La inteligencia artificial entra en su segundo acto

Llevo ya bastantes años trabajando en el mundo TI y sigue haciéndome ilusión cuando una tecnología a la que dedicamos años de preparación llega al mercado y triunfa, a veces de forma incluso disruptiva. Es el caso de la inteligencia artificial, que pasó de ser un concepto con muchas expectativas a convertirse en el pilar sobre el que progresivamente se han ido invirtiendo considerables recursos para resolver no pocos problemas. La IA puede ser la solución para optimizar tiempos, automatizar procesos de manera inteligente, ayudar transversalmente a los negocios, pero ¿en qué punto se encuentra actualmente? Para muchos la IA está en su mejor momento, aunque, ¿qué pasaría si la revolución de la inteligencia artificial no estuviera en su clímax, sino apenas entrando en su segundo acto?

Alfredo Yepez, presidente de HPE España y vicepresidente senior para Latinoamérica y el sur de Europa.

Durante los últimos dos años hemos asistido a una carrera vertiginosa por modelos cada vez más ambiciosos y grandes, inversiones multimillonarias y hemos afirmado casi sin duda que vivimos en una nueva era dominada por gigantes capaces de entrenar sistemas colosales en centros de datos descomunales. Todo ello orbitando en torno al tamaño. Sin embargo, cada vez veo con mayor claridad las señales que apuntan en otra dirección y es que el verdadero cambio no tiene ya que ver con la escala, sino con la arquitectura.

El lanzamiento de ChatGPT en 2022 desencadenó una ola de experimentación sin precedentes. Empresas y administraciones empezaron a adoptar rápidamente estas herramientas para automatizar tareas, generar contenido o acelerar el desarrollo de software. La inversión acompañó este entusiasmo y más de dos tercios del gasto reciente en IA se ha venido destinando a entrenar modelos cada vez mayores en infraestructuras centralizadas. El enfoque era tan sencillo como, a más tamaño más capacidad y, por tanto, más valor.

La realidad empresarial, sin embargo, ha sido bastante más compleja. Diversos estudios recientes muestran que una parte significativa de los proyectos piloto de IA no llegan a generar el valor esperado o a escalarse a producción. El dato no es alentador, pero sí es revelador e incómodo. ¿Por qué? Porque explica una realidad que no conviene ignorar y es que no basta con contar con un modelo avanzado si la organización no está preparada para integrarlo y desplegarlo donde realmente impacta en el negocio. Tras el entusiasmo inicial, muchas compañías han entrado en una fase más exigente, en la que ya no se preguntan qué puede hacer el modelo, sino qué valor tangible aporta a sus negocios.

Mi percepción es que el obstáculo no es tecnológico, sino estructural. La experiencia nos dice que cuando estamos ante un modelo fundacional, por sofisticado que sea, solo es una pieza dentro de un ecosistema mucho mayor. Los datos que diferencian a bancos, industrias o autoridades sanitarias se distinguen porque son propios, están distribuidos y están sujetos a estrictas exigencias de confidencialidad. Para generar el valor requerido en cada caso, la IA debe acercarse a esos datos, entender su contexto y operar bajo reglas claras de seguridad y cumplimiento. Esa necesidad impacta por completo en cómo ha de ser la arquitectura que se requiere en cada caso y es en este contexto en el que emerge un nuevo paradigma: la inteligencia artificial distribuida, un modelo que acerca el procesamiento allí donde se generan y residen los datos, combinando entornos locales, extremo y nube.

Sobre esa nueva arquitectura comienza a desarrollarse la siguiente evolución: la IA agéntica, que, a diferencia de los modelos tradicionales, capaces de responder a instrucciones concretas, puede planificar, coordinar procesos, utilizar herramientas y ejecutar tareas complejas de forma autónoma, dentro de los límites, controles y políticas definidos por las organizaciones.

Para hacerlo, necesitan precisamente esa arquitectura distribuida. Los agentes ya no dependen únicamente de un modelo centralizado en la nube, sino que colaboran entre sí, acceden a distintas fuentes de información y operan allí donde se encuentran los datos. El entrenamiento centralizado sigue siendo esencial. Pero la inferencia y la adaptación se desplazan hacia entornos locales. La inteligencia artificial deja de ser un bloque compacto y empieza a comportarse como un sistema distribuido. Este enfoque permite combinar la escala global con el control local, alineando dos objetivos que hasta ahora parecían en tensión: competitividad y soberanía digital.

Este no es un ajuste técnico menor, sino un giro muy potente en la cadena de valor. La concentración en grandes centros de datos parecía inevitable por las enormes capacidades de cálculo requeridas para entrenar modelos masivos. En Europa, la cuota de proveedores locales en cloud cayó del 29 % al 15 % entre 2017 y 2024, mientras una parte más que significativa de la demanda se concentra en un reducido número de grandes proveedores cloud. Y estamos viendo que en lo que a inteligencia artificial se refiere, se repite la misma lógica de concentración. Sin embargo, cuando el valor depende del ajuste con datos propios y de la inferencia próxima al terreno, la arquitectura ya no puede permanecer centralizada.

Gran parte del valor se genera con datos locales y sensibles. Por eso el ajuste fino y la inferencia se realizan en centros de datos corporativos, hospitales o microcentros instalados en fábricas. Esta aproximación reduce dependencias y facilita la aplicación de estándares propios de seguridad y cumplimiento. La ventaja competitiva deja de estar vinculada exclusivamente al acceso al modelo más grande y comienza a estar ligada a la capacidad real para integrarlo en un ecosistema que combine entrenamiento centralizado y despliegue local.

Hablemos ahora de la latencia, porque introduce otra presión estructural no menor. Robots autónomos, redes eléctricas inteligentes o sistemas de trading no pueden esperar la respuesta de un centro de datos remoto. Por eso, otorgar capacidad de procesamiento en el extremo es crítico, porque contribuye a mejorar rendimiento y resiliencia, e impulsa infraestructuras regionales y conectividad especializada. Esta es la mejor manera para que la IA deje de ser un servicio lejano en la nube para convertirse en una capa distribuida que permea infraestructuras físicas y digitales.

En este nuevo marco y con un paradigma tecnológico en constante evolución, países y empresas pueden especializarse según sus ventajas comparativas. La competitividad deja de depender únicamente de financiar el mayor centro de datos del mundo. Pasa a basarse en la capacidad de articular un ecosistema coherente y resiliente. Más que una carrera por el tamaño, se configura un modelo de colaboración por capas.

Para los directivos, la implicación es directa. La próxima ola de valor en IA dependerá menos de controlar un modelo monolítico y más de orquestar capacidades diversas. Identificar datos diferenciales, desplegar infraestructura local cuando aporte ventaja e integrarse con proveedores globales cuando convenga, será más decisivo que apostar por el modelo más grande. La pregunta estratégica ya no es quién tiene el algoritmo más potente, sino quién sabe incorporarlo con inteligencia a su operativa.

La revolución de la inteligencia artificial no ha terminado, sigue evolucionando. Tras la fascinación por la escala, comienza una etapa en la que la arquitectura, el contexto y el control definirán un éxito que ya no estará dictado por construir sistemas más grandes, sino por entender dónde se han de desplegar para que generen un valor real y sostenible.