Cómo elegir un proveedor de visión artificial: guía de compras empresariales

El modelo es la parte fácil. En la visión artificial empresarial, el trabajo está en los datos etiquetados que respaldan el modelo y en poner la inferencia en marcha en cámaras periféricas; es en esa segunda parte donde la mayoría de los programas se atascan sin hacer ruido. Las guías de compra de esta categoría ahora dan más peso a la precisión con tus propias imágenes y al realismo del despliegue en el edge que a la comparación de la variedad de funciones preentrenadas, que antes recibía demasiada atención en las RFP. Esto se debe a que una API gestionada ya cubre las funciones genéricas, pero el proyecto sigue fracasando en los casos difíciles, específicos y sujetos a restricciones de latencia.

Esta guía compara ocho proveedores en función de las dos decisiones que determinan la arquitectura: API preentrenada o modelo personalizado y nube o edge. Compara las condiciones comerciales solo después de fijar esos requisitos; de lo contrario, los presupuestos describirán sistemas distintos.

Las dos decisiones importantes#

Antes de comparar proveedores, sitúa tu programa en estos dos ejes. Casi todos los errores de compra de esta categoría se deben a elegir un proveedor del cuadrante equivocado.

API preentrenada frente a modelo personalizado. Si tu tarea es genérica (leer texto de documentos, detectar objetos comunes, moderar contenido), una API gestionada la resuelve hoy mismo sin necesidad de personal de ML. Si tu tarea es específica de tu producto, tus piezas o tu proceso, ninguna API preentrenada alcanzará la precisión necesaria para producción y, en realidad, estarás comprando un flujo de entrenamiento y datos.

Nube frente a edge. Si la inferencia puede tolerar un viaje de ida y vuelta a un centro de datos, los proveedores de nube son la opción más sencilla. Si no puede (una línea que funciona a alta velocidad, un vehículo, un emplazamiento con conectividad poco fiable o datos que no pueden salir de las instalaciones), el despliegue en el edge es un requisito que elimina a la mayoría de los candidatos de la lista.

Un programa que compra una plataforma y se salta el trabajo con los datos y el ciclo de vida acaba lanzando un piloto que nunca llega a producción. Asigna la mayor parte del presupuesto al etiquetado y a MLOps, y demuestra la precisión con tus imágenes más difíciles antes de firmar nada.

Los proveedores aparecen en orden alfabético, no por clasificación. Ultralytics publica esta guía y aparece en ella, así que el orden es deliberadamente neutral y se indica una contrapartida para cada proveedor.

AWS: Rekognition y SageMaker AI#

Qué es. Dos capas: Amazon Rekognition, como API de visión gestionada, y Amazon SageMaker AI, como plataforma de entrenamiento y despliegue personalizados.

Puntos fuertes. Rekognition ofrece análisis de imágenes y vídeo totalmente gestionado (moderación de contenido, detección de etiquetas y texto, detección de EPI), además de Custom Labels para entrenar modelos específicos para cada tarea sin personal de ML. Su integración profunda con S3, Lambda y Kinesis Video lo convierte en la opción más sencilla para los flujos nativos de AWS. Cuando los requisitos superan lo que ofrece la API, SageMaker AI admite entrenamiento distribuido, puntos de conexión con escalado automático, flotas de GPU y CPU, flujos de despliegue y seguimiento de experimentos en los frameworks habituales.

Rekognition también ofrece comparación y búsqueda de rostros. Trátalo como una cuestión de compra independiente y no como una función adicional: el procesamiento biométrico conlleva sus propios riesgos normativos, obligaciones de consentimiento y, en varias jurisdicciones, indemnizaciones legales. Si no lo necesitas, exclúyelo explícitamente del alcance y ten en cuenta que la mayoría de los casos de uso de visión etiquetados como «seguridad» no lo requieren.

Contrapartidas. La amplitud de la oferta es real, pero también lo es el trabajo de integración: Rekognition, SageMaker, almacenamiento y orquestación conforman una arquitectura, no un producto. Su capacidad para el edge es inferior a la de las opciones de desarrollo propio.

