IA privada o LLM local: ¿hace falta un modelo propio?

IA privada, en la boca de un proveedor o de un consultor, casi siempre quiere decir lo mismo: correr un LLM local, un modelo de lenguaje instalado en tus propios equipos, para que ningún texto salga de la oficina. Es una solución real y en algunos casos es la correcta. Pero hay otras formas de que el proveedor de IA no reciba los datos de tus clientes, y para un estudio, una clínica o una pyme puede ser la más cara.

Nonimo Gateway se instala en tus propios servidores. Ver planes y contactarnos.

La otra forma es seguir usando la API de un proveedor comercial y cambiar lo que le mandás: un proxy de privacidad reemplaza nombres, documentos y domicilios por marcadores antes de la llamada y los repone en la respuesta. Esta guía compara las dos con la Ley 25.326 al lado, para que decidas con los costos a la vista. No es asesoramiento legal.

Qué se entiende por IA privada

El término se usa para tres cosas distintas, y conviene separarlas porque resuelven problemas distintos.

Variante	Dónde corre el modelo	Qué recibe el proveedor	Qué tenés que mantener
LLM local en una computadora	En el equipo de cada persona	Nada	Cada equipo, sus actualizaciones y su seguridad
Modelo abierto en tus servidores	En tu sala de servidores o tu nube	Nada, salvo el proveedor de la nube	Servidores con GPU, el modelo, la seguridad, la calidad
API comercial con proxy de privacidad	En el proveedor del modelo	Texto con marcadores en lugar de datos personales	El proxy y la tabla de reemplazos, en tu servidor

Hay una cuarta que a veces se vende como IA privada: la cuenta de empresa de un proveedor, con contrato y sin entrenamiento con tus datos. Ayuda, pero el texto con los datos llega igual al proveedor. Qué hace cada uno con lo que recibe lo repasamos en es seguro ChatGPT.

Cuándo un LLM local tiene sentido

Tener el modelo en casa se justifica cuando se da alguna de estas condiciones:

• Los datos no pueden salir nunca, ni siquiera reemplazados. Por ejemplo, porque un contrato con un cliente lo prohíbe de forma expresa, o porque el texto delata a la persona aunque se le saque el nombre, como el relato detallado de un caso clínico raro.
• No hay conexión confiable. Una planta, un campo o una sede donde la IA tiene que funcionar sin internet.
• El volumen es enorme y repetitivo. Clasificar o extraer campos de cientos de miles de documentos con un modelo chico puede justificar el equipo propio.
• Tenés el equipo técnico. No una persona que lo instala un fin de semana, sino alguien que lo va a sostener durante años.

Si estás en el caso de los datos sensibles que identifican por contexto, un modelo propio puede ser la respuesta honesta, y lo decimos aunque no sea lo que vendemos.

Lo que cuesta un LLM local, en términos generales

No vamos a dar cifras, porque dependen del modelo, del volumen y de si comprás o alquilás. Pero sí podemos decir dónde está el costo, porque se repite en todos los proyectos:

1. Hardware. Los modelos de buena calidad necesitan GPU con mucha memoria. Se compran, con el dólar y los tiempos de importación que conocés, o se alquilan en una nube, que entonces vuelve a ser un tercero.
2. Energía y espacio, si los servidores son propios.
3. Personas. Alguien tiene que instalar el modelo, actualizarlo cuando sale una versión nueva, cuidar los accesos y medir si sus respuestas sirven para tu trabajo. Es el costo que más se subestima.
4. Calidad. Un modelo abierto que entra en tu servidor no siempre redacta un escrito o un informe con la calidad de los modelos comerciales grandes. Hay que probarlo con tus casos antes de comprometerse.

Y un costo legal: si el modelo corre en tu servidor, los prompts y las respuestas siguen siendo datos personales. La Ley 25.326 te pide seguridad (artículo 9), confidencialidad de todos los que intervienen (artículo 10) y que destruyas los datos cuando dejan de ser necesarios (artículo 4). El LLM local evita que el proveedor reciba los datos, pero no te saca la responsabilidad de cuidarlos.

Cuándo alcanza con la API y un proxy que seudonimiza

La mayoría de las tareas que un estudio o una pyme le pide a la IA no necesitan saber quién es la persona. Resumir un reclamo, redactar una nota, ordenar los hechos de un expediente o traducir un contrato funcionan igual con Cliente 1 que con el nombre real.

Ahí entra la seudonimización: cambiar los datos personales por marcadores antes de la llamada y guardar la tabla de equivalencias en tu servidor. El proveedor recibe texto sin nombres, documentos ni domicilios; cuando vuelve la respuesta, el proxy repone los datos reales. La guía de la AAIP para una IA responsable menciona la anonimización y la seudonimización entre las medidas de seguridad a considerar, junto con la minimización y el cifrado.

