Cómo usan Bayer, Discovery Bank y Microsoft la IA sobre datos que no puedes subir a un chatbot

Por Nate from Nate's Substack · 19 de julio de 2026.

El artículo parte de un problema muy concreto: casi todo el mundo tiene un archivo que nunca subiría a un chatbot (un contrato, un dossier de un consejo, un registro de cliente), y aunque la IA podría ayudar con ese documento, el temor a enviarlo a un proveedor de modelos hace que el trabajo se siga haciendo a mano o directamente no se haga. Según Nate, las grandes empresas ya están invirtiendo dinero real para evitar tener que elegir entre esas dos opciones.

El primer ejemplo es Bayer. La compañía se enfrentaba a preguntas complejas de protección de cultivos que antes tardaban días o semanas en resolverse con la ayuda de un asesor agronómico, y que ahora se responden en menos de treinta segundos. No se trata de preguntas genéricas de agricultura: requieren analizar etiquetas de productos fitosanitarios que pueden superar las cien páginas, donde el producto, el cultivo, la ubicación y el uso concreto importan, y donde un resumen que suene fluido puede estar equivocado si pasa por alto la excepción que cambia la recomendación. La solución de Bayer fue hacer fine-tuning de un modelo pequeño de Microsoft, Phi, usando datos propios de etiquetas de producto, normativa regulatoria y preguntas y respuestas redactadas por expertos.

El segundo caso es Discovery Bank, que tomó una decisión similar para un tipo de trabajo distinto. El banco hizo fine-tuning de cinco variantes sobre dos modelos más pequeños de Azure OpenAI, 4o-mini y 4.1-mini. Estas variantes se entrenaron para tareas como entender el lenguaje financiero propio del banco, generar SQL en el formato que sus sistemas esperan, y seguir las plantillas de respuesta asociadas a flujos de trabajo específicos. Según cuenta el artículo, el tiempo medio de respuesta del banco pasó de cinco o seis segundos a entre segundo y medio y dos segundos.

En ambos casos, lo que las empresas aportaron fue precisamente lo que un modelo público no podía saber: su terminología, sus reglas, sus ejemplos y su propio estándar de lo que cuenta como una respuesta aceptable. El artículo señala que Microsoft afirma que los prompts, archivos de entrenamiento, resultados y modelos ajustados de sus clientes no se usan para mejorar el modelo fundacional general sin permiso, y que el modelo resultante del fine-tuning queda en exclusiva para ese cliente.

Nate traslada esa misma lógica a la escala de una sola persona con un portátil: en lugar de enviar un archivo sensible a un proveedor de modelos, se trae el modelo descargado hasta el archivo. Con LM Studio, según describe, una persona puede abrir un documento sintético o autorizado en la misma máquina donde corre el modelo y desconectar el ordenador de internet mientras trabaja. El artículo es explícito en matizar que esto no vuelve “conforme” al portátil ni hace que el modelo haya aprendido las reglas de la empresa, pero sí permite que el modelo señale posible material sensible, compare versiones, extraiga términos, resuma un documento privado o prepare una propuesta de copia redactada para que una persona la revise, sin enviar el texto a ningún proveedor.

La recomendación práctica que da el autor es empezar por un único documento: una prueba local permite ver qué tareas encajan en un portátil y en qué punto el uso compartido, la regulación, el volumen o la importancia operativa del proceso obligan a pasar a un sistema empresarial. Si esa prueba se convierte en una tarea recurrente, las personas empezarán a corregir las respuestas y a enseñar al sistema qué excepciones importan; en ese momento, advierte Nate, la empresa ya posee más que los archivos originales, y un consejo de administración debería saber si ese trabajo “enseñado” al sistema sobrevivirá a un cambio de modelo o de proveedor.

El correo adelanta además el contenido completo de esta entrega, pensada como un briefing ejecutivo dominical: la configuración exacta de LM Studio para leer un documento sensible con la red desconectada; el caso de una filtración en "Grok Build", en la que el modelo obedeció la instrucción de "no abrir estos archivos" pero el propio producto acabó subiendo todo el repositorio; el límite de hasta dónde llega un portátil antes de que el trabajo deba pasar a infraestructura empresarial; el movimiento de Microsoft hacia el "lock-in", es decir, cómo las correcciones y permisos del cliente acaban siendo la propia dependencia, junto con la pregunta clave para comprobar si un modelo es realmente "independiente"; y finalmente una guía descargable junto con un "skill" que incluye un enrutador de sensibilidad en rojo/ámbar/verde, pensado para aplicarse sobre los propios archivos del lector.

El correo cierra con una llamada a la acción para que el lector traiga el archivo que ha estado evitando trabajar con IA, y menciona que los miembros de pago ("Executive Circle") reciben además acceso a un servidor MCP del propio autor.