Chris Miglino, director ejecutivo de Axe Compute: serie de entrevistas

Chris Miglino es director ejecutivo de Axe Compute y cuenta con más de dos décadas de experiencia en la creación, expansión e inversión en empresas tecnológicas. Cofundó Social Reality y ha trabajado con DNA Fund, aunando una trayectoria emprendedora con experiencia en mercados de capitales e inversión en infraestructura. En Axe Compute, se centra en los retos operativos y financieros que plantea ampliar la capacidad de computación dedicada para clientes empresariales de IA.

Axe Compute ofrece infraestructura de GPU dedicada en servidores físicos para cargas de trabajo empresariales de IA. Su servicio Axe Access brinda acceso a la capacidad de GPU disponible, mientras que Axe Build desarrolla infraestructura adaptada a las necesidades de los clientes a largo plazo. En esta entrevista, Miglino habla sobre la economía de las GPU, las limitaciones de suministro eléctrico, el rendimiento de los clústeres, las alianzas para la implementación y cómo el giro hacia la inferencia y los agentes de IA podría transformar la demanda de infraestructura empresarial.

Tu carrera abarca más de dos décadas de emprendimiento, desde la cofundación de Social Reality hasta la dirección de DNA Fund y tu actual puesto como director ejecutivo de Axe Compute. ¿Qué te atrajo inicialmente al mercado de infraestructura de IA y qué oportunidad identificaste que los proveedores tradicionales de servicios en la nube no estaban atendiendo adecuadamente?

La oportunidad que vi era sencilla: la IA avanza más rápido que la infraestructura creada para respaldarla. Llevo más de dos décadas creando, ampliando e invirtiendo en empresas, y ahí es donde he encontrado las mayores oportunidades: en esa brecha. Desde que cofunde Social Reality hasta mi trabajo en DNA Fund, siempre me han atraído los problemas fundamentales que ofrecen una vía clara para convertir nuevas tecnologías en valor comercial real. Las empresas invertían miles de millones en IA, pero muchas no conseguían capacidad fiable a un costo comercialmente viable. Los proveedores tradicionales de servicios en la nube han creado negocios extraordinarios, pero su infraestructura se diseñó para entornos flexibles y compartidos, no para cargas de trabajo de IA sostenidas e intensivas en computación que funcionan las 24 horas. Yo mismo he creado empresas, así que sé lo que necesitan: costos previsibles, acceso fiable y margen para crecer. Vi la oportunidad de crear infraestructura dedicada en función de las necesidades reales de la IA empresarial, para que las empresas controlaran su capacidad de cómputo sin tener que convertirse en operadoras de centros de datos. Por eso estoy en Axe Compute. Las empresas que construyan la infraestructura que sustenta la IA determinarán hasta dónde y con qué rapidez podrá expandirse esta tecnología.

A medida que las empresas aceleran la adopción de la IA, el acceso a la computación de alto rendimiento con GPU se ha convertido en un factor clave. ¿Cuáles son los mayores conceptos erróneos que tienen las empresas sobre sus necesidades de computación y cómo deberían evaluar la infraestructura dedicada de GPU frente a los servicios tradicionales en la nube?

El mayor concepto erróneo es pensar que más GPU se traducen automáticamente en un mejor rendimiento de la IA. La arquitectura que las rodea, la continuidad del acceso y los costos de funcionamiento son igual de importantes. El segundo es suponer que el modelo de nube diseñado para el software empresarial es también el adecuado para la IA. La nube pública es excelente para la experimentación, la demanda imprevisible y las cargas de trabajo que aumentan o disminuyen rápidamente. Pero, una vez que se pasa a producción y se ejecutan cargas de trabajo intensivas las 24 horas, la economía cambia. Ya no se paga por computación ocasional: se financia una operación industrial continua con un modelo de precios basado en el consumo. Les digo a las empresas que analicen la utilización, la duración de las cargas de trabajo, las necesidades de redes y el costo total a lo largo de varios años, no solo el precio por hora de las GPU. La infraestructura dedicada ofrece previsibilidad de costos y control para las cargas de trabajo sostenidas, pero la opción adecuada depende de cómo se planea utilizar la IA en la práctica.

