Cómo elegir un proveedor de computer vision: guía de compras empresariales

El modelo es la parte fácil. En la visión artificial empresarial, el verdadero trabajo consiste en los datos etiquetados detrás del modelo y en lograr que la inferencia funcione en cámaras en el edge, y esta segunda mitad es donde la mayoría de los programas se estancan silenciosamente. Las guías de compra en 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 amplitud de características preentrenadas en la que las solicitudes de propuestas (RFP) más antiguas se enfocan en exceso, porque una API gestionada ya cubre las características genéricas y el proyecto sigue fallando en los casos difíciles, específicos y limitados por la 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 los términos comerciales solo después de que esos requisitos estén fijados; de lo contrario, las cotizaciones describirán sistemas diferentes.

Las dos decisiones que importan#

Antes de comparar proveedores, sitúa tu programa en estos dos ejes. Casi todos los errores de contratación en esta categoría se deben a un proveedor elegido para el cuadrante incorrecto.

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 sin personal de machine learning. Si tu tarea es específica de tu producto, tus piezas o tu proceso, ninguna API preentrenada alcanzará la precisión de producción y estarás comprando en su lugar un pipeline 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 en la nube son el camino de menor resistencia. Si no puede (una línea en marcha a gran velocidad, un vehículo, un sitio con conectividad poco fiable o datos que no tienen permitido salir de las instalaciones), entonces el despliegue en el edge es el requisito que elimina a la mayoría de los candidatos de la selección.

Un programa que compra una plataforma y omite el trabajo de datos y ciclo de vida lanza un piloto que nunca llega a producción. Presupuesta el etiquetado y el MLOps como el esfuerzo principal, y demuestra la precisión con tus imágenes más difíciles antes de firmar nada.

Los proveedores se enumeran en orden alfabético, no por ranking. Ultralytics publica esta guía y aparece en ella, por lo que el orden es deliberadamente neutral y cada proveedor conlleva una compensación declarada.

AWS: Rekognition y SageMaker AI#

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

Puntos fuertes. Rekognition ofrece análisis de imágenes y vídeo totalmente gestionados (moderación de contenido, detección de etiquetas y texto, detección de EPIs) además de Custom Labels para entrenar modelos específicos de tareas sin personal de machine learning. La integración profunda con S3, Lambda y Kinesis Video lo convierte en el camino de menor resistencia para pipelines nativos de AWS. Cuando los requisitos superan a la API, SageMaker AI admite entrenamiento distribuido, puntos de enlace con autoescalado, flotas de GPU y CPU, pipelines de despliegue y seguimiento de experimentos en los frameworks comunes.

Rekognition también ofrece comparación y búsqueda de rostros. Trata esto como una cuestión de contratación separada en lugar de una característica adicional: el procesamiento biométrico conlleva su propia exposición regulatoria, obligaciones de consentimiento y, en varias jurisdicciones, daños 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.

Inconvenientes. La amplitud es real, pero también lo es el trabajo de ensamblaje: Rekognition más SageMaker más almacenamiento más orquestación es una arquitectura, no un producto. El edge es más débil que en el bando de construir tu propio sistema.

Ideal para. Organizaciones nativas de AWS que quieren visión gestionada ahora y la opción de construir modelos personalizados más adelante sin cambiar de nube.

Nota de contratación. La detección de EPIs es genuinamente útil para el monitoreo de seguridad y suele ser la ruta más rápida hacia una primera victoria defendible.

Azure AI Vision#

Qué es. La pila de visión gestionada de Microsoft, que abarca APIs predefinidas y entrenamiento de modelos personalizados.

Puntos fuertes. Azure AI Vision proporciona APIs listas para usar para análisis de imágenes, OCR y extracción de texto, detección de objetos e información de vídeo, con el despliegue y el escalado gestionados sin necesidad de administrar la infraestructura subyacente. Para los equipos que necesitan sus propios modelos entrenados de clasificación o detección, Azure Machine Learning, incluida su capacidad de AutoML, es la ruta actual y cubre todo el ciclo de vida.

