El Problema de Todos Lados: Por Qué “Datos en Cualquier Lugar” se Está Convirtiendo en el Desafío de Infraestructura Definitorio de la Era de la IA

La pregunta más importante en la IA hoy en día no es qué modelo es el más inteligente. Es dónde viven los datos y si la inteligencia puede alcanzarlos.

Durante la mejor parte de una década, la industria de la IA operó bajo un supuesto tranquilizador: centralizar los datos, centralizar el cómputo y la genialidad seguiría. El modelo de hyperscaler —centralizar vastos conjuntos de datos de entrenamiento en grandes clusters de nube y aplicar un cómputo masivo de GPU para comprimirlos en parámetros de modelo— produjo resultados extraordinarios, pero también una arquitectura que ahora se está estresando bajo el peso de su propio éxito.

Llámalo el problema de “datos en cualquier lugar”. A medida que la IA se filtra desde el laboratorio de investigación y hacia el tejido operativo de los hospitales, fábricas, instituciones financieras y gobiernos soberanos, los datos que deben informar estos sistemas son inherentemente distribuidos, jurisdiccionalmente restringidos y operacionalmente inamovibles. Los reguladores en Europa insisten en que los registros financieros de sus ciudadanos nunca abandonen el continente. Los datos de ensayos clínicos de una empresa farmacéutica en Basilea no pueden cohabitar legalmente con un conjunto de datos de genómica de Seúl en un cubo de nube.

Cualquiera que sea el caso, la inteligencia debe ir a los datos. Los datos, enfáticamente, no vendrán a la inteligencia.

La Economía del Cambio

Esta tensión estructural se vuelve aguda por una revolución simultánea en la economía de la IA. La industria está experimentando un reequilibrio tectónico de centrarse en el entrenamiento a centrarse en la inferencia, y las implicaciones para la arquitectura de datos son profundas.

Deloitte estimó que las cargas de trabajo de inferencia representaron la mitad de todo el cómputo de IA en 2025, una cifra que saltará a dos tercios en 2026. La proporción se está invirtiendo a una velocidad asombrosa. Los analistas estiman que para 2026, la demanda de inferencia superará la demanda de entrenamiento en 118 veces. Para 2030, la inferencia podría representar el 75% del cómputo total de IA, impulsando una inversión de infraestructura de $7 billones.

La matemática del costo es igualmente vertiginosa. Por cada $1 mil millones gastados en entrenar un modelo de IA, las organizaciones enfrentan $15–20 mil millones en costos de inferencia durante la vida útil de producción del modelo: una proporción ilustrada drásticamente por GPT-4, cuyo costo de entrenamiento fue de aproximadamente $150 millones, pero cuyos costos de inferencia acumulados alcanzaron $2.3 mil millones a fines de 2024. El entrenamiento, que una vez fue la obsesión de los inversores y oficiales de compras de IA, se está redefiniendo como una tarifa de matrícula única. La inferencia es el costo operativo perpetuo de la inteligencia, y ahora es el artículo dominante.

Aun así, aquí yace la paradoja: los costos de inferencia para un sistema de nivel GPT-3.5 cayeron más de 280 veces entre noviembre de 2022 y octubre de 2024, con los costos de hardware disminuyendo aproximadamente un 30% anualmente y la eficiencia energética mejorando un 40% por año. Los precios caen; el consumo se acelera más rápido. Los costos de inferencia por unidad cayeron 100 veces, mientras que Microsoft y Google informaron que las cargas de trabajo de IA crecieron 31 veces en la mitad de ese período.

La paradoja de Jevons, donde las ganancias de eficiencia impulsan un mayor uso de recursos, ha encontrado una expresión moderna en los clusters de GPU.

Dónde Viven los Datos, la Inteligencia Debe Seguir

La economía de la inferencia redefine fundamentalmente los requisitos de infraestructura, y en ningún lugar más que alrededor de la gravedad de los datos. La inferencia, a diferencia del entrenamiento, no es un trabajo por lotes que se ejecuta una vez en un centro de datos. Es un servicio continuo, sensible a la latencia, geográficamente distribuido, y solo es tan bueno como los datos que puede alcanzar en el momento de la consulta.

Este es el núcleo del desafío de “datos en cualquier lugar”.

Por ejemplo, un modelo de lenguaje que razona sobre la telemetría en vivo de un paciente en la UCI no puede permitirse un viaje de ida y vuelta de 200 milisegundos a un cluster de hyperscaler en la costa este. Un modelo de fraude de servicios financieros que ejecuta la inferencia en el punto de transacción no puede exfiltrar datos de cuenta a una jurisdicción donde violaría el GDPR. Un despliegue de IA soberano no puede basarse en infraestructura propiedad y operada por una entidad comercial extranjera.

