¿Qué es Vertex AI?

Actualizado en julio de 2026

Vertex AI es la plataforma unificada de Google Cloud para crear, implementar y gestionar modelos de machine learning e IA generativa a escala empresarial. Combina el entrenamiento de modelos, un mercado de modelos seleccionado llamado Model Garden, herramientas de creación de agentes e infraestructura de MLOps en una sola consola, de modo que los equipos de datos pueden pasar de la experimentación a la producción sin tener que integrar servicios independientes.

Esa definición sigue describiendo el producto, pero el nombre cambió. En abril de 2026, durante Google Cloud Next, Google renombró Vertex AI como Gemini Enterprise Agent Platform, incorporando Agentspace y reposicionando el servicio en torno a los agentes en lugar de limitarse a los modelos. Las API subyacentes, Model Garden, los pipelines de entrenamiento y los endpoints no cambiaron, y la mayoría de los profesionales, la documentación y las ofertas de empleo siguen diciendo "Vertex AI" por costumbre. Por esa razón, este artículo usa "Vertex AI" en todo momento y señala dónde el cambio de marca realmente modifica algo.

Qué Hace Vertex AI Realmente

Vertex AI cubre todo el recorrido desde los datos sin procesar hasta un modelo en funcionamiento, lo que la diferencia de una API de propósito único.

Entrenamiento de modelos y desarrollo personalizado. Los equipos pueden entrenar modelos personalizados desde cero usando AutoML para datos estructurados y tareas comunes, o crear pipelines de machine learning totalmente personalizados con su propio código, datos y cómputo. Vertex AI Pipelines, Feature Store y Experiments se encargan de la parte técnica: versionar conjuntos de datos, hacer seguimiento de las ejecuciones de entrenamiento y gestionar las características que alimentan un modelo.

Model Garden. En lugar de entrenar todo desde cero, la mayoría de los equipos empiezan aquí. Model Garden es un catálogo único de más de 200 modelos fundacionales de Google y sus socios, incluida la familia Gemini de Google, Claude de Anthropic, Llama de Meta, Mistral, Gemma, DeepSeek y Qwen. Los equipos pueden comparar modelos lado a lado, ajustar (fine-tuning) los que lo permiten e implementarlos con unos pocos clics en lugar de montar su propia infraestructura de servicio. Este es también el punto de partida de la mayor parte del trabajo de IA generativa en la plataforma, ya sea generación de texto, generación de imágenes con Imagen o generación de video con Veo.

Agent Builder. Esta es la parte de la plataforma que Google impulsó con más fuerza en el cambio de marca de 2026. Agent Builder agrupa el Agent Development Kit (ADK), un framework de código abierto y basado en código para crear agentes de IA en Python, Go, Java o TypeScript; Agent Studio, un lienzo low-code para diseñar flujos de trabajo agénticos; y Agent Garden, una biblioteca de plantillas de agentes prediseñadas. También incluye RAG Engine para anclar las respuestas de los agentes en los datos de la empresa, además de Agent Identity y Agent Registry para gestionar permisos y catalogar agentes una vez que una organización tiene más de un puñado en funcionamiento.

MLOps. Una vez que un modelo o agente está en producción, Vertex AI se encarga de la capa operativa: monitoreo de modelos para detectar drift y deterioro del rendimiento, registros de modelos versionados, disparadores de reentrenamiento automatizado y escalado de endpoints. Es la disciplina estándar de MLOps aplicada a nivel de plataforma. Para los equipos que construyen funciones de IA generativa en particular, esa capa operativa empieza a parecerse más a LLMOps, que abarca el versionado de prompts, los conjuntos de evaluación y la salud del pipeline de recuperación, más allá de la precisión del modelo.

Para Quién Es Vertex AI

Vertex AI está diseñada para equipos empresariales de machine learning y datos, no para desarrolladores individuales que experimentan con un solo prompt. La plataforma asume que usted ya cuenta con infraestructura de datos (lo más habitual, BigQuery), una configuración de gestión de identidad y acceso mediante Google Cloud IAM, y una razón para mantener modelos, pipelines y agentes dentro de un entorno gobernado en lugar de dispersos entre notebooks y claves de API personales.

En la práctica, eso significa que tres grupos obtienen el mayor valor de la plataforma. Los equipos de ciencia de datos e ingeniería de ML la usan para entrenar, versionar y servir modelos personalizados sin construir su propio stack de MLOps. Los equipos de aplicaciones y de plataforma usan Agent Builder y Model Garden para añadir funciones de IA generativa a productos existentes sin entrenar nada desde cero. Y los equipos de TI y gobernanza usan su identidad, el registro de auditoría y los controles de acceso para mantener el uso de IA en cumplimiento a medida que la adopción se extiende más allá de un solo equipo piloto.