Nota de contratación: consulta el ciclo de vida del servicio, no solo la lista de características. Microsoft ha incluido el servicio anterior Custom Vision en una ruta de retirada y dirige a los clientes que construyen modelos personalizados de clasificación y detección hacia Azure Machine Learning en su lugar. Todo lo construido sobre Custom Vision conlleva ahora una migración en su hoja de ruta. Esta es la forma más común en que una evaluación de visión en la nube sale mal: un servicio que parece ideal en una comparación de características ya está obsoleto, y los artículos de comparación que alimentaron la preselección no se han actualizado. Pide a cualquier hiperescalador el estado de soporte y obsolescencia de cada servicio específico mencionado en su propuesta, por escrito.

Inconvenientes. Al igual que con cualquier servicio de visión de hiperescaladores, la economía se basa en el consumo, y los costos pueden sorprender a los equipos a gran escala. El despliegue en el edge es posible pero no es el centro de diseño.

Ideal para. Organizaciones ya estandarizadas en Azure que necesitan un OCR sólido y comprensión de documentos, y que prefieren servicios gestionados en lugar de un equipo de machine learning.

Nota de contratación. Modela el costo por inferencia al volumen de producción, no al volumen del piloto. El precio por consumo es lo que hace que un caso de negocio aprobado entre en números rojos.

Cognex#

Qué es. Un líder global en visión artificial que vende hardware y software de automatización para la fabricación y la logística.

Puntos fuertes. Cognex es el líder establecido en visión industrial por una buena razón: sus productos se despliegan en la detección de defectos y control de calidad, verificación de presencia y ausencia, y lectura de códigos de barras y trazabilidad en logística y envasado. Cognex VisionPro Deep Learning (el sucesor de su línea de productos ViDi) añade aprendizaje profundo de nivel industrial diseñado específicamente para la automatización de fábricas, junto con opciones de aprendizaje en el edge para inspecciones más simples. Cuando un programa necesita visión que se integre con PLCs y sobreviva al suelo de una fábrica, este es un equipo probado en lugar de un servicio en la nube apuntando a una cámara.

Inconvenientes. Estás comprando dentro de un ecosistema de hardware industrial, con la estructura de costos y la dependencia del proveedor que eso implica. Es la forma equivocada para equipos nativos de la nube y centrados en el software.

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

Nota de contratación. Pregunta cómo se actualizan los modelos una vez que la línea está en marcha. El ritmo de reentrenamiento en equipos de fábrica es una cuestión operativa muy diferente a la de redisponer un punto de enlace en la nube.

Encord#

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

Puntos fuertes. El posicionamiento de Encord es que la calidad de los datos, y no la arquitectura del modelo, determina los resultados: cuenta con herramientas para el etiquetado, la curación y la gestión de la calidad, destacando especialmente en diagnóstico por imagen médica y vídeo.

Inconvenientes. Aborda la mitad del problema relacionada con los datos. El entrenamiento y el despliegue todavía necesitan un hogar.

Ideal para. Programas donde la calidad del etiquetado es el cuello de botella, particularmente en dominios regulados o especializados.

Landing AI#

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

Nota antes de preseleccionar. Landing AI se ha reposicionado en torno a la IA documental y agéntica, y su línea de inspección se mantiene en lugar de ser la protagonista. ABB Motion Ventures invirtió en 2025 específicamente para llevar su IA de visión a la robótica de ABB, por lo que la capacidad tiene un camino a seguir, pero pregunta directamente sobre los compromisos de la hoja de ruta para la inspección en fábricas.

Puntos fuertes. Landing AI se enfoca en un problema específico y genuinamente difícil: la inspección visual donde los ejemplos de defectos son escasos. Sus técnicas están diseñadas para conjuntos de datos pequeños, que es la condición normal en entornos industriales: no puedes recopilar mil ejemplos de un defecto que ocurre dos veces al mes.

Inconvenientes. Ese enfoque reduce su idoneidad. Para la visión de propósito general en muchos tipos de tareas, una plataforma más amplia servirá mejor.

Ideal para. Fabricantes con un problema de detección de defectos y no suficientes imágenes de defectos para entrenar un modelo convencional.

Nota de contratación. Este es el proveedor a preseleccionar cuando tu obstáculo es la escasez de datos y no la capacidad del modelo. Pruébalo con tu clase de defecto más rara.

NVIDIA#

Qué es. La capa de computación y software subyacente a gran parte de la visión empresarial: hardware acelerado, kits de herramientas de modelos preentrenados y frameworks de despliegue para analítica de edge y vídeo.

