Vertex AI

Vertex AI es la plataforma empresarial de aprendizaje automático e IA generativa de Google Cloud, desarrollada y mantenida por Google LLC. Lanzada originalmente en 2021 para consolidar los servicios fragmentados de AI Cloud de la compañía, ofrece a los equipos de ciencia de datos y MLOps un único lugar para entrenar modelos personalizados, acceder a modelos fundacionales a través de API, crear aplicaciones de generación aumentada por recuperación (RAG) e implementar agentes de IA a escala. En abril de 2026, Google cambió el nombre del producto a Gemini Enterprise Agent Platform en el Google Cloud Next, pero la documentación, las herramientas y las páginas de precios todavía utilizan ampliamente el nombre de Vertex AI. La plataforma compite directamente con AWS Bedrock y Azure AI Foundry por las cargas de trabajo de IA generativa empresarial.

El Model Garden de la plataforma ofrece a los equipos acceso a más de 200 modelos fundacionales a través de una interfaz unificada: las series completas Gemini 3 y Gemini 2.5 (modelos propios de Google), Claude 3.5 y Claude 3.7 Sonnet a través de la asociación con Anthropic, la serie Llama de Meta, Gemma y docenas de modelos de terceros y de código abierto. Más allá del acceso a los modelos, Vertex incluye Vertex AI Studio para la creación de prototipos de prompts, Agent Builder para construir e implementar agentes de IA de múltiples pasos con opciones sin código y API, AutoML para entrenar clasificadores de visión y texto sin código personalizado, Vertex AI Search para crear aplicaciones RAG empresariales, Vector Search para la recuperación de similitudes entre miles de millones de elementos y herramientas de Pipeline para orquestar flujos de trabajo completos de ML. Todos los costos de computación, uso de modelos y almacenamiento se consolidan en una sola cuenta de facturación de GCP, lo que ayuda a los equipos de adquisiciones empresariales, pero crea un riesgo real de costos descontrolados si los recursos inactivos se dejan en ejecución.

Lo que Vertex AI realmente hace en abril de 2026

Tras el Google Cloud Next 2026, Vertex AI ahora se posiciona como un sistema operativo de agentes full-stack en lugar de una capa de acceso a modelos. Agent Studio ofrece a los equipos un entorno visual de bajo código (low-code) para crear flujos de trabajo de agentes de múltiples pasos. Agent Engine maneja la ejecución en tiempo de ejecución, el estado de la sesión y la gestión de la memoria para los agentes implementados, facturados por separado de los tokens del modelo. Agent Gateway proporciona gestión de tráfico, enrutamiento y observabilidad en todos los agentes implementados. Estas piezas funcionan juntas, pero requieren configuraciones diferentes y conllevan medidores de facturación distintos.

El Model Garden es el punto de entrada más útil de forma inmediata para la mayoría de los equipos. Acceder a Gemini 2.5 Pro o Claude 3.7 Sonnet a través de Vertex en lugar de llamadas directas a la API añade beneficios de gobernanza empresarial: los datos nunca salen de la VPC del cliente, el uso no se retroalimenta en el entrenamiento y todas las solicitudes fluyen a través de los controles de servicio de IAM y VPC de GCP. Esto es importante para los casos de uso de cumplimiento de normativas financieras, SOC 2 e HIPAA. Para los equipos sin esos requisitos, la API directa de Gemini a través de Google AI Studio es más sencilla y cuesta lo mismo por token.

La fijación de precios funciona en varios medidores independientes simultáneamente. El uso del modelo se cobra por token: Gemini 2.5 Flash Lite cuesta $0.10 por millón de tokens de entrada y $0.40 por millón de tokens de salida; Gemini 2.5 Pro cuesta $1.25 por millón de tokens de entrada y $10.00 por millón de tokens de salida. La infraestructura de Agent Engine cobra $0.0864 por hora de vCPU y $0.0090 por hora de GB, con almacenamiento de memoria de sesión a $0.25 por cada 1,000 eventos. Los trabajos de entrenamiento personalizados cobran la computación de GPU/CPU por separado. Google Search Grounding, que fundamenta las respuestas en resultados web en vivo, añade $35 por cada 1,000 prompts fundamentados más allá de la cuota diaria gratuita. Una implementación en producción con entrenamiento personalizado, un endpoint de Agent Engine siempre activo, fundamentación regular y un alto volumen de tokens puede alcanzar miles de dólares mensuales sin una gestión cuidadosa de los costos.

