Firebase + Vertex AI: arquitectura serverless con IA

El stack perfecto para startups y MVPs con IA

Firebase + Vertex AI es probablemente el camino más rápido para poner una aplicación con IA en producción. Firebase maneja la infraestructura (auth, database, hosting, functions) y Vertex AI provee los modelos (Gemini, embeddings, fine-tuning).

¿Por qué elegir Firebase y Vertex AI en lugar de gestionar infraestructura propia?

Firebase y Vertex AI eliminan la fricción operacional porque integran la capa de datos, autenticación e inferencia bajo el ecosistema unificado de Google Cloud. Esta combinación permite desplegar soluciones de inteligencia artificial generativa con escalabilidad automática, gobernanza de datos estricta y sin necesidad de aprovisionar servidores ni exponer credenciales críticas en clientes web o móviles.

Componentes clave

• Firebase Auth — Autenticación con Google, email, phone en 5 minutos
• Firestore — Base de datos NoSQL en tiempo real, escala automáticamente
• Cloud Functions for Firebase — Serverless functions que se disparan por eventos
• Vertex AI — API de Gemini, embeddings, y modelos custom
• Firebase Extensions — Hay extensiones de Vertex AI pre-hechas

Patrón: Chatbot con RAG en Firestore

Un patrón común es usar Firestore como vector store para RAG:

1. Documentos se guardan en Firestore con su embedding (vía Vertex AI Embeddings API)
2. Query del usuario se convierte a embedding
3. Búsqueda vectorial en Firestore (soporta cosine similarity nativo desde 2025)
4. Documentos relevantes se pasan como contexto a Gemini vía Vertex AI
5. Respuesta se almacena como actividad en Firestore

Implementación técnica paso a paso

Para implementar este patrón sin comprometer la seguridad ni la latencia del usuario final, se recomienda orquestar el flujo enteramente desde el backend utilizando Cloud Functions de segunda generación (basadas en Google Cloud Run). El proceso se desglosa técnicamente de la siguiente manera:

• Captura y preprocesamiento: Cuando un documento o fragmento de texto se crea en la colección de Firestore, un disparador en segundo plano (Firestore Trigger) limpia el texto, calcula tokens y solicita el vector a la API de Vertex AI (modelo text-embedding-004).
• Indexación vectorial: El vector de 768 dimensiones se persiste en un campo de tipo array dentro del mismo documento. Firestore aplica un índice de tipo vector search configurado para distancia coseno o producto punto.
• Inferencia y contexto: Cuando el cliente envía una consulta mediante una Cloud Function invocable con Firebase Auth verificado, la función genera el vector de la consulta, ejecuta la búsqueda find_nearest en Firestore y concatena los mejores tres fragmentos al prompt del sistema dirigido a Gemini 1.5 Flash.

Comparativa técnica de stacks serverless para IA

Al seleccionar una infraestructura para aplicaciones con modelos de lenguaje, conviene analizar cómo compite este entorno frente a otras opciones líderes en el mercado de desarrollo ágil:

Criterio / Parámetro	Firebase + Vertex AI	Supabase + OpenAI API	AWS Amplify + Bedrock
Gestión de credenciales	IAM nativo sin API keys visibles	Requiere gestionar API key de OpenAI	AWS IAM con roles temporales
Base de datos vectorial	Firestore Vector Search nativo	PostgreSQL con extensión pgvector	Amazon OpenSearch o Aurora pgvector
Modelos insignia	Gemini 1.5 Pro, Flash e Imagen 3	GPT-4o, GPT-4o mini, DALL-E 3	Claude 3.5 Sonnet, Llama 3, Titan
Complejidad inicial de setup	Baja (integración en un clic con SDKs)	Media (configuración de migraciones SQL)	Alta (configuración de políticas IAM complejas)
Tiempo de frío en serverless	Bajo a medio (Cloud Functions v2)	Bajo (Deno Deploy / Edge Functions)	Medio (AWS Lambda)

Costos reales

Para una app con ~1,000 usuarios activos al mes:

• Firebase: $0 (plan Spark cubre 50K reads/día, 20K writes/día)
• Cloud Functions: ~$5/mes (100K invocaciones)
• Vertex AI Gemini Flash: ~$15/mes (1M tokens/día aprox)
• Total: ~$20/mes para un chatbot inteligente en producción

Según la documentación oficial de precios de Google Cloud Platform, el modelo Gemini 1.5 Flash mantiene una tarifa aproximada de 0.075 dólares por cada millón de tokens de entrada y 0.30 dólares por cada millón de tokens de salida (para prompts de hasta 128k tokens). Esto permite mantener una relación de costo-beneficio sumamente agresiva durante etapas tempranas de tracción.

Ventajas vs alternativas

Comparado con Supabase + OpenAI o AWS Amplify + Bedrock, Firebase + Vertex AI gana en velocidad de prototipado y integración nativa. Todo vive en Google Cloud, no hay que manejar API keys cruzadas, y el pricing es predecible.

Qué puede salir mal: riesgos técnicos y cómo mitigarlos

A pesar de la agilidad del ecosistema, existen desafíos de ingeniería que deben preverse antes del paso a producción masiva:

• Arranques en frío (cold starts): Cloud Functions v2 utiliza contenedores de Cloud Run. Si la aplicación no tiene tráfico constante, la función puede tardar entre 2 y 4 segundos en responder a la primera interacción. Esto se mitiga configurando un parámetro de minInstances = 1 en endpoints críticos, aunque añade un costo base mensual de cómputo.
• Costos imprevistos por loops de embeddings: Si un trigger de Firestore modifica el mismo documento que disparó la función sin una validación estricta de estado, puede generarse un bucle infinito de llamadas a la API de Vertex AI. Es indispensable implementar mecanismos de idempotencia y flags de procesamiento antes de ejecutar cada cálculo.
• Límites de cuotas por minuto (TPM/RPM): Por defecto, los proyectos nuevos en Vertex AI tienen límites estrictos de peticiones por minuto. Una subida súbita de usuarios puede generar errores HTTP 429. Se deben implementar colas de tareas con Cloud Tasks para amortiguar los picos de peticiones hacia los modelos de lenguaje.

Consideraciones para empresas en México y América Latina

Para organizaciones que operan en México y el resto de Latinoamérica, la arquitectura presenta implicaciones clave en términos de latencia y cumplimiento normativo:

En primer lugar, la latencia de red es un factor crítico. Dado que Firestore y Vertex AI aún no cuentan con todas las capacidades de cómputo de modelos avanzados en centros de datos locales de la región (como el centro de datos de Google en Santiago de Chile o Querétaro), la arquitectura suele desplegarse en la región us-central1 (Iowa). Para usuarios en México, la latencia de ida y vuelta promedio hacia Iowa oscila entre 40 y 70 milisegundos, cifra plenamente aceptable para interfaces conversacionales pero que requiere optimización de payloads si se maneja streaming de audio o video.

En segundo lugar, respecto al cumplimiento legal y fiscal, Google Cloud emite facturas deducibles a través de sus entidades locales (como Google México o Google Colombia), facilitando la deducibilidad tributaria frente a competidores internacionales que únicamente procesan cobros en dólares mediante tarjeta de crédito sin desglose fiscal local. Asimismo, Vertex AI garantiza contractualmente que los datos ingresados en prompts no se emplean para entrenar los modelos públicos de Google, resolviendo trabas de confidencialidad y protección de datos personales.