El pronóstico cambiante de la nube

Un patrón que he visto antes

Estaba trabajando profesionalmente cuando la nube se convirtió en algo importante. Desde esa perspectiva, vi la adopción inicial: la emoción, la flexibilidad, la sensación de que todo iba a moverse más rápido. Esto llevó a una adopción masiva, donde cada carga de trabajo era un candidato y cada proveedor tenía una historia de nube.

La adopción, sin embargo, fue solo la primera mitad de lo que vi. Luego vi el otro lado: la repatriación. Las empresas mueven cargas de trabajo específicas de regreso, preguntándose si cada aplicación realmente necesitaba flexibilidad en la nube. Ese segundo movimiento sucedió por una razón. Con cambios económicos y madurez de las cargas de trabajo, las suposiciones que hicieron que la nube fuera la elección obvia para literalmente todo dejaron de ser válidas una vez que las organizaciones comenzaron a examinarlas a escala.

Habiendo vivido el arco completo una vez, reconozco su forma cuando comienza a formarse de nuevo. Ahora, mientras ayudo a las empresas a resolver qué es lo que AI realmente debe hacer en sus entornos, el patrón de adopción/repatriación masiva comienza a parecer familiar.

La corrección de la nube

Para ver por qué la semejanza es importante, ayuda empezar con lo que realmente sucedió con la nube, en sus propios términos. El movimiento hacia la nube fue racional. Eliminó la fricción, dio a las organizaciones flexibilidad y velocidad, y tenía sentido para las cargas de trabajo que eran inciertas o cambiantes. Fue racional porque del tipo de trabajo para el que fue construida. Los equipos de DevOps se fueron a la nube primero porque la nube fue construida para el trabajo que es iterativo, variable o difícil de predecir.

Pero lo que estaban construyendo no se quedó quieto. La nube no cambió, pero las cargas de trabajo sí. A medida que los procesos maduraron y se volvieron predecibles, las organizaciones se familiarizaron con los costos alrededor de recuperar sus propios datos. Tarifas de egreso, costos de almacenamiento, cargos de transferencia: gastos que eran fáciles de ignorar cuando la flexibilidad valía la pena, y difíciles de ignorar una vez que las cargas de trabajo se estabilizaron. En 2024, después de años de cobrar por egreso de datos, AWS, Azure y Google Cloud todos renunciaron a esas tarifas para los clientes que migraban fuera de sus plataformas, según informó DataCenterDynamics.

Una vez que esos costos fueron visibles, la matemática dejó de funcionar para una parte creciente del portafolio. La economía que había hecho que la nube fuera una buena estrategia con algunas desventajas se convirtió en económicamente no viable para un conjunto creciente de cargas de trabajo orientadas a AI. Las empresas afilaron sus lápices y preguntaron si cada aplicación realmente necesitaba lo que la nube estaba proporcionando. Cuando realmente ejecutaron los números, la respuesta, para muchas cargas de trabajo, fue no.

Esas respuestas acumuladas se convirtieron en una corrección que la industria mal etiquetó. Esa corrección se convirtió en lo que se llama “repatriación de la nube”, y se describe de manera incorrecta la mayoría de las veces. En realidad, es madurez de las cargas de trabajo: empresas maduras que aprenden a emparejar cada carga de trabajo con el modelo de infraestructura que se adapta a ella. Los datos respaldan la lectura selectiva en lugar de la integral. IDC encontró que aproximadamente el 80% de las organizaciones esperan alguna repatriación en los próximos 12 meses, incluso cuando menos del 10% han repatriado cargas de trabajo completas, según informes en CIO.com.

Leer correctamente, la conclusión no es que la nube fue un error. La nube sigue siendo valiosa, pero dejó de ser universal. El estado maduro es híbrido: nube donde ha ganado su lugar, infraestructura privada o dedicada en todas partes.

Misma curva de corrección, diferente tecnología

Ese arco está terminado y etiquetado ahora. La misma forma está comenzando a formarse con AI. Cada proveedor, cada conferencia, cada llamada de ventas en este momento es sobre AI. La saturación es idéntica a lo que vi suceder con la nube. El gasto subyacente al ruido es real: Gartner prevé que el gasto mundial en AI generativa será de $644 mil millones en 2025, un aumento del 76,4% año tras año.

La misma saturación implica la misma corrección venidera. Creo que una corrección similar está llegando, no porque AI sea mala, sino porque la misma dinámica que produjo la repatriación de la nube se aplica aquí también. Está llegando porque las organizaciones están empujando con fuerza hacia flujos de trabajo impulsados por AI sin siempre saber, dentro de sus propios entornos, cómo termina la historia. La brecha de adopción versus madurez es medible: McKinsey encuentra que el 88% de las organizaciones ahora informan un uso regular de AI en al menos una función, sin embargo, la mayoría aún están pilotando y solo alrededor del 39% informan un impacto en los beneficios a nivel empresarial.

Empujar con fuerza sin una estrategia y el ajuste de cuentas no es un quizás. Esa corrección llega. Siempre lo hace. Empujas con fuerza sin una estrategia, y eventualmente la economía y la realidad operativa fuerzan un ajuste de cuentas.