Los laboratorios de vanguardia son muy conscientes de esto. El acuerdo de Anthropic con Google Cloud para hasta un millón de TPUs, que entrega más de un gigavatio de capacidad de cómputo de IA para 2026, señala cómo los laboratorios líderes están invirtiendo a una escala sin precedentes para dar forma a la huella de infraestructura global de la inferencia.

Una Taxonomía de la Intensidad de los Datos

No todos los sistemas de IA enfrentan este desafío de la misma manera, y es instructivo considerar una taxonomía aproximada, ya que hay varios tipos de modelos de IA y complejidad. Desglosemos esto con tres ejemplos básicos: LLM, imagen y modelos físicos.

Los grandes modelos de lenguaje —las familias Claude, GPT y Gemini— tratan principalmente con tokens de lenguaje: relativamente ligeros, comprimibles y susceptibles a técnicas de preservación de la privacidad como la privacidad diferencial o el aprendizaje federado. Su problema de “datos en cualquier lugar” es muy complejo.

Los modelos visuales generativos presentan un caso aún más difícil. Sistemas como Black Forest Labs’ FLUX.2 pueden producir imágenes de alta resolución, fotorealistas en menos de un segundo en hardware potente, pero generar una sola imagen requiere mucho más datos y cómputo que generar texto. A medida que la IA visual se mueve más allá de las herramientas creativas hacia la inspección industrial, la imagen médica y el análisis de satélites, los datos subyacentes a menudo son grandes, sensibles y difíciles de mover, lo que aumenta la necesidad de ejecutar la IA donde ya residen los datos.

La categoría más compleja es la IA física. NVIDIA’s Jensen Huang ha declarado que “la IA física ha llegado, y todas las empresas industriales se convertirán en empresas de robótica”. Nuevos modelos como NVIDIA’s Cosmos 3 apuntan a dar a las máquinas una comprensión generalizada del mundo físico combinando simulación, visión y razonamiento, mientras que empresas como Physical Intelligence están entrenando robots con datos del mundo real –incluyendo fuerza, movimiento y entradas visuales– para permitir un comportamiento más adaptable y autónomo.

La misma dinámica de escalado que mejoró los grandes modelos de razonamiento ahora se aplica a datos del mundo real como vibración, sonido y entradas de sensores. Pero esta información es inherentemente local. Un robot en una planta de fabricación no puede enviar datos visuales y táctiles en tiempo real a una nube distante para su procesamiento sin introducir retrasos que podrían crear riesgos de seguridad, lo que significa que la IA debe ejecutarse cada vez más en el borde, cerca de donde se generan los datos.

Confianza, Explicabilidad y Resultados

Este es el punto en el que el desafío de “datos en cualquier lugar” se convierte en un problema de gobernanza. A medida que la IA se aplica a decisiones de alto riesgo —desde diagnósticos de salud hasta modelos de riesgo financiero y sistemas de control físico—, las preguntas sobre dónde residen los datos están cada vez más vinculadas a quién es responsable de los resultados.

En el entorno regulatorio actual, la explicabilidad no es opcional. La Ley de IA de la UE, por ejemplo, requiere que los sistemas de alto riesgo demuestren la base de sus salidas, lo cual es difícil si los datos que informan esas decisiones están distribuidos en varios sistemas, jurisdicciones y marcos regulatorios.

La confianza, por lo tanto, se convierte en el requisito previo para la adopción a gran escala. El control sobre el entorno de datos se está convirtiendo en tan importante como el control sobre los modelos en sí.

La Próxima Generación de Infraestructura de IA

La resolución del desafío de “datos en cualquier lugar” definirá el mapa competitivo de la IA para la próxima década. La inferencia federada, los entornos de procesamiento de datos seguros, los modelos optimizados para el borde y los sistemas de orquestación que tienen en cuenta dónde se permite que resida los datos no son características técnicas de nicho, sino requisitos previos para la expansión de la IA más allá de los casos de uso donde los datos pueden centralizarse libremente.

Las empresas y gobiernos que construyan infraestructura capaz de entregar inferencia soberana, explicativa y de confianza —inteligencia que alcanza los datos en lugar de exigir que los datos viajen hacia ella— comandarán la brecha más duradera de la era de la IA. Entrenar un modelo más inteligente es cada vez más un problema resuelto y comoditizado. Desplegarlo de manera responsable, en el borde, a través de fronteras jurisdiccionales, contra datos que no pueden moverse, es el problema que queda.

Los datos en cualquier lugar no son un eslogan. Es el problema no resuelto más difícil en la IA empresarial. Y determinará si la capacidad extraordinaria desbloqueada por la inversión en entrenamiento de la última década se traducirá alguna vez, a gran escala, en resultados que el mundo pueda confiar.