"Soy un usuario relativamente nuevo de Google Cloud y recientemente recibí una factura inesperada de ~£925 para marzo de 2026. La mayor parte del costo (~£440) provino de Vertex AI. No me di cuenta de que ciertos servicios de Vertex AI (por ejemplo, endpoints, trabajos o procesos en segundo plano) podían seguir generando cargos sin un uso activo". -- Rav_Khangurra, Google AI Developers Forum, 2 de abril de 2026

Dónde se sitúa Vertex AI frente a AWS Bedrock y Azure OpenAI

Las tres plataformas ofrecen catálogos de modelos seleccionados, herramientas de orquestación de agentes y controles de seguridad empresariales. Las diferencias son arquitectónicas y están impulsadas por el ecosistema, no son superficiales.

AWS Bedrock utiliza un único patrón de API boto3 unificado para acceder a más de 100 modelos de Anthropic, Meta, AI21, Cohere, Stability AI y Amazon Titan. Una llamada a la API cubre a todos los proveedores de modelos; se cambian los modelos modificando un parámetro, no una integración. El servicio Guardrails de Bedrock se sitúa como una capa de seguridad separada y configurable de forma independiente. Bedrock no cobra por separado la infraestructura de agentes en el uso estándar; la computación está incluida en el precio de inferencia. Vertex cobra el tiempo de ejecución de Agent Engine por separado, lo que añade complejidad a la facturación pero también ofrece un control más granular. Para los equipos cuyos datos, identidad y facturación ya residen en AWS (S3, Lambda, CloudWatch, IAM), Bedrock requiere menos sobrecarga de migración. Bedrock no ofrece la familia Gemini de Google; los equipos que requieran modelos Gemini deben usar Vertex.

Azure AI Foundry (Azure OpenAI) ofrece a las empresas el primer acceso a los modelos insignia de OpenAI, incluyendo GPT-5 y futuros lanzamientos, antes de que esos modelos aparezcan en cualquier otra nube gestionada. Este es un diferenciador estructural que Vertex no puede igualar: Vertex tiene Claude y Gemini, pero no tiene modelos de OpenAI en absoluto. Azure AI Foundry cataloga más de 1,700 modelos, incluyendo la línea completa de OpenAI, Meta Llama, Mistral y otros. El Microsoft Agent Framework, que alcanzó la disponibilidad general (GA) en diciembre de 2025, utiliza SDK de código abierto con soporte para servidores MCP. Azure se integra de forma más natural con Microsoft 365, Azure Active Directory y organizaciones con licencias empresariales de Microsoft. Vertex se integra de forma más natural con BigQuery, Google Workspace y GKE. Las Unidades de Rendimiento Aprovisionado (Provisioned Throughput Units) con Reservas en Azure pueden reducir los costos hasta en un 70% para cargas de trabajo constantes, similar al descuento del 50% de la Batch API de Vertex, pero con diferentes mecánicas de reserva.

El panorama competitivo honesto: las tres plataformas resuelven el mismo problema de implementación de IA empresarial, pero la respuesta correcta está determinada casi en su totalidad por el lugar donde ya residen sus datos y su computación. Vertex gana cuando ya está en GCP y BigQuery. Bedrock gana cuando ya está en AWS. Azure gana cuando ya está en la infraestructura de Microsoft o necesita específicamente modelos de OpenAI.

Cómo es la realidad de los agentes y flujos de trabajo

Construir con Vertex Agent Builder en abril de 2026 requiere navegar por varios productos superpuestos. Agent Studio proporciona un entorno visual de arrastrar y soltar para conectar herramientas, fuentes de fundamentación (grounding) y transferencias entre múltiples agentes. El Agent Development Kit (ADK) subyacente es la capa programática para los desarrolladores que necesitan más control. Estas dos vías están documentadas por separado, y la documentación en sí está fragmentada entre los documentos de Google Cloud, los documentos de Generative AI on Vertex AI y las notas de la versión de Vertex AI Agent Builder, que son páginas separadas.

La autenticación es un punto de fricción recurrente. El uso de Vertex requiere configurar un proyecto de GCP, habilitar la API de Vertex AI, configurar cuentas de servicio y roles de IAM y, en algunos casos, navegar por las restricciones regionales para modelos específicos. Múltiples desarrolladores reportan errores de "permiso denegado" después de completar lo que parece ser una configuración exitosa. Google lanzó un "Vertex express mode" a mediados de 2025 para simplificar la generación de claves API para los desarrolladores que provienen de la API de Gemini, reconociendo directamente el problema de autenticación.