Ideal para. Organizaciones nativas de AWS que quieren visión gestionada ahora y la posibilidad de crear soluciones personalizadas más adelante sin cambiar de nube.

Nota de compra. La detección de EPI resulta realmente útil para supervisar la seguridad y suele ser la vía más rápida para conseguir un primer resultado demostrable.

Azure AI Vision#

Qué es. La pila de visión gestionada de Microsoft, que abarca API listas para usar y entrenamiento de modelos personalizados.

Puntos fuertes. Azure AI Vision ofrece API listas para usar para analizar imágenes, realizar OCR y extraer texto, detectar objetos y obtener información de vídeo; el despliegue y el escalado se gestionan sin tener que administrar la infraestructura subyacente. Para los equipos que necesitan sus propios modelos de clasificación o detección entrenados, la opción actual es Azure Machine Learning, incluida su función AutoML, que cubre todo el ciclo de vida.

Nota de compra: comprueba el ciclo de vida del servicio, no solo la lista de funciones. Microsoft ha iniciado la retirada del antiguo servicio Custom Vision y recomienda Azure Machine Learning a los clientes que crean modelos personalizados de clasificación y detección. Cualquier solución basada ahora en Custom Vision tendrá una migración prevista en su hoja de ruta. Esta es la forma más habitual de que una evaluación de servicios de visión en la nube salga mal: un servicio parece ideal al comparar funciones, pero ya ha sido sustituido, y los artículos comparativos que alimentaron la lista de candidatos no se han actualizado. Pide por escrito a cualquier proveedor de nube a gran escala el estado de soporte y retirada de cada servicio concreto que mencione en su propuesta.

Contrapartidas. Como ocurre con cualquier servicio de visión de un proveedor de nube a gran escala, el modelo económico se basa en el consumo y los costes pueden sorprender a los equipos cuando escalan. El despliegue en el edge es posible, pero no es el eje central del diseño.

Ideal para. Organizaciones que ya se han estandarizado en Azure, necesitan un OCR sólido y comprensión de documentos, y prefieren servicios gestionados a un equipo de ML.

Nota de compra. Calcula el coste por inferencia con el volumen de producción, no con el volumen del piloto. Los precios basados en el consumo son los que pueden convertir en pérdidas un caso de negocio aprobado.

Cognex#

Qué es. Líder mundial en visión artificial, con hardware y software de automatización para fabricación y logística.

Puntos fuertes. Cognex es el proveedor consolidado de visión industrial por buenas razones: sus productos se utilizan en la detección de defectos y el control de calidad, la verificación de presencia y ausencia, y la lectura de códigos de barras y trazabilidad en logística y embalaje. Cognex VisionPro Deep Learning, sucesor de su línea de productos ViDi, añade aprendizaje profundo de grado industrial diseñado específicamente para la automatización de fábricas, junto con opciones de aprendizaje en el edge para inspecciones más sencillas. Si un programa necesita visión integrada con PLC y capaz de soportar las condiciones de una fábrica, se trata de equipos probados, no de un servicio en la nube conectado a una cámara.

Contrapartidas. Te incorporas a un ecosistema de hardware industrial, con la estructura de costes y la dependencia del proveedor que eso implica. No es una opción adecuada para equipos nativos de la nube que priorizan el software.

Ideal para. Programas de fabricación y logística en los que el sistema de visión forma parte de la línea de producción, no de la plataforma de datos.

Nota de compra. Pregunta cómo se actualizan los modelos una vez que la línea está en marcha. El ritmo de reentrenamiento en equipos de fábrica plantea una cuestión operativa muy distinta a la de volver a desplegar un punto de conexión en la nube.

Encord#

Qué es. Una plataforma centrada en los datos, el etiquetado y la calidad de los conjuntos de datos.

Puntos fuertes. Encord sostiene que la calidad de los datos, y no la arquitectura del modelo, determina los resultados. Ofrece herramientas de etiquetado, selección y gestión de calidad, y destaca en imagen médica y vídeo.