Las organizaciones que ya operan en Google Cloud, en particular aquellas con datos alojados en BigQuery, tienen un camino considerablemente más corto hacia la producción que los equipos que parten de una cuenta en la nube vacía, porque la gravedad de los datos y la plataforma de IA conviven en el mismo lugar.

Cómo Se Fija el Precio de Vertex AI

Vertex AI usa un modelo de precios basado en el consumo, sin una tarifa plana de plataforma. Lo que usted paga depende de qué parte de la plataforma esté usando.

Las llamadas a modelos de IA generativa se facturan por token, con tarifas fijadas por modelo. A mediados de 2026, Gemini 2.5 Flash-Lite cuesta 0,10 USD por millón de tokens de entrada y 0,40 USD por millón de tokens de salida, mientras que el modelo insignia Gemini 2.5 Pro parte de 1,25 USD por millón de tokens de entrada y 10,00 USD por millón de tokens de salida. Los precios aumentan con ventanas de contexto más largas y bajan con modelos más pequeños y rápidos, razón por la cual los equipos que operan a gran volumen suelen enviar las consultas sencillas a un modelo más económico y reservar el más caro para las tareas más difíciles.

El entrenamiento personalizado y el cómputo se facturan por hora-nodo, con cargos de GPU y TPU añadidos sobre la tarifa base de cómputo. Una GPU NVIDIA A100, por ejemplo, cuesta aproximadamente 2,93 USD por hora en cómputo más una tarifa de gestión de Vertex AI de 0,44 USD por hora, unos 3,37 USD por hora en total. El ajuste fino supervisado se factura por tokens de entrenamiento procesados en lugar de por hora.

Los niveles de rendimiento (throughput) escalan automáticamente: el nivel Standard PayGo de Google aumenta el rendimiento disponible a medida que crece su gasto acumulado de 30 días, y existen descuentos por uso comprometido para cargas de trabajo predecibles, con Google ofreciendo generalmente plazos de compromiso más largos que AWS o Azure a cambio de una tarifa más baja.

El riesgo práctico es el mismo que aparece en todas las plataformas de IA de los grandes proveedores de nube: una tarifa por token anunciada parece pequeña hasta que se suman el volumen de inferencia, las ejecuciones de ajuste fino, el almacenamiento y la red a lo largo de un año completo. Modelar eso correctamente es exactamente para lo que sirve un marco de costo total de propiedad de la IA, y vale la pena hacerlo antes de comprometer presupuesto basándose únicamente en la cifra destacada por token.

Vertex AI vs. AWS Bedrock vs. Azure AI Foundry

Las tres plataformas de IA de los grandes proveedores de nube alojan modelos comerciales y de peso abierto líderes, admiten ajuste fino y se integran con los sistemas de identidad y almacenamiento de su propia nube. Las diferencias aparecen en la profundidad del catálogo, las herramientas para agentes y el ecosistema en el que usted ya está instalado.

Ninguna de las tres gana solo por calidad de modelo. Las diferencias de rendimiento entre los proveedores líderes suelen ser pequeñas, así que la decisión de plataforma normalmente depende de qué nube ya alberga sus datos, sus requisitos de cumplimiento y las habilidades de ingeniería que ya tiene su equipo, un tipo de disyuntiva que vale la pena analizar mediante una evaluación estructurada de proveedores de IA en lugar de una simple lista de funciones.

Datos Clave

• Google renombró Vertex AI como Gemini Enterprise Agent Platform en Google Cloud Next, en abril de 2026, absorbiendo Agentspace y reposicionando el producto en torno a los agentes, manteniendo intactas las API y los endpoints existentes, según la página oficial del producto de Google Cloud.
• Model Garden da acceso a más de 200 modelos validados de Google y sus socios, incluidos Gemma, Qwen, DeepSeek y Llama, según la página de Model Garden de Google Cloud.
• Los ingresos de Google Cloud superaron los 20.000 millones de dólares en un solo trimestre por primera vez en el primer trimestre de 2026, con un crecimiento interanual del 63%, según la cobertura de CNBC sobre los resultados de Alphabet del primer trimestre de 2026.
• Google Cloud posee aproximadamente el 12% del mercado global de infraestructura en la nube en 2026, por detrás de AWS con cerca del 31 al 33% y de Microsoft Azure con cerca del 23 al 25%, según datos de Synergy Research Group recogidos por BusinessStats.
• Gemini 2.5 Pro tiene un precio desde 1,25 USD por millón de tokens de entrada y 10,00 USD por millón de tokens de salida, mientras que Gemini 2.5 Flash-Lite cuesta 0,10 USD por millón de tokens de entrada y 0,40 USD por millón de tokens de salida, según el desglose de precios de Vertex AI de CloudZero de 2026.
• El entrenamiento personalizado en una GPU NVIDIA A100 cuesta cerca de 2,93 USD por hora en cómputo más una tarifa de gestión de Vertex AI de 0,44 USD por hora, unos 3,37 USD por hora combinados, según el análisis de precios de CloudZero.