Axe Compute ofrece dos modelos distintos, Axe Access y Axe Build, que proporcionan tanto disponibilidad inmediata de GPU como infraestructura de IA diseñada a medida. ¿Puedes explicar cómo funcionan estos modelos, a qué tipos de clientes se dirigen y cómo pueden determinar las organizaciones cuál se adapta mejor a sus cargas de trabajo de IA?

Creamos Axe Access y Axe Build porque las empresas no parten todas de la misma situación y no deberían verse obligadas a adoptar el mismo modelo de infraestructura. Axe Access está pensado para las organizaciones que necesitan capacidad dedicada de GPU ahora, ya sea para ampliar una operación existente, lanzar un nuevo modelo o dejar atrás a su proveedor actual. Axe Build está dirigido a los clientes que necesitan infraestructura dedicada diseñada en función de sus necesidades a largo plazo, desde la capacidad y la arquitectura hasta las operaciones. La diferencia depende del plazo, la escala y el grado de personalización. Si necesitas ejecutar cargas de trabajo de inmediato, empieza con la capacidad disponible. Si estás planificando una operación de IA plurianual, constrúyela para ese propósito. Para mí, lo importante es ofrecer a los clientes una vía práctica desde la demanda hasta la capacidad operativa, porque la tecnología solo tiene valor cuando se puede poner en uso.

Axe Compute ha anunciado más de 3.450 millones de dólares en proyectos de infraestructura de IA contratados, lo que refleja una demanda considerable de capacidad de computación dedicada. ¿Cuáles han sido los mayores desafíos para convertir estos compromisos en clústeres de GPU operativos y qué lecciones has aprendido sobre cómo ampliar la infraestructura a este ritmo?

La mayor lección es que captar demanda y ofrecer infraestructura son dos disciplinas muy distintas, y hay que destacar en ambas. Con más de 3.450 millones de dólares en proyectos contratados, cada etapa cuenta: las instalaciones, la energía, las adquisiciones, la financiación, las redes y el trabajo técnico necesario para poner en marcha los clústeres. Cada una tiene sus propios plazos, y un retraso puede frenar todo el despliegue. La energía es el factor más importante. Se pueden tener compromisos, capital y equipos preparados, pero sin energía nada de eso genera rendimiento. Hemos aprendido a crecer con disciplina en la secuencia de los proyectos, la selección de socios y la asignación de capital. Y nunca olvidamos que el valor de los proyectos contratados no equivale al de la infraestructura ya desplegada y que genera ingresos. Las empresas que ganen serán las que conviertan sistemáticamente sus compromisos en capacidad operativa fiable. La ejecución es nuestro modelo de negocio.

La disponibilidad de GPU suele dominar las conversaciones sobre infraestructura de IA, pero la electricidad, la refrigeración, las redes y la capacidad de los centros de datos pueden ser limitaciones igual de importantes. ¿Cuál de estos cuellos de botella considera que representa la mayor amenaza a largo plazo para la escalabilidad de la IA y cómo está abordando Axe Compute estos desafíos?

La electricidad. Casi todos los demás componentes de la infraestructura de IA pueden ampliarse o mejorarse más rápido que los sistemas eléctricos que la sustentan. La tecnología de GPU avanza rápidamente, se puede invertir capital y construir instalaciones, pero las líneas de transmisión, las conexiones a la red eléctrica y la generación a gran escala tienen plazos que a menudo superan con creces los ciclos de planificación de las empresas de IA. Necesitamos una red eléctrica diseñada en función de una demanda previsible para absorber nuevas concentraciones masivas de capacidad de cómputo, y eso no se resuelve gastando más en hardware. En Axe Compute, adaptamos el desarrollo de infraestructura a una disponibilidad energética realista y trabajamos con socios que conocen los despliegues de IA de alta densidad. La refrigeración y las redes son fundamentales, sobre todo a medida que aumenta la densidad de los racks, pero la disponibilidad de energía fiable y asequible determinará dónde se construye la infraestructura de IA y qué operadores pueden crecer de forma rentable.