Contrapartidas. Resuelve la parte de datos del problema. El entrenamiento y el despliegue siguen necesitando una solución propia.

Ideal para. Programas cuyo cuello de botella es la calidad del etiquetado, especialmente en ámbitos regulados o especializados.

Landing AI#

Qué es. Una plataforma de inspección visual para fabricación, fundada por Andrew Ng.

Nota antes de incluirla en la lista de candidatos. Landing AI ha reorientado su actividad hacia los documentos y la IA agéntica; su línea de inspección sigue disponible, pero ya no es su producto estrella. ABB Motion Ventures invirtió en 2025 específicamente para incorporar su IA de visión a la robótica de ABB, así que la tecnología tiene una vía de continuidad, pero pregunta directamente por los compromisos de la hoja de ruta para la inspección en fábrica.

Puntos fuertes. Landing AI aborda un problema concreto y realmente difícil: la inspección visual cuando hay pocos ejemplos de defectos. Sus técnicas están diseñadas para conjuntos de datos pequeños, algo habitual en entornos industriales: no puedes reunir mil ejemplos de un defecto que aparece dos veces al mes.

Contrapartidas. Ese enfoque limita su campo de aplicación. Para visión de propósito general en muchos tipos de tareas, una plataforma más amplia será más adecuada.

Ideal para. Fabricantes que necesitan detectar defectos y no disponen de suficientes imágenes de defectos para entrenar un modelo convencional.

Nota de compra. Incluye a este proveedor en la lista de candidatos cuando el obstáculo sea la escasez de datos, no la capacidad del modelo. Demuéstralo con tu clase de defectos más infrecuente.

NVIDIA#

Qué es. La capa de computación y software que sustenta gran parte de la visión empresarial: hardware acelerado, herramientas de modelos preentrenados y frameworks de despliegue para el edge y el análisis de vídeo.

Puntos fuertes. La relevancia de NVIDIA en las decisiones de compra suele ser estructural, no de aplicación: proporciona las GPU con las que entrenas y los módulos Jetson con los que ejecutas la inferencia en el edge, además de la plataforma Metropolis: DeepStream para flujos de análisis de vídeo con varios flujos y TAO para entrenar y optimizar modelos. Para los programas que despliegan visión en muchos flujos de cámara, la cuestión de la plataforma y la de NVIDIA suelen ser la misma.

Contrapartidas. Es infraestructura, no una aplicación. Sigues necesitando el flujo de datos, los modelos y el trabajo de integración, ya sea de tu propio equipo o de otro proveedor.

Ideal para. Programas que ejecutan muchos flujos de cámara en el edge o entrenan modelos personalizados a gran escala.

Nota de compra. Los plazos de suministro del hardware y el soporte durante todo su ciclo de vida deben figurar en el contrato. Una flota en el edge implica comprometerse durante cinco años con un módulo que aún tienes que poder comprar en el tercer año.

Roboflow#

Qué es. Una plataforma integral de visión artificial orientada a desarrolladores.

Puntos fuertes. Roboflow es popular para crear prototipos rápidamente y gestionar conjuntos de datos, aumento de datos y entrenamiento de modelos; ofrece etiquetado asistido por IA, entrenamiento sin código y despliegue de la nube al edge. Para los equipos que iteran rápidamente con nuevos casos de uso, elimina la mayor parte del trabajo de configuración.

Contrapartidas. Las herramientas orientadas a desarrolladores presuponen que hay desarrolladores. No es un servicio gestionado empresarial.

Ideal para. Equipos que quieren pasar de una idea a un modelo funcional en días, no en trimestres.

Ultralytics#

Qué es. Una plataforma de visión que abarca el etiquetado, la gestión de conjuntos de datos y el entrenamiento, basada en modelos abiertos de amplia adopción.