Puntos fuertes. La relevancia de NVIDIA en la contratación suele ser estructural en lugar de a nivel de aplicación: suministra las GPUs en las que se ejecuta tu entrenamiento y los módulos Jetson en los que se ejecuta tu inferencia en el edge, además de la capa de plataforma Metropolis: DeepStream para pipelines de analítica de vídeo multicanal y TAO para el entrenamiento y la optimización de modelos. Para los programas que despliegan visión en muchos flujos de cámaras, la cuestión de la plataforma y la cuestión de NVIDIA son frecuentemente la misma.

Inconvenientes. Es infraestructura, no una aplicación. Todavía necesitas el pipeline 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 cámaras en el edge, o que entrenan modelos personalizados a escala.

Nota de contratación. Los plazos de entrega del hardware y el soporte del ciclo de vida deben constar en el contrato. Una flota en el edge es un compromiso de cinco años con un módulo que todavía debes poder comprar en el tercer año.

Roboflow#

Qué es. Una plataforma integral centrada en los desarrolladores para la visión artificial.

Puntos fuertes. Roboflow es popular para la creación rápida de prototipos; gestiona la gestión de conjuntos de datos, la aumentación y el entrenamiento de modelos, con etiquetado asistido por IA, entrenamiento sin código y despliegue de la nube al edge. Para los equipos que iteran rápidamente en nuevos casos de uso, elimina la mayor parte del trabajo de configuración.

Inconvenientes. Las herramientas centradas en desarrolladores asumen que cuentas con desarrolladores. No es un servicio gestionado para empresas.

Ideal para. Equipos que quieren pasar de una idea a un modelo funcional en días en lugar de trimestres.

Ultralytics#

Qué es. Una plataforma de visión que abarca el etiquetado, la gestión de conjuntos de datos y el entrenamiento, construida en torno a open models ampliamente adoptados.

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) con etiquetado inteligente impulsado por SAM que produce máscaras y cuadros delimitadores en un solo clic para las tareas de detección, segmentación, semántica y cuadros orientados: las tareas de pose y clasificación se etiquetan manualmente, lo cual vale la pena verificar frente a tu combinación de tareas. La importación y exportación abarcan YOLO, COCO y VOC, por lo que se adapta a los pipelines existentes en lugar de reemplazarlos, e incluye revisión en equipo y versionado de conjuntos de datos de forma nativa. La ventaja de contratación es la continuidad y la portabilidad: los modelos son abiertos y están ampliamente desplegados, el conjunto de datos que etiquetas es el conjunto de datos que entrenas, y ninguno de los dos queda atrapado en un formato propietario.

Aspectos específicos de contratación. Ultralytics Platform cuenta con las certificaciones SOC 2 Type I e ISO 27001:2022, con cifrado en tránsito y en reposo y alineación con GDPR y CCPA. Lee detenidamente la certificación Type I: attesta el diseño de los controles en un punto en el tiempo, no la efectividad operativa durante un período, que es lo que cubre el Type II: varios proveedores anteriores poseen el Type II, y si tu política lo exige, eso representa una diferencia real, no un tecnicismo. La residencia de datos se puede fijar en EE. UU., la UE o AP. Los precios de las GPUs en la nube se publican por hora en lugar de requerir una cotización, y la facturación es pay-as-you-go, lo que la convierte en una de las pocas opciones en esta página que puedes modelar con precisión antes de una conversación de ventas.

Licenciamiento: lee esto antes de la comparación de características. Los modelos Ultralytics YOLO se lanzan bajo la licencia AGPL-3.0, una licencia copyleft fuerte. El despliegue comercial o propietario generalmente requiere una licencia Ultralytics Enterprise, que también cubre el despliegue privado y soporte avanzado. Incluye el costo de esa licencia en cualquier comparación frente a una plataforma con licencia comercial, y preséntala al departamento legal de forma temprana: "código abierto" y "sin costo de licencia" no son lo mismo, y esta es la forma más común en que un caso de negocio de visión por lo demás sólido se estanca en la etapa contractual.

Inconvenientes. Es una plataforma para equipos que van a ser dueños de sus propios modelos. Las organizaciones que deseen un servicio gestionado que entregue resultados terminados deben mirar a los proveedores de servicios en su lugar. También es, con mucho, la opción más nueva aquí: Ultralytics Platform se lanzó en marzo de 2026, mientras que Azure, AWS, Cognex y NVIDIA tienen largas trayectorias de contratación, redes de soporte establecidas y los clientes de referencia que un comité adverso al riesgo solicitará. Si la duración del historial o la certificación Type II son requisitos imprescindibles, eso apunta hacia otro lado.

