Los Modelos Mega No Son la Esencia de la Crisis de Cómputo

Cada vez que sale un nuevo modelo de IA —actualizaciones de GPT, DeepSeek, Gemini—, la gente se queda asombrada con el tamaño, la complejidad y, cada vez más, el hambre de cómputo de estos mega-modelos. La suposición es que estos modelos están definiendo las necesidades de recursos de la revolución de la IA.

Esa suposición es incorrecta.

Sí, los modelos grandes son voraces de cómputo. Pero la mayor tensión en la infraestructura de la IA no proviene de un puñado de mega-modelos, sino de la silenciosa proliferación de modelos de IA en various industrias, cada uno afinado para aplicaciones específicas, cada uno consumiendo cómputo a una escala sin precedentes.

A pesar de la competencia potencial de ganador-se-lleva-todo que se está desarrollando entre los LLM, el panorama de la IA en general no se está centralizando, sino fragmentando. Cada empresa no solo está utilizando la IA, sino que también está entrenando, personalizando y desplegando modelos privados adaptados a sus necesidades. Es la última situación la que creará una curva de demanda de infraestructura que los proveedores de nube, las empresas y los gobiernos no están preparados para manejar.

Hemos visto este patrón antes. La nube no consolidó las cargas de trabajo de TI; creó un ecosistema híbrido en expansión. Primero, fue la dispersión de servidores. Luego, la dispersión de máquinas virtuales. Ahora, la dispersión de la IA. Cada ola de cómputo condujo a la proliferación, no a la simplificación. La IA no es diferente.

Dispersión de la IA: Por Qué el Futuro de la IA Son un Millón de Modelos, No Uno

Finanzas, logística, ciberseguridad, servicio al cliente, I+D —cada uno tiene su propio modelo de IA optimizado para su propia función. Las organizaciones no están entrenando un modelo de IA para gobernar toda su operación. Están entrenando miles. Eso significa más ciclos de entrenamiento, más cómputo, más demanda de almacenamiento y más dispersión de infraestructura.

Esto no es teórico. Incluso en industrias que tradicionalmente son cautelosas con la adopción de tecnología, la inversión en IA está acelerando. Un informe de McKinsey de 2024 encontró que las organizaciones ahora utilizan la IA en un promedio de tres funciones comerciales, con manufactura, cadena de suministro y desarrollo de productos a la cabeza (McKinsey).

La atención médica es un ejemplo primordial. Navina, una startup que integra la IA en los registros electrónicos de salud para resaltar las perspectivas clínicas, acaba de recaudar $55 millones en financiación de serie C de Goldman Sachs (Business Insider). La energía no es diferente —los líderes de la industria han lanzado el Consorcio de IA de Open Power para llevar la optimización de la IA a las operaciones de la red y la planta (Axios).

La Tensión de Cómputo que Nadie Está Hablando

La IA ya está rompiendo los modelos de infraestructura tradicionales. La suposición de que la nube puede escalar infinitamente para respaldar el crecimiento de la IA está completamente equivocada. La IA no se escala como las cargas de trabajo tradicionales. La curva de demanda no es gradual —es exponencial, y los hiperescaladores no están manteniendo el ritmo.

• Restricciones de Energía: Los centros de datos específicos de la IA ahora se están construyendo alrededor de la disponibilidad de energía, no solo las redes troncales.
• Embotellamientos de Red: Los entornos de TI híbridos se están volviendo inmanejables sin automatización, lo que las cargas de trabajo de la IA solo exacerbarán.
• Presión Económica: Las cargas de trabajo de la IA pueden consumir millones en un solo mes, creando imprevisibilidad financiera.

Los centros de datos ya representan el 1% del consumo de electricidad global. En Irlanda, ahora consumen el 20% de la red nacional, una participación que se espera aumente significativamente para 2030 (IEA).

Suma a eso la presión que se avecina sobre las GPU. Bain & Company recientemente advirtió que el crecimiento de la IA está sentando las bases para una escasez de semiconductores, impulsada por la demanda explosiva de chips de centro de datos de grado (Bain).

Mientras tanto, el problema de sostenibilidad de la IA crece. Un análisis de 2024 en Sustainable Cities and Society advierte que la adopción generalizada de la IA en la atención médica podría aumentar sustancialmente el consumo de energía y las emisiones de carbono del sector, a menos que se compensen con eficiencias dirigidas (ScienceDirect).

La Dispersión de la IA Es Más Grande que el Mercado —Es un Asunto de Poder Estatal

Si piensa que la dispersión de la IA es un problema corporativo, piense de nuevo. El impulsor más significativo de la fragmentación de la IA no es el sector privado —son los gobiernos y las agencias de defensa militar, que despliegan la IA a una escala que ningún hiperescalador o empresa puede igualar.

El gobierno de los EE. UU. solo ha desplegado la IA en más de 700 aplicaciones en 27 agencias, cubriendo análisis de inteligencia, logística y más (FedTech Magazine).

Canadá está invirtiendo hasta $700 millones para expandir la capacidad de cómputo de IA nacional, lanzando un desafío nacional para fortalecer la infraestructura de centros de datos soberanos (Innovation, Science and Economic Development Canada).

Y hay llamadas crecientes para un “programa Apolo” para la infraestructura de la IA —destacando la elevación de la IA de ventaja comercial a imperativo nacional (MIT Technology Review).

La IA militar no será eficiente, coordinada ni optimizada para el costo —estará impulsada por mandatos de seguridad nacional, urgencia geopolítica y la necesidad de sistemas de IA cerrados y soberanos. Incluso si las empresas contienen la dispersión de la IA, ¿quién va a decirles a los gobiernos que se paren?

Porque cuando la seguridad nacional está en juego, nadie se detiene a preguntar si la red eléctrica puede manejarlo.