Puntos fuertes. Ultralytics Platform cubre seis tareas de etiquetado (detección de objetos, segmentación de instancias, segmentación semántica, clasificación, estimación de poses y detección de objetos orientados) y ofrece etiquetado inteligente basado en SAM que genera máscaras y cuadros delimitadores con un solo clic para las tareas de detección, segmentación, segmentación semántica y cuadros delimitadores orientados. La pose y la clasificación se etiquetan manualmente, algo que conviene contrastar con la combinación de tareas que necesitas. La importación y exportación abarcan YOLO, COCO y VOC, por lo que la plataforma se integra con los flujos existentes en lugar de sustituirlos; además, incorpora revisión en equipo y control de versiones de conjuntos de datos. La ventaja de compra reside en la continuidad y la portabilidad: los modelos son abiertos y se utilizan ampliamente, el conjunto de datos que etiquetas es el que entrenas y ninguno de los dos queda atrapado en un formato propietario.

Detalles de compra. Ultralytics Platform cuenta con SOC 2 Tipo I y ISO 27001:2022, cifra los datos en tránsito y en reposo, y cumple con el RGPD y la CCPA. Lee atentamente lo que significa Tipo I: acredita el diseño de los controles en un momento concreto, no su eficacia operativa durante un periodo, que es lo que acredita Tipo II. Varios de los proveedores anteriores cuentan con Tipo II y, si tu política lo exige, es una diferencia real, no un tecnicismo. La residencia de los datos puede fijarse en EE. UU., la UE o AP. Los precios de GPU en la nube se publican por hora, en lugar de comunicarse mediante presupuesto, y la facturación es de pago por uso, lo que la convierte en una de las pocas opciones de esta página cuyo coste puedes calcular con precisión antes de hablar con el equipo comercial.

Licencias: lee esto antes de comparar funciones. Los modelos Ultralytics YOLO se publican con la licencia AGPL-3.0, una licencia copyleft estricta. Por lo general, el despliegue comercial o propietario requiere una licencia Ultralytics Enterprise, que también cubre el despliegue privado y el soporte avanzado. Incluye el coste de esa licencia en cualquier comparación con una plataforma con licencia comercial y consulta pronto al departamento jurídico: «código abierto» y «sin coste de licencia» no significan lo mismo, y este es el motivo más habitual por el que un caso de negocio de visión bien planteado se atasca al formalizar el contrato.

Contrapartidas. Es una plataforma para equipos que se harán cargo de sus modelos. Las organizaciones que busquen un servicio gestionado que ofrezca resultados terminados deberían considerar los proveedores de servicios. También es, con diferencia, la opción más nueva de esta lista: Ultralytics Platform se lanzó en marzo de 2026, mientras que Azure, AWS, Cognex y NVIDIA tienen un largo historial de compras, redes de soporte consolidadas y clientes de referencia que solicitará un comité reacio al riesgo. Si la trayectoria o la certificación Tipo II son requisitos imprescindibles, busca otra opción.

Ideal para. Empresas que quieren modelos de visión personalizados bajo su control y desplegados donde elijan, incluso en su propio hardware, sin depender de un proveedor de nube para cada inferencia. Ten en cuenta que la propia plataforma gestionada sí cobra las horas de entrenamiento con GPU y el uso de los puntos de conexión; la diferencia es que los modelos exportados pueden ejecutarse íntegramente en infraestructura propia.

Comparativa de un vistazo#

¿Qué proveedor deberías elegir?#

Seis situaciones cubren la mayoría de los programas empresariales. Encuentra la tuya.

Necesitas OCR, comprensión de documentos o detección genérica de objetos, y trabajas con Azure. Elige Azure AI Vision. Las API están listas para usar, no necesitas personal de ML y el trabajo de integración es mínimo. Calcula el coste por inferencia con el volumen de producción antes de comprometerte: los precios basados en el consumo son los que hacen fracasar los casos de negocio aprobados.

Necesitas visión gestionada dentro de un flujo nativo de AWS. Elige AWS. Rekognition gestiona de serie la moderación, la búsqueda de rostros, la detección de EPI y la detección de etiquetas, y SageMaker está disponible cuando se te quede corto, sin que tengas que cambiar de nube. Cuenta con tener que integrar una arquitectura en lugar de comprar un producto.