Ideal para. Empresas que quieren modelos de visión personalizados que controlan, desplegados donde elijan: incluso en su propio hardware, sin dependencia por inferencia de un proveedor en la nube. Ten en cuenta que la plataforma gestionada en sí misma factura las horas de entrenamiento en GPU y el uso de puntos de enlace; la diferencia es que los modelos exportados pueden ejecutarse completamente en infraestructura de tu propiedad.

Comparación 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 de objetos genéricos, y utilizas Azure. Elige Azure AI Vision. Las APIs están listas para usar, no se requiere personal de machine learning y el trabajo de integración es mínimo. Modela tu costo por inferencia al volumen de producción antes de comprometerte: el precio por consumo es lo que arruina los casos de negocio aprobados.

Necesitas visión gestionada dentro de un pipeline nativo de AWS. Elige AWS. Rekognition gestiona la moderación, la búsqueda de rostros, los EPIs y la detección de etiquetas de forma nativa, y SageMaker está ahí cuando superas los límites de la API sin necesidad de cambiar de nube. Prepárate para ensamblar una arquitectura en lugar de comprar un producto.

Estás inspeccionando piezas en una línea de producción. Elige Cognex si el sistema de visión debe ubicarse en la línea, integrarse con PLCs y sobrevivir a un entorno de fábrica. Elige Landing AI en su lugar si tu obstáculo es que los defectos son demasiado raros como para entrenar un modelo de forma convencional. Eso es un problema de datos, no de equipo, y requiere una herramienta diferente.

Estás desplegando a través de muchos flujos de cámaras en el edge. Elige NVIDIA como la capa de plataforma y, a continuación, decide por separado quién suministra los modelos y el pipeline de datos. Esta es una decisión de infraestructura que no resuelve la decisión de la aplicación.

Necesitas avanzar rápido y demostrar valor. Elige Roboflow para una iteración rápida, o Ultralytics Platform si los modelos de los que haces prototipos son los modelos que pretendes ejecutar en producción. La diferencia radica en si estás explorando o construyendo.

Los datos etiquetados son tu cuello de botella. Elige Encord si la calidad del etiquetado y la curación son la limitación, o Ultralytics Platform si quieres que el etiquetado esté vinculado directamente al entrenamiento en lugar de delegarse entre diferentes herramientas.

Cuando dos opciones encajan, elige la que tenga una salida más económica. Los formatos de modelos abiertos y los conjuntos de datos portátiles no cuestan nada mientras las cosas van bien, y lo cuestan todo cuando no es así.

Qué incluir en la solicitud de propuestas (RFP)#

Las preguntas a continuación diferencian a los proveedores más rápido que cualquier matriz de características, porque son las preguntas que un proveedor que no encaja bien no puede responder con claridad.

Sobre la precisión. ¿Cuál es vuestra precisión medida en nuestras imágenes de prueba de concepto, desglosada por nuestras clases de error en lugar de agregada? ¿Qué le ocurre a esa cifra bajo nuestras peores condiciones de iluminación?

Sobre el despliegue. ¿Qué hardware exacto ejecuta la inferencia, cuál es la latencia de extremo a extremo incluyendo la captura, y cuál es el comportamiento cuando se cae la conectividad? ¿Quién actualiza físicamente un modelo en un dispositivo ya instalado?

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

Sobre el ciclo de vida. ¿Cuánto tiempo se tarda en reentrenar y volver a desplegar tras descubrir un nuevo modo de fallo? Explícanoslo como una secuencia de pasos con responsables asignados.

Sobre los costes comerciales. ¿Cuál es el coste a tres años con nuestro volumen proyectado, desglosado en licencia, computación, almacenamiento, mano de obra de anotación y soporte? ¿Qué desencadena un cambio de precio?

Sobre la salida. Si rescindimos el contrato en el segundo año, ¿qué nos quedamos: los datos, los modelos o nada?

Del piloto a producción#

La mayoría de los programas de esta categoría no fallan en el piloto. Fracasan en el espacio que hay entre un piloto que funcionó y un sistema de producción que nunca llega a materializarse del todo.