En términos de la Ley 25.326 el cambio es grande:

• El artículo 12, que limita las transferencias a países sin protección adecuada, como Estados Unidos según la lista de la AAIP, pierde peso si lo que viaja no identifica a nadie.
• El artículo 11 no exige consentimiento para ceder datos cuando se aplicó un procedimiento de disociación y los titulares son inidentificables.
• El artículo 4 pide datos adecuados, pertinentes y no excesivos. Mandar el CUIT de un cliente a un modelo para que corrija la redacción de un mail es, sin vueltas, excesivo.

Un matiz importante: seudonimizar no es disociar. La tabla existe y, del lado tuyo, los datos siguen siendo personales. Y si el texto identifica a la persona por contexto aunque no tenga el nombre, tampoco está disociado para el proveedor. La diferencia la explicamos en anonimización y disociación de datos.

Un ejemplo: una clínica que resume evoluciones

Una clínica de Córdoba, que llamaremos Clínica del Cerro, quiere que un sistema interno resuma las evoluciones de internación para el pase de guardia. Los datos son inventados:

Paciente: Horacio Benavídez, 67 años, HC 000000
Obra social: 000000/00
Evolución: internado por neumonía, afebril hace 48 h,
buena tolerancia oral, se plantea alta en 24 h.

Opción A, IA privada con un LLM local. La clínica compra o alquila un servidor con GPU, instala un modelo abierto y le pide al área de sistemas que lo mantenga. El texto no sale del edificio. A cambio, la calidad del resumen depende de lo que entre en ese servidor, y alguien tiene que hacerse cargo de todo eso todos los meses.

Opción B, la API con un proxy de privacidad. El sistema llama al mismo modelo comercial de siempre, pero a través de un proxy en el servidor de la clínica. Nombre, historia clínica y número de afiliado salen como marcadores; el diagnóstico y la evolución, que son lo que el modelo necesita, viajan. El resumen vuelve con los datos repuestos.

En la opción B, la neumonía viaja al proveedor. Si la clínica atiende casos raros que identifican al paciente aunque falte el nombre, o si su política no admite que ningún dato clínico salga, la opción A es la que corresponde. Si no, la B le ahorra el servidor y las personas. Cómo pensar la historia clínica frente a la IA está en historia clínica e IA.

Una tabla para decidir

Tu situación	Lo razonable
El texto identifica a la persona aunque se le saque el nombre	LLM local o no usar IA para eso
Un contrato prohíbe que cualquier dato salga, incluso reemplazado	LLM local
Las tareas son redactar, resumir, clasificar o traducir	API con proxy de privacidad
No tenés quien mantenga servidores con GPU	API con proxy de privacidad
Volumen masivo y repetitivo con equipo técnico propio	Evaluar LLM local con números reales

Nonimo Gateway, la opción B

Nonimo Gateway es un proxy de privacidad que se instala en tus propios servidores. Reemplaza los datos personales antes de que el pedido llegue a la API y los repone en la respuesta. Es compatible con la API de OpenAI, así que cambiás el base_url, y usás tu propia clave de OpenAI. Si ya tenés LiteLLM, se suma como plugin. Probalo con textos reales de tu operación antes de confiarle tráfico: lo que no reemplace, lo minimizás vos.

Los planes y precios están en la página de Nonimo Gateway.

Si querés ver cómo se compara con otras herramientas de detección y reemplazo, tenés el panorama de software de redacción de PII y la comparación con Microsoft Presidio, en inglés. Qué es un gateway y qué hace con los registros está en qué es un AI gateway, y por dónde se escapan los datos en tus propias apps, en fuga de datos con IA.

En resumen

Un LLM local es la respuesta cuando el texto no puede salir de ninguna forma, y tiene un costo en equipos y, sobre todo, en personas. Para la mayoría de las tareas de un estudio o una pyme, la IA privada que hace falta no es un modelo propio sino un proveedor que no reciba los datos: seguir con la API y seudonimizar antes de cada llamada.

Si querés probar esa opción en tus servidores, mirá los planes de Nonimo Gateway y escribinos.

Fuentes

Consultadas el 21 de octubre de 2026.

• Ley 25.326 de Protección de los Datos Personales. Texto actualizado en InfoLEG. Artículos 2 (dato personal y disociación), 4 (calidad de los datos), 9 (seguridad), 10 (confidencialidad), 11 (cesión) y 12 (transferencia internacional).
• AAIP, Guía para entidades públicas y privadas en materia de Transparencia y Protección de Datos Personales para una Inteligencia Artificial responsable, versión final. PDF oficial. Medidas de seguridad en la etapa de diseño: minimización, cifrado, anonimización y seudonimización.
• AAIP, Transferencias internacionales de datos personales. Página oficial. Países con protección adecuada.