transversal a cualquier plataforma)

Montar un LLM sin observabilidad: sin traces, eval loops ni A/B, vuelas a ciegas.

Hacer RAG moviendo datos por comodidad: acércate al dato; ahorras latencia y dolores de cumplimiento.

Ignorar guardrails (entrada/herramientas/salida): cuando llegue prompt injection, te acordarás.

Casarte con un vendor sin plan de salida: fija abstracciones de modelo, prompt templates y vector DB portables.

Conclusión

No hay una “mejor” plataforma universal: hay una adecuada a tu contexto.

Azure AI Foundry si priorizas integración Microsoft, seguridad y velocidad.

AWS Bedrock si quieres variedad de modelos y agentes con acción sobre tu nube.

Google Vertex AI si buscas multimodalidad avanzada y datos en GCP.

IBM watsonx / NVIDIA NeMo si la palabra clave es soberanía.

Databricks/Snowflake si tu ventaja está en llevar la IA al dato (no al revés).

El 2025 va de agentes con RAG y guardrails, observables, gobernados y portables. Elige pista (Azure, AWS, GCP, lakehouse o warehouse) y diseña para medir, iterar y migrar. Lo demás (incluido el “modelo de moda” de turno) es intercambiable si la arquitectura está bien hecha.