Ya hay un nombre para el patrón correctivo, y no es mío. La repatriación de AI, el acto de mover tareas específicas fuera de sistemas de AI probabilísticos y de regreso a flujos de trabajo determinísticos una vez que esas tareas se vuelven estables y repetibles, no es un concepto que yo inventé. Es un patrón que estoy viendo desplegarse. No estoy solo en verlo: Gartner predice que más del 40% de los proyectos de AI agente serán cancelados para fines de 2027, citando costos en aumento, valor comercial poco claro y controles de riesgo inadecuados.

Qué se ve la corrección de AI

Para anticipar la corrección, ayuda tener definiciones claras para los dos tipos de flujos de trabajo involucrados.

Un flujo de trabajo determinístico es basado en reglas, predecible y repetible. La misma entrada y las mismas reglas producen la misma salida, cada vez. Es rápido, es fijo. Hace exactamente lo que está diseñado para hacer, nada más, nada menos. Un flujo de trabajo probabilístico utiliza AI o razonamiento basado en modelos para interpretar el contexto y producir una respuesta probable. Es útil cuando los procesos involucran ambigüedad, información no estructurada o llamadas de juicio donde las reglas fijas se rompen y las inferencias llevan la carga.

Con las definiciones establecidas, la pregunta de tiempo se responde por sí sola. Los flujos de trabajo probabilísticos a menudo son la herramienta correcta al principio, cuando los procesos no están completamente entendidos. Se vuelven problemáticos cuando las empresas continúan utilizandolos cuando los procesos están aclarados.

Un flujo de trabajo concreto hace que la distinción temprana versus tardía sea tangible. Parte de ese flujo de trabajo realmente requiere AI. Identificar la cuenta correcta a partir de una transcripción de llamada, por ejemplo, requiere inferencias que un sistema determinístico no puede hacer. Otras partes, como adjuntar un archivo a un registro o publicar una notificación, son tareas determinísticas. Una regla fija, una llamada de API directa, es la misma salida cada vez. Me declaro culpable de esto mismo: estoy construyendo una automatización interna que encadena transcripciones de llamadas, enruta información a nuestro CRM, asigna elementos de acción y envía actualizaciones a Slack.

La tentación es ejecutar todo a través de AI, y esa tentación conlleva una carga real y recurrente. Mientras hay una tentación de ejecutar todo a través de llamadas de AI, cada llamada de AI introduce latencia y conlleva un costo de uso y de infraestructura. Los sistemas de AI requieren monitoreo, gestión de prompts y guardias, porque el modelo subyacente está siendo desarrollado constantemente (y de manera impredecible) por su propietario. Nunca sabes cuándo comenzará a funcionar de manera diferente; las salidas pueden variar de maneras que crean problemas de gobernanza a escala, rápidamente.

Jugado lo suficiente, esa carga se convierte en pura pérdida. Piensa en una empresa que utiliza AI para analizar 50,000 tickets de soporte. AI identifica los cinco caminos de resolución más comunes. Al principio, AI maneja la ruta de manera probabilística: leyendo cada ticket y tomando una decisión. Con el tiempo, la empresa valida esos patrones. Los caminos de resolución ahora son conocidos. Convertirlos en ramas de flujo de trabajo determinístico no elimina AI del proceso, pero elimina la práctica redundante de pagar a AI para redescubrir respuestas que ahora son conocidas.

Esa es la carga probabilística: el costo agregado, la latencia y la carga de gobernanza de ejecutar AI como el tiempo de ejecución para el trabajo que ya no requiere razonamiento probabilístico.

Qué se ven los modelos de operación maduros

Si ejecutar trabajo resuelto en AI es un impuesto, el movimiento maduro es dividir el trabajo por tipo. La madurez de la nube produjo infraestructura híbrida, nube donde ganó su lugar, infraestructura dedicada en todas partes. Predigo que la madurez de AI producirá operaciones híbridas con la misma lógica.

Esa división produce una regla de operación clara. Los sistemas probabilísticos son valiosos donde existe ambigüedad genuina. Los humanos son ambiguos. La información no estructurada es ambigua. Los procesos que no están completamente entendidos son ambiguos. La inferencia es la herramienta correcta para todo eso. La otra mitad de la regla es igual de importante: los sistemas determinísticos son donde la escala, el costo, la velocidad y la gobernanza importan. La capa probabilística descubre e interpreta. La capa determinística ejecuta.

En la práctica, dos señales te dicen a qué lado pertenece una carga de trabajo determinada:

1. Si encuentras que tu equipo depende de AI para algo que se ha vuelto estable, repetible y bien entendido, esa es una candidata para la repatriación, ya que estás pagando un impuesto probabilístico por trabajo determinístico.
2. Si encuentras que tu código determinístico se llena de controladores de excepciones y consideraciones de variabilidad, esa es una señal de que puede que realmente necesites AI. El conjunto de reglas está tratando de aproximar la inferencia.

En la práctica, ese límite se dibuja como un umbral de confianza. Un umbral de confianza específico, comprometiendo una decisión cuando el modelo está por encima del 90% de certeza, o fallando con gracia por debajo de ella, es a menudo donde se dibuja ese límite en la práctica.

Lo que reformula lo que realmente requiere ganar con AI. Las empresas más exitosas que adoptan AI no serán aquellas que lo usen más, sino aquellas que sepan cuándo usarlo y cuándo suplementarlo.