Fija el listón de producción antes de que empiece el piloto. Decide la precisión, la latencia y el coste por inferencia que justificarían un despliegue generalizado, y ponlo por escrito. Un piloto sin un criterio de aprobación siempre tiene éxito, y por eso no te dice nada.

Haz el piloto en la peor planta, no en la mejor. La línea insignia con buena iluminación y un supervisor motivado hará que cualquier proveedor parezca competente. El sitio problemático es aquel donde realmente se juzgará el despliegue.

Presupuesta el segundo modelo. El primer modelo se construye con la atención del proveedor y un conjunto de datos limpio. El décimo lo construye tu equipo un martes. Si el segundo modelo no se puede construir sin el proveedor en la sala, el programa no escala.

Nombra al responsable de la calidad de los datos. Todos los programas fallidos en esta categoría tienen la misma función ausente: alguien que rinda cuentas sobre el conjunto de datos etiquetado a lo largo del tiempo. No es un trabajo secundario para el ingeniero de ML ni pertenece a compras.

Criterios de evaluación que sobreviven al contacto con la producción#

Pondera estos aspectos en función de tu tarea y del lugar donde deba ejecutarse la inferencia.

Precisión con tus imágenes, no con la referencia. Exige una prueba de concepto utilizando tus propias imágenes más difíciles: mala iluminación, oclusión, los casos límite de los que se quejan tus operarios. Un proveedor que no esté dispuesto a realizar una te está diciendo algo.

Realismo del despliegue en el edge. Pregunta específicamente: qué hardware, qué latencia, qué ocurre cuando se cae la red y cómo se actualiza un modelo en un dispositivo que ya está en funcionamiento.

Coste total de propiedad. Incluye las licencias, la computación, el almacenamiento, la mano de obra de anotación y el mantenimiento continuado del modelo: no solo la tarifa inicial. Los precios en la nube basados en el consumo son el elemento que más suele sorprender a los equipos a gran escala.

Superficie de integración. En entornos industriales, la compatibilidad con PLCs y MES determina si el sistema es utilizable. En entornos de software, son las API y las canalizaciones de datos. Estos elementos no son intercambiables.

Gobierno de datos. Cifrado, controles de acceso, registros de auditoría y cumplimiento normativo. El GDPR, la HIPAA y las normativas específicas del sector suelen dictar la elección de la plataforma antes de que comience cualquier comparación técnica.

La nueva puerta de entrada de compras: confianza en el dispositivo y procedencia de los datos#

Un cambio que merece la pena señalar, ya que ahora bloquea acuerdos que antes se habrían cerrado.

La confianza en el dispositivo, los derechos sobre los conjuntos de datos y los registros de custodia de imágenes tienen cada vez el mismo peso comercial que la precisión del modelo. Un modelo de visión artificial puede superar la validación técnica y aun así fracasar en compras, porque nadie puede demostrar de dónde salieron las imágenes de entrenamiento, si la organización tenía derecho a usarlas o qué dispositivo físico capturó un fotograma determinado.

Tres preguntas que incluir en la solicitud de propuesta (RFP):

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

Los proveedores que no puedan responder a esto no son necesariamente inseguros. Sin embargo, van a retrasar vuestra revisión legal durante meses.

Cómo llevar a cabo la evaluación#

Haz la preselección basándote en el cuadrante, no en el recuento de funciones. Decide primero entre preentrenado frente a personalizado y nube frente a edge. Eso suele eliminar a la mitad del mercado antes de una sola demostración.

Realiza una prueba de concepto con tus datos más difíciles. Las mismas imágenes, los mismos criterios de aceptación, todos los proveedores. Mide la precisión en los casos que importan en lugar de la precisión agregada en un conjunto fácil.

Calcula el coste de todo el ciclo de vida. Construye un modelo a tres años que incluya la mano de obra de anotación y el reentrenamiento. Compara eso, no las tarifas de licencia.

Prueba la ruta de actualización. Despliega un modelo y luego cámbialo. El tiempo que esto lleva y quién tiene que intervenir es la cifra que determina si el sistema mejora después de la puesta en marcha o se congela desde el primer día.

Comprueba la salida. ¿Puedes exportar tus datos etiquetados en un formato abierto y llevarte tus modelos a otra parte? Si no es así, valora económicamente el bloqueo con el proveedor.