IA privada o LLM local: ¿necesitas tu propio modelo?

IA privada suena a una sola cosa y son dos. La primera es un LLM local, o sea, un modelo instalado en equipos tuyos, sin que ni una palabra viaje a un proveedor. La segunda es seguir usando la API de un proveedor, como OpenAI, pero hacer que lo que le llega ya no identifique a nadie, porque los nombres, el RFC y la CURP se cambiaron antes de salir.

Para la mayoría de los despachos, clínicas y pymes mexicanas de 10 a 100 personas, el riesgo que preocupa bajo la Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP) son los datos personales, no el contenido del caso. Ahí la segunda opción suele bastar. El LLM local tiene sentido cuando lo que no puede salir es la información entera.

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

Las tres formas de tener una IA privada

opción	dónde corre el modelo	qué sale de tu red	quién lo opera
LLM local en tus servidores	en tu oficina o tu centro de datos	nada	tu equipo, de punta a punta
Modelo en tu propia nube	en tu cuenta de un proveedor de nube	nada fuera de tu cuenta	tu equipo, con la infraestructura del proveedor
API pública con proxy de privacidad	en el proveedor del modelo	el texto con marcadores en lugar de datos personales	el proveedor opera el modelo; tú, el proxy

Las tres son privadas en algún sentido. Lo que cambia es qué proteges y cuánto trabajo te cuesta.

Cuándo sí conviene un LLM local

Montar tu propio modelo es una decisión razonable en estos casos:

• El contenido es el secreto. Una estrategia de litigio, una fórmula, el plan de una fusión. Si quitas los nombres, lo valioso sigue ahí.
• Un contrato lo exige. Algunos clientes corporativos o de gobierno prohíben por escrito que su información salga de tu infraestructura, aunque vaya sin nombres.
• No hay conexión fiable. Una planta, una mina o una sucursal con internet intermitente.
• Tienes volumen alto y estable y un equipo técnico que ya opera servidores propios.

Si ninguna de estas aplica, lo más probable es que estés pensando en un LLM local para resolver un problema de datos personales, y ese problema tiene una salida más corta.

Los gastos de un LLM local que no salen en la cotización

No vamos a dar cifras, porque cambian cada trimestre y dependen del modelo, del número de usuarios y del tiempo de respuesta que esperes. Pero los rubros son siempre los mismos:

1. Hardware. Los modelos de lenguaje necesitan servidores con GPU y bastante memoria. Comprarlos o rentarlos en la nube es el gasto visible.
2. Energía y espacio. Equipos que consumen y calientan, en un lugar con respaldo eléctrico.
3. Personas. Alguien que instale el modelo, lo actualice cuando salga una versión nueva, mida si responde bien en español con tus documentos y aplique parches de seguridad. En una pyme suele ser la misma persona que ya lleva el correo y las computadoras.
4. Calidad. Los modelos de pesos abiertos que caben en un servidor modesto suelen ser más pequeños que los que ofrecen los grandes proveedores por API. Para resumir un expediente puede alcanzar; para un análisis fiscal largo, conviene probarlo con tus casos antes de comprar nada.

Y un detalle que se olvida: el LLM local no quita la LFPDPPP. Sigues tratando datos personales, y el artículo 18 te pide las mismas medidas de seguridad sobre ese servidor que sobre cualquier otro.

Cuándo basta con seudonimizar la petición

Si lo que te preocupa es que el proveedor reciba el nombre, el RFC o la CURP de tus clientes, no necesitas un modelo propio. Necesitas que esos datos no salgan.

La ley ayuda a ver por qué. El artículo 12 limita el tratamiento a lo necesario, adecuado y relevante para las finalidades de tu aviso de privacidad, y para redactar una respuesta la IA no necesita saber de quién habla. El artículo 9, fracción III, dice que no hace falta el consentimiento del titular cuando los datos pasan por un procedimiento previo de disociación.