Inspeccionas piezas en una línea de producción. Elige Cognex si el sistema de visión debe funcionar en la línea, integrarse con PLC y soportar las condiciones de una fábrica. Elige Landing AI si el obstáculo es que los defectos son demasiado infrecuentes para entrenar un modelo de forma convencional. Es un problema de datos, no de equipamiento, y requiere otra herramienta.

Despliegas la solución en muchos flujos de cámara en el edge. Elige NVIDIA como capa de plataforma y decide por separado quién proporciona los modelos y el flujo de datos. Esta es una decisión de infraestructura que no resuelve la decisión sobre la aplicación.

Necesitas avanzar rápido y demostrar el valor. Elige Roboflow para iterar rápidamente o Ultralytics Platform si los modelos con los que creas prototipos son los que quieres ejecutar en producción. La diferencia está en si estás explorando o construyendo.

Los datos etiquetados son tu cuello de botella. Elige Encord si la calidad de las anotaciones y la curación de datos son el factor limitante, o Ultralytics Platform si quieres integrar las anotaciones directamente en el entrenamiento, en lugar de transferirlas entre herramientas.

Cuando dos opciones encajen, elige la que te permita salir con menor coste. Los formatos de modelos abiertos y los conjuntos de datos portátiles no cuestan nada cuando todo va bien, pero lo cuestan todo cuando no es así.

Qué incluir en la solicitud de propuestas (RFP)#

Las preguntas siguientes permiten distinguir a los proveedores más rápido que cualquier tabla comparativa de funciones, porque un proveedor que no encaja bien no puede responderlas con claridad.

Sobre la precisión. ¿Qué precisión habéis medido con las imágenes de nuestra prueba de concepto, desglosada por nuestros tipos de fallo en lugar de agregada? ¿Qué ocurre con esa cifra en nuestras peores condiciones de iluminación?

Sobre el despliegue. ¿Qué hardware exacto ejecuta la inferencia, cuál es la latencia de extremo a extremo, incluida la captura, y qué ocurre cuando se pierde la conectividad? ¿Quién actualiza físicamente un modelo en un dispositivo que ya está instalado?

Sobre los datos. ¿Quién es propietario de los datos etiquetados? ¿Podemos exportarlos en un formato abierto en cualquier momento? ¿Qué uso se hace de nuestros datos para mejorar vuestro producto y podemos excluirnos?

Sobre el ciclo de vida. ¿Cuánto se tarda en reentrenar y volver a desplegar el modelo después de detectar un nuevo modo de fallo? Describidnos el proceso paso a paso e indicad quién es responsable de cada paso.

Sobre los aspectos comerciales. ¿Cuál es el coste a tres años con el volumen que prevemos, desglosado en licencia, computación, almacenamiento, trabajo de anotación y asistencia? ¿Qué puede provocar un cambio de precio?

Sobre la salida. Si rescindimos el contrato en el segundo año, ¿qué conservamos: los datos, los modelos o ninguno de los dos?

Del piloto a producción#

La mayoría de los programas de esta categoría no fracasan durante el piloto. Fracasan en el intervalo entre un piloto que funcionó y un sistema de producción que nunca llega a materializarse.

Establece los requisitos de producción antes de empezar el piloto. Decide qué precisión, latencia y coste por inferencia justificarían un despliegue generalizado, y déjalo por escrito. Un piloto sin un umbral de éxito siempre sale bien; por eso no te aporta información.

Haz el piloto en el peor centro, no en el mejor. La línea insignia, con buena iluminación y un supervisor motivado, hará que cualquier proveedor parezca competente. La verdadera prueba del despliegue será el centro con más problemas.

Presupuesta el segundo modelo. El primer modelo se crea con la atención del proveedor y un conjunto de datos limpio. El décimo lo crea tu equipo un martes cualquiera. Si no podéis crear el segundo modelo sin que el proveedor esté presente, el programa no puede crecer.