Construir un clúster de IA de alto rendimiento implica mucho más que ensamblar miles de GPU. ¿Cómo influyen factores como la arquitectura de red, el rendimiento del almacenamiento, la orquestación de cargas de trabajo y la utilización de las GPU en el rendimiento en condiciones reales? ¿En qué aspectos suelen subestimar las empresas la complejidad técnica?

Las GPU acaparan toda la atención, pero su rendimiento depende de todo lo que las rodea, y es ahí donde las empresas subestiman la complejidad. Se pueden instalar procesadores extremadamente potentes, pero si la red no puede transferir datos entre ellos de forma eficiente o el almacenamiento no puede suministrárselos con suficiente rapidez, se está pagando por una capacidad que no se aprovecha. Esto es especialmente importante en el entrenamiento a gran escala, donde la comunicación entre las GPU puede influir considerablemente en el tiempo que tarda en completarse el entrenamiento de un modelo. La orquestación añade otra capa de complejidad, porque hay que gestionar la programación, la asignación de recursos, los fallos y los cambios en la demanda sin dejar capacidad ociosa. Yo mido el rendimiento en función de los resultados útiles, no de las especificaciones teóricas, porque un clúster bien aprovechado puede ser mucho más rentable que uno más grande que funciona de manera ineficiente. La infraestructura de IA requiere una optimización continua del hardware, el software y las operaciones. No es una compra de equipos que se haga una sola vez.

Axe Compute anunció recientemente una alianza estratégica con Penguin Solutions para acelerar los despliegues de infraestructura de IA a gran escala. ¿Qué capacidades técnicas y operativas concretas aporta esta alianza y cómo ayudará a reducir los plazos de despliegue sin comprometer la fiabilidad ni el rendimiento?

Penguin aporta tres cosas: servicios de despliegue y operaciones a cargo de expertos en ubicaciones específicas con clústeres de GPU; su software ClusterWareAI para gestionar las operaciones de los clústeres a gran escala; y cobertura ininterrumpida, las 24 horas del día, los 7 días de la semana, de un centro de operaciones de red, a cargo de un equipo de Penguin que trabaja junto al nuestro. Esto es importante porque la siguiente etapa del crecimiento de la infraestructura de IA dependerá de la eficiencia con que las empresas puedan desplegar y operar entornos complejos a gran escala. Desplegar un clúster de IA implica integrar sistemas de cómputo, redes, almacenamiento y gestión en un entorno que funcione de forma fiable con cargas de trabajo exigentes. Los especialistas de Penguin aumentan nuestra capacidad de ejecución, lo que nos permite desplegar más rápido, asumir más proyectos y reducir el riesgo de ejecución. El objetivo es que los despliegues sean más repetibles y previsibles sin comprometer el rendimiento, porque acelerar un proyecto solo genera valor si la infraestructura funciona de manera fiable una vez que entra en servicio.

A medida que la IA evoluciona más allá del entrenamiento de modelos a gran escala y avanza hacia la inferencia, los agentes autónomos y las aplicaciones en tiempo real, ¿cómo prevé que cambiarán las necesidades de cómputo de las empresas? ¿Este cambio transformará de manera fundamental el diseño, el despliegue y la distribución geográfica de los clústeres de GPU?