"Hay que esforzarse mucho para descubrir la diferencia entre Vertex AI, AI Studio, Gemini, Firebase Gen AI". -- ashu1461, Hacker News, mediados de 2025

La integración con BigQuery es el diferenciador de flujo de trabajo más fuerte de la plataforma. Los equipos que realizan ML centrado en análisis pueden mover datos desde BigQuery directamente a trabajos de entrenamiento de AutoML, Feature Store o índices de Vertex Search sin exportaciones de datos intermedias. Este pipeline es genuinamente más rápido y económico para las organizaciones nativas de BigQuery que los flujos de trabajo equivalentes en Bedrock o Azure. El acceso a TPU para el entrenamiento de alto rendimiento también es una ventaja de hardware significativa: el silicio personalizado de Google no está disponible en las nubes de la competencia.

Un problema de seguridad revelado en marzo de 2026 añade un nuevo requisito operativo para las implementaciones de agentes. Palo Alto Networks Unit 42 descubrió que Vertex AI Agent Engine asignaba permisos predeterminados excesivos a los agentes implementados a través del Per-Project, Per-Product Service Agent (P4SA). Los investigadores demostraron que un agente comprometido podía acceder a todos los buckets de GCS en el proyecto y descargar imágenes de contenedores privados del Artifact Registry interno de Google. La solución de Google requiere configurar explícitamente Bring Your Own Service Account (BYOSA) para aplicar el privilegio mínimo de IAM, un paso de configuración adicional que los equipos de seguridad empresarial ahora deben incorporar en su proceso de implementación.

Para quién está diseñado Vertex AI

Equipos de ciencia de datos empresariales en GCP: El caso de uso principal y más fuerte. Si sus datos residen en BigQuery, su computación se ejecuta en GKE y tiene una cuenta de facturación de GCP existente, Vertex proporciona un entorno de MLOps unificado que reduce significativamente la sobrecarga de infraestructura. Feature Store, Pipelines y Model Monitoring se integran directamente con las herramientas nativas de Google.

Ingenieros de MLOps que necesitan Kubeflow gestionado: Vertex Pipelines es un entorno de Kubeflow gestionado. Los equipos que necesitan orquestación de pipelines sin ejecutar su propio clúster de Kubeflow en GKE se benefician de la gestión de Vertex. El límite son los metadatos: Vertex Pipelines tiene un tope de 10 millones de artefactos por proyecto.

Empresas sensibles al cumplimiento normativo: Las cargas de trabajo de HIPAA, SOC 2 y FedRAMP que necesitan que los datos permanezcan dentro de un límite de VPC y no pueden permitir que los datos de uso lleguen a los proveedores de modelos obtienen esa garantía de Vertex. La disponibilidad general (GA) de junio de 2024 de Claude en Vertex (con los términos completos de cumplimiento empresarial de Anthropic) se diseñó específicamente para este perfil de comprador.

Equipos que construyen aplicaciones de IA generativa de múltiples proveedores: Model Garden permite que un solo equipo experimente con Gemini, Claude, Llama y modelos personalizados ajustados bajo un único marco de gobernanza sin negociar acuerdos empresariales separados con cada proveedor de modelos.

Lo que Vertex AI no es

Vertex no es un buen punto de partida para desarrolladores independientes o equipos pequeños sin infraestructura de GCP. Google AI Studio en aistudio.google.com da acceso a los modelos Gemini con una simple clave API y sin configuración de IAM. Para los desarrolladores que solo quieren llamar a Gemini, Vertex añade complejidad sin ningún beneficio a menos que se necesiten los controles de cumplimiento.

No es un camino hacia los modelos de OpenAI. GPT-4 Turbo y GPT-5 están disponibles exclusivamente en Azure AI Foundry para clientes de nube gestionada. Vertex tiene Claude y Gemini, que son alternativas sólidas, pero no son compatibles a nivel de API con OpenAI. Los equipos que migren cargas de trabajo que asuman las firmas de la API de OpenAI tendrán que reelaborar las integraciones independientemente de la elección de la nube.

No es adecuado para equipos que necesitan precios predecibles de tarifa plana. El modelo de facturación multidimensional (tokens, computación, almacenamiento, QPM, fundamentación, eventos de sesión) dificulta la previsión de costos sin herramientas dedicadas de FinOps. Los equipos que se han visto afectados por sorpresas en la facturación de la nube deben establecer alertas de presupuesto agresivas antes de implementar cualquier endpoint siempre activo o cargas de trabajo de Agent Engine.