Vertex AI no es un producto, es un sistema operativo para IA empresarial dentro de Google Cloud. Entender sus piezas es el primer paso antes de decidir dónde invertir.
Vertex AI es la plataforma unificada de Google Cloud para construir, entrenar, desplegar y monitorear modelos de machine learning e IA generativa. Lanzada en 2021 para consolidar servicios que antes vivían dispersos (AI Platform, AutoML, Vertex Vizier), hoy es el punto de entrada único a Gemini, Model Garden, pipelines de MLOps, Feature Store y herramientas de despliegue de agentes.
La idea central es reducir la fricción entre experimentación y producción. Un data scientist entrena en un notebook de Vertex AI Workbench, registra el modelo en Vertex AI Model Registry, lo despliega en un endpoint gestionado y lo monitorea con Vertex AI Model Monitoring, todo bajo el mismo control de identidad (IAM) y la misma facturación de proyecto en GCP.
Vertex AI se organiza en capas que puedes adoptar de forma independiente:
- **Generative AI**: acceso a Gemini 2.5 Pro/Flash, Imagen (generación de imágenes), Veo (video) y Chirp (voz) vía API o Vertex AI Studio. - **Model Garden**: catálogo de más de 200 modelos, propios y de terceros (Llama, Mistral, Gemma, Claude de Anthropic), listos para desplegar con un clic. - **Entrenamiento**: AutoML para tabular/imagen/texto/video sin código, y Custom Training con contenedores propios sobre GPU/TPU. - **MLOps**: Vertex AI Pipelines (basado en Kubeflow Pipelines), Feature Store, Model Registry, Experiments y Metadata para trazabilidad. - **Agentes y búsqueda**: Vertex AI Agent Builder y Vertex AI Search para RAG y agentes conversacionales sin construir infraestructura de recuperación desde cero.
Un endpoint de Vertex AI abstrae el escalado horizontal, el balanceo y el versionado de modelos. Puedes desplegar múltiples versiones bajo el mismo endpoint con distribución de tráfico configurable, útil para pruebas A/B o rollouts progresivos.
Para empresas en Guatemala y Latinoamérica, la elección de región importa tanto por latencia como por cumplimiento normativo. Vertex AI opera en regiones como `us-central1`, `us-east4` y, más relevante para la región, `southamerica-east1` (São Paulo). No todos los modelos de Gemini ni todas las features (como ciertas versiones de Agent Builder) están disponibles en todas las regiones, así que verificar la matriz de disponibilidad por servicio es un paso obligatorio antes de diseñar la arquitectura.
Vertex AI hereda el modelo de IAM de Google Cloud: roles como `roles/aiplatform.user` o `roles/aiplatform.admin` controlan quién puede entrenar, desplegar o invocar modelos. Para cargas sensibas, VPC Service Controls permite crear un perímetro que impide la exfiltración de datos hacia proyectos fuera de la organización, y Customer-Managed Encryption Keys (CMEK) cifra artefactos de modelo y datos de Feature Store con llaves propias en Cloud KMS.
Si tu equipo ya opera en GCP (BigQuery, Cloud Storage, Cloud Run), la integración nativa de Vertex AI con esos servicios reduce semanas de trabajo de plumbing. BigQuery ML puede exportar directamente a Vertex AI para servir predicciones, y Cloud Storage es el backend natural para artefactos de entrenamiento y checkpoints.
La contrapartida es el lock-in: los pipelines, el formato de Feature Store y las integraciones de Agent Builder no son portables sin reescritura significativa. Para organizaciones que valoran velocidad de entrega sobre portabilidad multi-nube, Vertex AI suele ganar la evaluación técnica.
Antes de comprometer arquitectura, habilita la API en un proyecto de prueba, corre un modelo de Gemini vía Vertex AI Studio y despliega un modelo AutoML tabular con un dataset real de tu negocio. Esa prueba de una semana revela más sobre cuotas, latencia regional y costos reales que cualquier comparación en papel.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel