Matriz de decisión: API, RAG o fine-tuning

Cuadrante de colisión

Cada caso enfrenta la solución canónica con el distractor con el que más se confunde. Es una heurística de este proyecto, no una regla de Google ni del examen: la variable frontera indica qué cambiaría la decisión.

Filtrar por variable frontera

D2
Una organización necesita extraer de forma masiva los datos de facturas y formularios con un formato estándar y repetitivo.
Solución canónica
[✓]
Distractor frecuente
[✗] LLM generalista procesando cada documento
Variable frontera
Volumen de usuarios o datos
Por qué
El esquema de estos documentos es estable y el volumen es alto, por lo que una API especializada entrega una salida estructurada predecible con un coste por página menor que el de un modelo generalista.
Lección
Herramientas de los agentes y APIs preentrenadas
D2
Una organización necesita traducir su catálogo de forma masiva y a bajo coste.
Solución canónica
[✓] / Document Translation API (si hay que conservar el formato)
Distractor frecuente
[✗]
Variable frontera
Coste
Por qué
Manda el coste unitario: la API especializada es la opción para traducir a gran volumen. se justifica cuando se busca transcreación o respetar el tono de marca.
Lección
Herramientas de los agentes y APIs preentrenadas
D2
Una organización quiere conocer el sentimiento y los motivos de contacto en todo el histórico de su contact center.
Solución canónica
[✓] ()
Distractor frecuente
[✗] Pipeline propio + LLM
Variable frontera
Plazo de entrega
Por qué
es el producto gestionado de este dominio: analiza las conversaciones a escala, con su sentimiento y sus motivos de contacto, sin construir nada. Un pipeline propio de y un LLM obliga a construir lo que el producto ya ofrece.
Lección
Gemini Enterprise for CX en el contact center
D2
Una organización atiende un canal telefónico con flujos regulados que incluyen pasos obligatorios.
Solución canónica
[✓] (determinista o híbrido)
Distractor frecuente
[✗] Agente puramente generativo
Variable frontera
Esfuerzo operativo
Por qué
La variable real es el determinismo: los pasos regulados exigen flujos predefinidos. La parte generativa queda para las preguntas abiertas, y combinar ambas cosas da un agente híbrido.
Lección
Gemini Enterprise for CX en el contact center
D2
Una organización quiere ayudar en directo a sus teleoperadores humanos.
Solución canónica
[✓]
Distractor frecuente
[✗] Chatbot autónomo
Variable frontera
Esfuerzo operativo
Por qué
La variable real es el rol humano: ayuda en tiempo real al teleoperador con sugerencias, resúmenes y artículos, pero no lo sustituye. Un chatbot autónomo, en cambio, lo sustituye.
Lección
Gemini Enterprise for CX en el contact center
D2[Ampliación]
Una organización necesita clasificar millones de registros que ya tiene almacenados en su data warehouse.
Solución canónica
[✓] Funciones generativas de (SQL)
Distractor frecuente
[✗] Exportar a scripts externos
Variable frontera
Esfuerzo operativo
Por qué
La clasificación se hace in situ: las funciones generativas de llaman a desde SQL sin sacar los datos del almacén, al alcance de los analistas SQL. Exportar a scripts externos obliga a mover los datos.
Lección
RAG gestionado, RAG APIs y agentes a medida
D3[Ampliación]
Un equipo consulta un expediente extenso y cerrado varias veces a lo largo de la misma jornada, sin que el contenido cambie entre una consulta y la siguiente.
Solución canónica
[✓] con context caching
Distractor frecuente
[✗] Un pipeline RAG completo
Variable frontera
Coste
Por qué
El expediente se reutiliza muchas veces en la misma sesión, así que el caché de contexto reduce el coste de las consultas repetidas frente a construir un pipeline RAG completo; para una consulta única bastaría el prompt estándar, sin caché.
Lección
RAG, caché de contexto o fine-tuning
D3
Una organización necesita un buscador para miles de empleados sobre una documentación que cambia a diario.
Solución canónica
[✓] /
Distractor frecuente
[✗] Caché de contexto o fine-tuning
Variable frontera
Frescura del dato
Por qué
Deciden el volumen, la frescura del dato, porque la documentación cambia a diario, y la concurrencia de miles de empleados. ofrece búsqueda y RAG gestionado sobre datos corporativos.
Lección
Grounding y RAG en Google Cloud
D2
Un gestor de producto quiere probar variaciones de un prompt en cuestión de minutos, usando su cuenta personal y sin depender de un proyecto corporativo.
Solución canónica
[✓]
Distractor frecuente
[✗]
Variable frontera
Plazo de entrega
Por qué
Lo que prima es la velocidad de entrada: probar la idea sin preparar un entorno enterprise, porque crea el proyecto y la clave en minutos. añade la gobernanza enterprise de , que aquí solo ralentizaría el prototipo.
Lección
Agent Platform: Model Garden, AutoML y Agent Studio
D2
Una organización necesita un bot de producción que funcione con , y SLA.
Solución canónica
[✓] /
Distractor frecuente
[✗]
Variable frontera
Esfuerzo operativo
Por qué
La variable real es la gobernanza enterprise: despliega aplicaciones de producción con la gobernanza de , que incluye , y SLA. está pensado para prototipar y no ofrece VPC Service Controls ni SLA de producción.
Lección
Agent Platform: Model Garden, AutoML y Agent Studio
D1
Una organización necesita un modelo que se ejecute en sus propios servidores, sin conexión.
Solución canónica
[✓] (pesos abiertos)
Distractor frecuente
[✗] vía API pública
Variable frontera
Esfuerzo operativo
Por qué
Las variables reales son la soberanía y la conectividad: tiene pesos descargables y se despliega en local. Frontera: si el cliente dispone de Google Distributed Cloud air-gapped, también puede ejecutarse allí.
Lección
Modelos de Google: Gemini, Gemma, Imagen y Veo
D4[Ampliación]
Una empresa necesita detectar y filtrar información personal identificable antes de que los prompts salgan hacia el modelo, cubriendo formatos y países distintos.
Solución canónica
[✓]
Distractor frecuente
[✗] Expresiones regulares caseras
Variable frontera
Esfuerzo operativo
Por qué
Los detectores gestionados de cubren tipos de PII muy diversos con validación continua, mientras que mantener expresiones regulares propias exige un esfuerzo operativo creciente cada vez que aparece un formato nuevo de dato personal.
Lección
IA segura: SAIF y herramientas de seguridad
D4[Ampliación]
Una organización necesita acreditar la procedencia de las imágenes que genera con modelos de IA de Google.
Solución canónica
[✓]
Distractor frecuente
[✗] Metadatos EXIF
Variable frontera
Esfuerzo operativo
Por qué
La variable real es la robustez: es una marca de agua imperceptible diseñada para resistir ediciones habituales, como recortes, filtros o compresión, aunque no es infalible ante manipulaciones extremas; los metadatos EXIF se pierden o se borran con facilidad.
Lección
IA responsable: privacidad, equidad y AI Principles

Trío de adaptación

RAG, ventana de contexto con caché y fine-tuning resuelven problemas distintos. La tabla compara las tres opciones con las mismas variables de negocio.

La caché de contexto es contenido de [Ampliación]: no figura en el material oficial de Google para preparar el examen, pero ayuda a razonar frente a RAG.

Trío de adaptación: qué ofrece cada opción según la variable de negocio
Variable	RAG / Agent Search	Ventana de contexto + context caching	Fine-tuning
Coste	Pagas por mantener el índice y por cada búsqueda. Compensa cuando el corpus es grande y se consulta a menudo.	Pagas por mantener el contexto en caché. Compensa solo si el mismo contexto se reutiliza muchas veces; una consulta única no se beneficia.	Inversión inicial en preparar ejemplos y ajustar el modelo, más su mantenimiento. Se justifica por un comportamiento que el prompt no consigue.
Plazo de entrega	Días o semanas con gestionado; meses si se construye a medida.	Inmediato: el corpus se envía en el prompt, sin indexar ni entrenar.	El más lento: hay que reunir ejemplos de calidad, ajustar y evaluar antes de producción.
Frescura del dato	La mejor opción: el índice se actualiza cuando cambian los documentos y las respuestas pueden citar la fuente.	Válida mientras el corpus no cambie; si cambia, hay que volver a cargarlo.	Ninguna: lo aprendido queda fijo en el modelo. Nunca sirve para mantener datos actualizados.
Volumen de usuarios o datos	Escala a corpus que no caben en la ventana de contexto y a miles de usuarios concurrentes.	Limitada a un corpus acotado que cabe en la ventana de contexto.	No depende del volumen de consultas, sino de disponer de suficientes ejemplos del comportamiento deseado.
Esfuerzo operativo	Bajo con , que es gestionado; alto si se montan a mano el índice y la recuperación.	Mínimo: no hay índice que mantener, solo decidir qué contexto se reutiliza.	Alto: hay que mantener los datos de ajuste y repetir ajuste y evaluación cuando cambian los requisitos.
Cuándo NO usarla	Si el corpus es acotado y se reutiliza en sesiones de análisis (mejor ventana de contexto con caché) o si lo que falla es el comportamiento en una tarea o un dominio concretos, como clasificar, extraer o respetar terminología, tono o formato (mejor fine-tuning).	Si los datos cambian a menudo, no caben en la ventana de contexto o los consultan miles de usuarios (mejor RAG / ), o si es una consulta única.	Para aportar conocimiento factual que cambia o que hay que citar (mejor RAG / ), o si el prompt engineering aún no se ha agotado. Encaja para adaptar el comportamiento a una tarea o un dominio concretos: clasificación, extracción, terminología, tono, estilo o formato de salida rígido.

Para profundizar: RAG, caché de contexto o fine-tuning y Grounding y RAG en Google Cloud.

Document AI

Plataforma de Google Cloud, con procesadores preentrenados, que convierte el contenido no estructurado de los documentos en datos estructurados: digitaliza el texto con OCR, clasifica los documentos por tipo y extrae sus campos, como importes, fechas o nombres.

Ficha de Document AI

Translation API

API preentrenada de Google Cloud que traduce texto entre muchos idiomas y detecta el idioma de origen. Su traducción de documentos, la Document Translation API, conserva el formato original, y los glosarios mantienen la terminología propia de cada organización.

Ficha de Translation API

Gemini

Modelos fundacionales multimodales nativos de Google: procesan texto, código, imagen, audio y vídeo. Gamas: Pro (razonamiento complejo), Flash (equilibrio entre coste y latencia), Flash-Lite (volumen masivo a mínimo coste) y Nano (en el dispositivo). «Gemini» es también la marca de aplicaciones como la Gemini app.

Ficha de Gemini

Conversational Insights

Analítica de las conversaciones del centro de contacto: detecta el sentimiento, los motivos de contacto y los temas, y ayuda a vigilar el cumplimiento. La guía del examen la llama Conversational Insights; la guía de estudio y la formación de Google, Customer Experience Insights.

Ficha de Conversational Insights

Gemini Enterprise for CX

Suite de IA para el centro de contacto: reúne Conversational Agents, Agent Assist y Conversational Insights. Su nombre completo es Gemini Enterprise for Customer Experience; la guía del examen la sigue llamando Customer Engagement Suite.

Ficha de Gemini Enterprise for CX

Speech-to-Text

API preentrenada de Google Cloud que convierte la voz en texto con la tecnología de reconocimiento de voz de Google. Transcribe tanto grabaciones completas como audio en directo, por ejemplo llamadas, notas de voz o reuniones.

Ficha de Speech-to-Text

Conversational Agents / CX Agent Studio

Agentes que atienden al cliente por voz y chat en el centro de contacto; pueden ser deterministas, generativos o híbridos. La guía del examen los llama Conversational Agents; la guía de estudio y la formación de Google, Customer Experience Agent Studio (CX Agent Studio).

Ficha de Conversational Agents / CX Agent Studio

Agent Assist

Asistencia en tiempo real para los agentes humanos del centro de contacto mientras hablan con un cliente: sugiere respuestas, resume la conversación y propone artículos de la base de conocimiento de la empresa. Ayuda al agente, no lo sustituye.

Ficha de Agent Assist

BigQuery

Plataforma de datos de Google Cloud, totalmente gestionada y sin servidor, para almacenar y analizar grandes volúmenes de datos con SQL. Sus funciones de IA generativa llaman a modelos como Gemini desde SQL sin sacar los datos del almacén.

Ficha de BigQuery

Agent Search

Servicio gestionado de Agent Platform para crear experiencias de búsqueda y recomendaciones con IA sobre sitios web, documentos y datos estructurados propios. Funciona como RAG prebuilt listo para usar: indexa los datos, los recupera en cada consulta y genera resúmenes.

Ficha de Agent Search

Gemini Enterprise

Plataforma prebuilt de búsqueda corporativa, asistente de IA y agentes para los empleados. Conecta fuentes internas diversas, como el gestor documental o aplicaciones de terceros, respeta los permisos de cada usuario, se integra en intranets y paneles e incluye la Gemini Notebook API.

Ficha de Gemini Enterprise

Google AI Studio

Entorno web de Google para probar los modelos Gemini, experimentar con prompts y parámetros del modelo y prototipar rápido. Cuando el prototipo convence, genera el código que llama a la Gemini API con una API key.

Ficha de Google AI Studio

Agent Studio

Entorno de Agent Platform para probar modelos, refinar prompts, diseñar agentes en low-code, ajustar modelos y desplegar aplicaciones de IA generativa en producción, con la gobernanza de la plataforma (IAM, CMEK, auditoría, residencia de datos, SLA) según el servicio y la región.

Ficha de Agent Studio

Agent Platform

Plataforma unificada de ML de Google Cloud para construir, entrenar, desplegar y gestionar soluciones de ML, de IA generativa y agentes. Agrupa Model Garden, Model Builder, Agent Studio, Agent Search y Agent Runtime, con controles de gobierno según el servicio y la región.

Ficha de Agent Platform

Identity and Access Management

Servicio de Google Cloud que gestiona la autorización: decide quién puede hacer qué sobre cada recurso. Concede a cada identidad, sea una persona o un sistema, roles con los permisos que necesita sobre proyectos, datos o modelos.

Ficha de Identity and Access Management

VPC Service Controls[Ampliación]

Control de seguridad de Google Cloud que crea perímetros alrededor de servicios gestionados, como BigQuery o Cloud Storage, y limita desde qué redes se accede a ellos. Reduce el riesgo de exfiltración de datos con una capa independiente de IAM.

Ficha de VPC Service Controls

Gemma

Familia de modelos abiertos y ligeros de Google, construida con la misma investigación y tecnología que Gemini. Sus pesos son descargables: se puede personalizar con técnicas de ajuste y desplegar en local, en el edge, en dispositivos o en una nube privada.

Ficha de Gemma

Sensitive Data Protection[Ampliación]

Servicio de Google Cloud que descubre, clasifica y desidentifica datos sensibles, como PII o credenciales, en repositorios y en flujos de datos. Inspecciona el contenido con detectores gestionados y lo enmascara, lo oculta o lo seudonimiza antes de usarlo.

Ficha de Sensitive Data Protection

SynthID[Ampliación]

Tecnología de Google DeepMind que inserta una marca de agua digital imperceptible en el contenido generado con modelos de IA de Google, ya sean imágenes, audio, texto o vídeo, y permite detectarla después para identificar ese contenido como generado.

Ficha de SynthID