Asigna a alguien la responsabilidad de la calidad de los datos. En todos los programas fallidos de esta categoría falta el mismo puesto: alguien que se responsabilice del conjunto de datos etiquetados a lo largo del tiempo. No es una tarea para el tiempo libre del ingeniero de ML ni le corresponde al departamento de compras.

Criterios de evaluación que resisten el paso a producción#

Pondera estos criterios según tu tarea y el lugar donde tenga que ejecutarse la inferencia.

Precisión con tus imágenes, no con el conjunto de referencia. Exige una prueba de concepto con tus imágenes más difíciles: mala iluminación, oclusiones y casos límite de los que se quejan tus operadores. Si un proveedor no quiere hacerla, te está dando una señal.

Viabilidad real del despliegue en el edge. Pregunta concretamente qué hardware se usa, cuál es la latencia, qué ocurre cuando se interrumpe la red y cómo se actualiza un modelo en un dispositivo que ya está en funcionamiento.

Coste total de propiedad. Incluye licencias, computación, almacenamiento, trabajo de anotación y mantenimiento continuo de los modelos; no solo el coste inicial. El precio de la nube basado en el consumo es lo que más suele sorprender a los equipos cuando crecen.

Integración. En entornos industriales, la compatibilidad con PLC y MES determina si el sistema resulta útil. En entornos de software, se trata de API y canalizaciones de datos. No son intercambiables.

Gobernanza de datos. Cifrado, controles de acceso, registros de auditoría y cumplimiento normativo. El RGPD, HIPAA y las normas específicas del sector suelen determinar la elección de plataforma antes de que empiece cualquier comparación técnica.

El nuevo filtro de compras: confianza en los dispositivos y procedencia de los datos#

Merece la pena señalar este cambio, porque ahora bloquea acuerdos que antes se habrían cerrado.

La confianza en los dispositivos, los derechos sobre los conjuntos de datos y los registros de custodia de imágenes tienen cada vez más el mismo peso comercial que la precisión del modelo. Un modelo de visión artificial puede superar la validación técnica y aun así no pasar la evaluación de compras, porque nadie puede demostrar de dónde proceden las imágenes de entrenamiento, si la organización tenía derecho a usarlas o qué dispositivo físico capturó un fotograma determinado.

Incluye tres preguntas en la RFP:

• Derechos sobre los conjuntos de datos. Para cada conjunto de datos utilizado en el entrenamiento, ¿cuál es su licencia y permite el uso comercial en nuestra jurisdicción?
• Custodia de imágenes. ¿Puede el proveedor presentar un registro que permita rastrear una inferencia en producción hasta el dispositivo que la capturó?
• Confianza en los dispositivos. ¿Cómo se certifica la integridad de un dispositivo edge y qué ocurre si alguien manipula uno?

Que los proveedores no puedan responder a estas preguntas no significa necesariamente que sean inseguros. Sin embargo, harán que la revisión jurídica se alargue varios meses.

Cómo llevar a cabo la evaluación#

Preselecciona por cuadrante, no por número de funciones. Decide primero entre modelos preentrenados y personalizados, y entre nube y edge. Así suele descartarse la mitad del mercado antes de hacer una sola demostración.

Haz una prueba de concepto con tus datos más difíciles. Usa las mismas imágenes y los mismos criterios de aceptación con todos los proveedores. Mide la precisión en los casos importantes, no la precisión agregada en un conjunto fácil.

Calcula el coste de todo el ciclo de vida. Prepara un modelo a tres años que incluya el trabajo de anotación y el reentrenamiento. Compara ese coste, no las tarifas de licencia.

Prueba el proceso de actualización. Despliega un modelo y luego cámbialo. El tiempo que se tarda y quién debe participar determinan si el sistema mejora después de su puesta en marcha o se queda congelado desde el primer día.

Comprueba las condiciones de salida. ¿Puedes exportar tus datos etiquetados en un formato abierto y llevarte los modelos a otra plataforma? Si no, calcula el coste de la dependencia del proveedor.