La infraestructura d’intel·ligència artificial ha deixat de ser un experiment de laboratori per convertir-se en un pilar operatiu dins de les empreses. No obstant això, moltes organitzacions encara confonen desplegar un model amb tenir una plataforma d’IA privada madura. Amb l’arribada de VMware Cloud Foundation 9.1, el debat canvia: ja no n’hi ha prou de preguntar on s’executa el model, sinó com es governa. En aquest article explorem les claus per construir una IA privada real des de la sobirania, la identitat, la gestió de GPUs i les operacions, tot sobre VCF 9.1.
Per a empreses com Q2BSTUDIO, que desenvolupem aplicacions a mida i solucions d’IA, aquest enfocament és natural. El nostre dia a dia consisteix a integrar tecnologia cloud, ciberseguretat i business intelligence perquè els clients obtinguin valor real de les seves dades. La IA privada no és només un tema tècnic; és un model operatiu que exigeix repensar com es gestionen les dades, els accessos i els recursos de còmput.
De la ubicació del model al govern de la IA
El primer error comú és reduir la IA privada a executar un model en un centre de dades propi. La ubicació física no garanteix sobirania. Sobirania significa control sobre on viatgen les dades, qui pot accedir-hi, quins models estan aprovats i com s’audita cada interacció. En VCF 9.1, la sobirania es dissenya des del principi: classificació de dades, límits de recuperació en RAG, retenció de prompts i respostes, i polítiques d’egrés. Sense aquests controls, tenir una GPU a casa no és més segur que utilitzar el núvol públic.
La identitat com a pla de control
Una IA privada no pot basar-se en claus API compartides o comptes locals. Necessita un model d’identitat robust que integri usuaris humans, identitats de servei, tokens d’automatització i connectors d’eines. VCF 9.1 estén el seu SSO unificat i suport per a OAuth 2.0, permetent que les plataformes d’IA s’integrin amb el directori corporatiu. Això és clau quan múltiples equips consumeixen serveis d’IA: científics de dades, desenvolupadors, aplicacions i processos CI/CD. La identitat no és un detall de seguretat; és la frontera entre un laboratori i un servei productiu.
Arquitectura de xarxa per escalar amb seguretat
El disseny de xarxa en IA privada ha d’anar més enllà d’una VLAN amb regles de firewall. VCF 9.1 introdueix VPCs aïllades per a projectes d’IA, VPCs compartides per a serveis comuns (registre de models, bases vectorials), VPCs d’accés a dades i VPCs d’inspecció d’egrés. L’objectiu és evitar dos extrems: el laboratori on tot és accessible i la sobrecàrrega d’aïllament que requereix tiquets manuals per a cada nou endpoint. La solució passa per zones de xarxa predefinides amb patrons de connectivitat aprovats i autoservei governat.
Gestió de GPUs: més enllà de l’assignació
La majoria dels projectes naufraguen perquè pensen les GPUs com un recurs estàtic. En realitat, l’arquitectura necessita perfils d’accelerador estàndard, quotes per projecte, models de compartició (vGPU, MIG, time slicing) i rutes de vida per a controladors i firmware. VCF 9.1 suporta des d’inferència lleugera en CPU fins a GPUs DirectPath per a càrregues dedicades d’alt rendiment. La clau és tractar la capacitat de GPU com un servei: aprovisionament, monitorització i rotació amb mètriques d’utilització, temperatura i latència.
Govern del model i RAG
No n’hi ha prou de tenir un catàleg de models. El cicle de vida ha d’incloure admissió, avaluació, aprovació, publicació, observació i retirada. En sistemes RAG i agents, el model base pot estar aprovat però la font de recuperació no. O un connector MCP pot ser segur en mode només lectura i perillós amb permisos d’escriptura. La plataforma ha de governar el model, les dades, les eines i el comportament en temps d’execució de forma conjunta.
Operacions amb visibilitat de tres nivells
La monitorització tradicional no serveix per a IA. Saber que la màquina virtual està encesa no indica si el model respon amb latència acceptable. VCF 9.1 inclou un panell d’observabilitat amb mètriques de model (temps fins al primer token, tokens per segon, taxes d’error) i mètriques de GPU (utilització, temperatura, consum). A més, la plataforma ha d’integrar alertes de seguretat, violacions de política i esdeveniments d’auditoria. Operar IA privada és una funció de SRE de plataforma, no una cua d’incidències d’infraestructura.
Un enfocament per fases per a la producció
Recomanem avançar en fases. Primer, definir el marc de govern abans de comprar més GPUs. Segon, construir la base de plataforma amb VCF, identitat, xarxes VPC i registre de models. Tercer, lliurar un primer servei controlat (per exemple, resum de documents). Quart, convertir aquest patró en un catàleg reutilitzable. Cinquè, operar, optimitzar i governar amb mètriques de cost i compliment. Saltar directament del laboratori a l’autoservei empresarial és la recepta del caos.
A Q2BSTUDIO, acompanyem les organitzacions en aquesta transformació. La nostra experiència en cloud AWS i Azure, ciberseguretat i Business Intelligence amb Power BI ens permet dissenyar plataformes d’IA privada que no només executen models, sinó que operen amb els mateixos estàndards de control que la resta de la infraestructura crítica. La IA privada en VCF 9.1 és una realitat tècnica; convertir-la en un servei empresarial governat és el veritable desafiament.
