Las tres nubes ya no compiten por tener "un LLM": compiten por quién resuelve mejor todo lo que rodea al LLM. Así se comparan en la práctica a mediados de 2026.
En 2026, evaluar Vertex AI, Amazon Bedrock y Azure AI Foundry solo por la calidad del modelo de lenguaje es un error de análisis. Los tres dan acceso a modelos de clase similar (Gemini, Claude vía Bedrock, GPT y modelos de OpenAI vía Azure), y de hecho hay solapamiento: Claude de Anthropic está disponible tanto en Bedrock como en Vertex AI Model Garden. La diferencia real está en la capa de plataforma: agentes, RAG gestionado, integración de datos y gobernanza.
Vertex AI Model Garden ofrece el catálogo más amplio y heterogéneo: modelos propios (Gemini, Imagen, Veo), partners (Claude, Mistral) y open-weight autodesplegados (Llama, Gemma) bajo una misma superficie. Amazon Bedrock se especializa en ser el hub multi-proveedor por diseño desde su lanzamiento, con Claude de Anthropic como modelo insignia además de Llama, Mistral y los modelos propios Amazon Nova. Azure AI Foundry tiene la integración más profunda con los modelos de OpenAI (GPT-4.x, o-series) por la relación estratégica Microsoft-OpenAI, además de un catálogo creciente de modelos open-weight vía su model catalog.
Si la prioridad es acceso día uno a los modelos de OpenAI con SLAs empresariales, Azure gana por defecto. Si la prioridad es Claude con la integración más nativa a herramientas de AWS (Lambda, Step Functions), Bedrock. Si la prioridad es Gemini con el mejor manejo multimodal nativo o la opción de mezclar Gemini con Claude bajo una sola facturación, Vertex AI.
Los tres han convergido en ofrecer frameworks de agentes gestionados: Vertex AI Agent Builder con el Agent Development Kit y Agent Engine, Amazon Bedrock Agents con integración nativa a Knowledge Bases y Action Groups, y Azure AI Foundry Agent Service con integración directa a Semantic Kernel y Copilot Studio. Técnicamente están a la par en capacidades básicas (function calling, orquestación multi-agente, trazabilidad de sesiones); la diferencia práctica está en qué tan bien se integra el agente con el resto del stack que ya usa la empresa. Una empresa con Microsoft 365 y Teams como columna vertebral obtiene ventajas de integración inmediatas en Azure que no replica fácilmente en las otras dos.
Vertex AI Search y Amazon Bedrock Knowledge Bases resuelven el mismo problema —indexación, retrieval y grounding administrados— con enfoques similares. Vertex AI Search tiene una ventaja en búsqueda híbrida out-of-the-box y conectores a fuentes empresariales amplias. Bedrock Knowledge Bases se integra más naturalmente si los datos ya viven en S3 y OpenSearch. Azure AI Search (el componente de RAG dentro de Azure AI Foundry) es maduro desde hace más tiempo como producto de búsqueda independiente y ofrece control más fino sobre índices y skillsets de enriquecimiento (Azure Cognitive Search heredado).
Los tres cobran por token de entrada/salida en el tier serverless, con Provisioned Throughput (Vertex AI), Provisioned Throughput (Bedrock) y PTUs (Azure) como opción de capacidad reservada para tráfico predecible. En términos de compromiso, AWS y Azure suelen tener descuentos por compromiso anual (Savings Plans / reservas) más maduros que el equivalente en GCP, aunque Vertex AI compensa con Committed Use Discounts aplicables también a cómputo de entrenamiento AutoML y custom training.
La decisión rara vez se gana en una tabla de features: se gana en costo de integración. Si el dato vive en BigQuery y el equipo ya opera en GCP, cualquier ejercicio de RAG o fine-tuning en Vertex AI ahorra semanas de plumbing frente a mover datos a otra nube. Si el dato vive en S3 con pipelines de Glue/Athena, Bedrock reduce fricción equivalente. Si la organización es Microsoft-céntrica (Active Directory, SharePoint, Dynamics), Azure AI Foundry generalmente gana por integración de identidad y datos, no por superioridad del modelo.
Para empresas de la región, un factor adicional es la disponibilidad regional: `southamerica-east1` de GCP y regiones equivalentes de AWS/Azure en Brasil ofrecen la menor latencia sin salir del continente, pero no todos los servicios (agentes, ciertos modelos de Gemini o Bedrock) están disponibles en todas las regiones sudamericanas todavía. Verificar la matriz de disponibilidad regional específica para los servicios que se van a usar —no solo para el modelo base— debe ser parte de la prueba de concepto antes de firmar cualquier compromiso anual.
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