La inferencia acabará representando una parte enorme del mercado comercial de infraestructura de IA, sobre todo a medida que las empresas pasen de crear modelos a incorporar la IA en sus productos, operaciones y servicios de atención al cliente. El entrenamiento se concentra en periodos breves e intensos. La inferencia, en cambio, depende de la disponibilidad, la latencia, el rendimiento y la capacidad de atender millones de solicitudes de forma continua. Los agentes añaden otra capa: ejecutan varias tareas y recurren repetidamente a los modelos a lo largo de un flujo de trabajo. Cada solicitud puede ser pequeña, pero la demanda total crece rápidamente. Espero que los grandes clústeres centralizados sigan encargándose de las cargas de trabajo más exigentes, mientras que una capacidad más distribuida geográficamente atenderá las aplicaciones en las que importan los tiempos de respuesta y la residencia de los datos. Las empresas también elegirán con más criterio el hardware adecuado para cada carga de trabajo, en lugar de dar por sentado que todo necesita la GPU más potente. Lo que me entusiasma es que la demanda será mucho más diversa, lo que favorecerá a los proveedores capaces de ofrecer la capacidad adecuada, en los lugares adecuados y con una estructura de costos apropiada.

Desarrollar infraestructura de IA requiere una inversión de capital inicial considerable, mientras que la tecnología de GPU sigue avanzando rápidamente. ¿Cómo aborda Axe Compute los aspectos económicos de financiar y operar clústeres de GPU dedicados, y cómo pueden las empresas evitar quedar atadas a hardware costoso que podría quedar obsoleto antes de que termine su vida útil?

Hay que empezar por la demanda de los clientes, no por el hardware. Comprar equipos costosos y esperar que luego se utilicen es empezar por el lado equivocado. Esto no es un negocio de software: implica activos físicos de gran envergadura, plazos de construcción prolongados y una tecnología que mejora drásticamente en poco tiempo. En Axe Compute, nuestro enfoque se basa en la demanda contratada, un despliegue disciplinado y una infraestructura diseñada para clientes que necesitan capacidad sostenida. La obsolescencia es real, pero que una GPU ya no sea la más nueva no significa que carezca de valor comercial. No todas las aplicaciones de inferencia ni todos los sistemas empresariales de IA necesitan la última generación de hardware, y es posible prolongar la vida productiva de la infraestructura existente mediante una asignación inteligente de las cargas de trabajo. Los clientes deberían evaluar los aspectos económicos durante todo el contrato: la utilización, las necesidades de rendimiento y la flexibilidad a medida que avanza la tecnología. El objetivo es garantizar que la vida económica útil de la infraestructura justifique el capital invertido, no crear un modelo de negocio que dependa de que el hardware conserve para siempre su valor inicial.

De cara a los próximos tres a cinco años, ¿dónde ve las mayores oportunidades de innovación e inversión en infraestructura de IA? ¿Prevé que el mercado siga concentrado en manos de los hiperescaladores y los grandes proveedores de GPU, o podrían las empresas especializadas en infraestructura transformar radicalmente la forma en que las compañías acceden a la potencia de cómputo para IA?

Un mercado tan grande y complejo no podrá atenderse de forma eficiente con un puñado de proveedores que utilicen el mismo modelo de infraestructura. Los hiperescaladores seguirán teniendo una importancia enorme, pero soy muy optimista respecto a los operadores especializados durante los próximos tres a cinco años. Todavía estamos en una etapa inicial de convertir la inversión en IA en la infraestructura de la que las empresas dependen a diario. Las empresas tienen distintas necesidades en cuanto a rendimiento, soberanía de los datos, costos, plazos y ubicación geográfica, lo que abre un espacio real para operadores como nosotros. Las oportunidades de inversión que más me interesan están en la infraestructura energética, los sistemas de refrigeración más eficientes, las redes avanzadas y el software que mejora la utilización de las GPU, porque todos estos elementos inciden directamente en los aspectos económicos de la IA. La financiación también evolucionará a medida que los inversores se familiaricen con estos activos y con los flujos de efectivo que genera la capacidad contratada. Para Axe Compute, la oportunidad consiste en contribuir al desarrollo de este mercado haciendo que la capacidad de IA dedicada sea más accesible, previsible y escalable para las organizaciones que se toman en serio la integración de la IA en sus operaciones. Eso es lo que queremos decir con potencia de cómputo sin concesiones.

Muchas gracias por esta excelente entrevista. Los lectores que deseen conocer mejor la capacidad dedicada de GPU y la infraestructura de IA empresarial pueden visitar Axe Compute.