Hay un matiz honesto. Si guardas una tabla para devolver los nombres en la respuesta, tú sigues pudiendo identificar a la persona, así que frente a ti no es disociación pura. Frente al proveedor que recibe el texto sí se le acerca mucho, siempre que el contexto tampoco delate a nadie. Lo explicamos con calma en la guía de disociación de datos personales.

Ejemplo: notas de evolución en una clínica de San Pedro

Una clínica de rehabilitación en San Pedro Garza García conecta su sistema de expedientes a la API de un modelo para resumir las notas de evolución al final del día. Una nota típica:

Paciente Rodrigo Ibarrola Treviño, CURP IATR881345HNLBRD02, 37 años. Evoluciona favorablemente tras la reconstrucción de ligamento cruzado; tolera ejercicios de cadena cerrada. Contacto: rodrigo.ibarrola@correo-ejemplo.mx.

Todo es inventado y la CURP lleva una fecha imposible. El dato de salud es sensible según el artículo 2, fracción VI, y el artículo 8 pide consentimiento expreso y por escrito para tratarlo. La clínica tiene tres opciones:

• Mandarlo tal cual a la API. El proveedor recibe un dato de salud asociado a un nombre y una CURP.
• Montar un LLM local para que nada salga. Resuelve el envío, a cambio de servidores con GPU y alguien que los cuide.
• Pasarlo por un proxy de privacidad. Al modelo le llega [PERSONA_1], [CURP_1] y [CORREO_1] con la nota clínica. El resumen regresa y el proxy vuelve a poner el nombre antes de guardarlo en el expediente.

Con la tercera, el proveedor recibe un diagnóstico que no puede asociar a nadie. La edad y la lesión podrían delatar a alguien en un pueblo pequeño; en una ciudad con miles de pacientes, mucho menos. Si el contexto es muy específico, se recorta antes. Cómo usar la IA con pacientes está en inteligencia artificial en la medicina.

Lo que no resuelve ninguna de las dos

Ni el LLM local ni el proxy te eximen de revisar tu aviso de privacidad, ni del deber de confidencialidad de tu equipo del artículo 20. Y si sigues mandando algo al proveedor, aunque vaya con marcadores, conviene revisar el contrato: si lo contratas por adhesión, el artículo 52 del Reglamento de la ley pide que el proveedor de nube no se quede con la titularidad de tu información y garantice la supresión al terminar el servicio.

Si comparas herramientas para quitar datos antes de la API, tenemos un repaso de software de redacción de PII y una comparación con Microsoft Presidio, las dos en inglés.

Nonimo Gateway: la API de siempre, sin los datos de tus clientes

Nonimo Gateway es la tercera opción de la tabla. Un proxy privado que se instala en tus propios servidores. Reemplaza los datos personales antes de que la petición llegue a la API y regresa los datos reales en la respuesta.

Es compatible con la API de OpenAI: cambias el base_url y sigues con tu propia llave. Reconoce el RFC y la CURP en textos mexicanos y tiene un plugin para LiteLLM. Los planes y precios están en la página de Nonimo Gateway.

Antes de decidir dónde corre tu IA, conviene entender qué es y qué guarda la capa que se pone delante, y lo contamos en qué es un AI gateway. Las rutas por las que los datos se escapan de una integración están en fuga de datos con IA en tus sistemas.

Si tu problema son los datos personales y no el contenido, prueba primero lo corto. Mira los planes de Nonimo Gateway y escríbenos y mídelo con tus propios casos antes de comprar un servidor con GPU.

Fuentes

Consultadas el 21 de octubre de 2026.

• Ley Federal de Protección de Datos Personales en Posesión de los Particulares, publicada en el DOF el 20 de marzo de 2025, última reforma DOF 14-11-2025. Texto vigente en la Cámara de Diputados. Artículo 2, fracciones VI y IX; artículos 8, 9, fracción III, 12, 18 y 20.
• Reglamento de la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, publicado en el DOF el 21 de diciembre de 2011. Texto en la Cámara de Diputados. Artículo 52, cómputo en la nube.