He estado en el Open LLM Basque Day. Ponencias, debates, café con unas vistas excepcionales desde la planta 29 de la Torre Iberdrola. Y una palabra que aparecía en cada conversación: soberanía.
Soberanía tecnológica. Soberanía del dato. Modelos que no dependan de Washington ni de Pekín. En el mismo Bilbao, Elhuyar lleva décadas en tecnologías del lenguaje y ya tiene Llama-Eus. En HITZ, el centro de la EHU, adaptan modelos de Meta para euskera. En España, Alia es la infraestructura pública de IA del Gobierno: modelos abiertos en castellano y lenguas cooficiales —incluido el euskera—, entrenados en MareNostrum 5. En Suiza entrenan Apertus con 11.000 GPUs. El ecosistema está más cerca de lo que parece, y el debate es completamente legítimo.
Pero cuando volvía a casa, pensaba en mi versión de la soberanía. Que tiene bastantes menos GPUs.
De ChatGPT a Claude: lo que no he contado
Hace un año escribí sobre por qué volví a escribir en el blog y cómo un GPT personalizado con el corpus de mis posts me lo había puesto fácil. Lo que no he contado es todo lo que pasó después.
ChatGPT funciona bien para muchas cosas, pero hay un límite que me fue resultando incómodo: todo lo que le das vive en sus servidores. Tu corpus de textos, tus documentos, tus conversaciones. Eso no es soberanía. Es comodidad. Y no son lo mismo.
El salto a Claude no fue repentino. Fue gradual, y vino acompañado de un replanteamiento más profundo de cómo gestiono el conocimiento.
El experimento que no funcionó (y lo que aprendí de él)
En mayo escribí sobre el ruido que genera la IA cuando la usas sin criterio. Sin nombrarlo, hablaba de un sistema que se había puesto de moda: la idea de que un LLM puede actuar como mantenedor de una wiki personal, capturando todo lo que lees, generando resúmenes y cruzando referencias de forma automática.
La idea venía de Andrej Karpathy. Técnicamente sólida. Conceptualmente atractiva.
El problema fue la práctica: el sistema generaba tanto output —resúmenes, síntesis, notas automáticas— que acabé gestionando la IA en lugar de gestionar el conocimiento. Más ruido, no más señal. Lo quité.
Del experimento, sin embargo, me quedé con algo que sí tenía sentido: la búsqueda local.
La bóveda: manual, pero mía
Lo que monté en su lugar es más modesto y más deliberado.
Una bóveda en Obsidian donde archivo lo que leo —artículos, ponencias, transcripciones— con resúmenes generados por agentes de Claude. No es automatización ciega: cada activo pasa por un proceso que yo controlo. El LLM hace el trabajo tedioso de resumir y cruzar referencias; yo dirijo qué entra, qué se descarta y cómo se organiza.
La pieza clave que conservé del concepto original es QMD: un motor de búsqueda que funciona localmente, sin nube, sin API externa. Combina búsqueda por palabras clave y búsqueda semántica, y el índice vive en mi máquina. Cuando Claude Code necesita contexto para redactar un post o detectar conexiones entre ideas, consulta QMD. Sin enviar nada a ningún servidor externo, ni consumir tokens.
Eso es mi soberanía. No un modelo propio. No 11.000 GPUs. Un índice local en un Mac Mini.
Lo que ha cambiado en el flujo editorial
El resultado práctico es que el blog ya no funciona como antes.
Antes: una idea → un audio → ChatGPT → un post. Rápido, pero sin memoria. Cada artículo salía de la nada.
Ahora: una idea conecta con lo que he leído, con las ponencias que he procesado, con los autores que he archivado. Este mismo artículo sobre soberanía tiene contexto de la ponencia que escuché esta semana, cruzado con un documento que procesé hace mes y medio sobre gestión de conocimiento con LLMs. Sin buscar manualmente nada. La diferencia no es de velocidad, es de profundidad.
El sistema tiene memoria. Y esa memoria es local.
Sé que a escala de empresa esto suena a bricolaje. Y técnicamente lo es. A veces la mejor forma de entender un patrón es montarlo tú mismo a escala mínima. Pero el patrón es el mismo que se discutía en el Open LLM: quién controla los datos, quién puede consultarlos, quién decide qué se archiva.
Moraleja
La soberanía de IA no es solo un problema de estados y grandes organizaciones. Existe también a escala personal, y las implicaciones son parecidas: ¿dónde vive tu conocimiento? ¿Qué pierdes si cambias de proveedor?
Mi versión es modesta. Pero cuando pasé de ChatGPT a Claude, no perdí nada. Porque nada dependía de la nube.
A veces la soberanía no requiere 11.000 GPUs. Requiere criterio y un par de horas montando algo a mano.
¿Tienes algún sistema propio para gestionar lo que aprendes, o lo delegas todo a herramientas en la nube? Cuéntamelo en LinkedIn
Relacionados sugeridos
- Del Prompt Engineer al Context Engineer — la primera vuelta de tuerca: cuando afinar el prompt dejó de ser suficiente y empezó a importar el contexto completo
- ¿Quién entrena a tu IA? La nueva guerra del conocimiento — la misma pregunta a escala mayor: si tú controlas el índice, ¿quién controla el modelo?
- La economía de las suscripciones llega a las herramientas de productividad con IA — cómo decidir qué herramientas de IA merece la pena pagar y cuáles generan más coste que valor