Por Qué Vertex AI Importa para el Negocio

El argumento estratégico a favor de Vertex AI no es la calidad de los modelos, ya que Gemini, Claude y los modelos de la clase GPT intercambian el liderazgo cada pocos meses y las diferencias entre ellos suelen ser pequeñas. Es la capa operativa que rodea a los modelos: un solo lugar para entrenar, implementar, monitorear y gobernar el trabajo de IA en lugar de gestionar proveedores separados para inferencia, ajuste fino, orquestación de agentes y registro de cumplimiento.

Esa consolidación importa más a medida que el uso de IA se extiende más allá de un solo equipo piloto. Un vacío en el monitoreo de modelos, un agente sin gobernanza con demasiado acceso o una factura de ajuste fino sin seguimiento son el tipo de problemas que se mantienen pequeños cuando un equipo está experimentando, pero que se vuelven costosos una vez que una docena de equipos están lanzando funciones de IA de forma independiente. La cartera de contratos en la nube de Google Cloud, de 462.000 millones de dólares, reportada junto con sus resultados del primer trimestre de 2026, según el adelanto de resultados de Alphabet de IG.com, refleja cuánto gasto empresarial en IA se está comprometiendo hoy con años de anticipación en lugar de comprarse bajo demanda, que es exactamente el tipo de apuesta de plataforma para la que está construida Vertex AI.

Para las organizaciones que ya operan en Google Cloud, el atractivo práctico es la proximidad: datos en BigQuery, modelos en Model Garden y agentes en Agent Builder, todo dentro del mismo perímetro de IAM. Eso reduce el trabajo de integración necesario para pasar de un prototipo funcional a una función en producción, que suele ser la mitad más lenta de cualquier proyecto empresarial de IA.

Limitaciones que Debe Conocer

Vertex AI no es la opción predeterminada correcta para todos los equipos, y vale la pena sopesar algunas limitaciones antes de comprometerse.

• El cambio de marca de 2026 añade fricción. La documentación, los títulos de puesto, los tutoriales de terceros y los runbooks internos todavía hacen referencia a "Vertex AI", mientras que el nuevo marketing y algunas funciones más recientes hacen referencia a Gemini Enterprise Agent Platform. Espere inconsistencia en la nomenclatura durante un tiempo.
• Es más sólida dentro del ecosistema de Google Cloud. Los equipos sin infraestructura existente en GCP, en particular BigQuery, asumen trabajo de configuración adicional que los equipos nativos de AWS o Azure se ahorran en sus respectivas plataformas.
• Los costos están estratificados y pueden ser difíciles de predecir. El precio por token, el cómputo por hora-nodo, el almacenamiento y la red se facturan por separado, y una estimación aproximada basada únicamente en la tarifa destacada por token suele subestimar el gasto real.
• Las herramientas para agentes son más nuevas que el lado de entrenamiento de modelos. Agent Builder, ADK y Agent Registry se lanzaron o maduraron principalmente durante 2025 y 2026, por lo que el ecosistema de ejemplos, integraciones de terceros y talento disponible es menor que el de las funciones de entrenamiento e implementación de la plataforma, ya más consolidadas.
• La disponibilidad regional y de modelos varía. No todos los modelos de Model Garden están disponibles en todas las regiones de Google Cloud, algo que importa para los equipos con requisitos de residencia de datos.

Conceptos de IA Relacionados

• Generación Aumentada por Recuperación - La técnica que usa RAG Engine de Vertex AI para anclar las respuestas de los agentes en los datos de la empresa
• Integración de API - Cómo se conectan los modelos y agentes de Vertex AI con las aplicaciones empresariales existentes
• Servicio de Modelos - La capa de infraestructura que usa Vertex AI para exponer los modelos entrenados como endpoints de producción

Recursos Externos

• Gemini Enterprise Agent Platform (antes Vertex AI) - Descripción oficial del producto de Google Cloud
• Model Garden en Google Cloud - El catálogo oficial de más de 200 modelos disponibles a través de Vertex AI
• Precios de Vertex AI - Referencia oficial de precios de Google Cloud