La IA privada necesita una infraestructura capaz de evolucionar con la carga de trabajo

Hace dos años, casi todas las empresas con las que hablaba suponían que la IA consistía en llamar a un modelo de frontera a través de una API. Esa idea está perdiendo fuerza. Los modelos de pesos abiertos ya son suficientemente buenos para muchas tareas cotidianas, y lo que suele dar valor a una aplicación empresarial de IA son los datos propios de la compañía, no el modelo que hay detrás. Cuando las empresas lo ven así, mantener el modelo cerca de sus datos y bajo su control es sencillamente lo más lógico.

Eso es la IA privada. Ejecutas el modelo en tu propio entorno, lo ajustas con tu propia información y decides dónde funciona y a qué puede acceder. Si eres un banco o una empresa farmacéutica, nunca te habría resultado cómodo poner investigaciones confidenciales o registros de clientes en el entorno de otra empresa. Para las demás, el impulso proviene del coste de la inferencia a escala y de no querer depender de un único proveedor para algo que se está volviendo fundamental para el funcionamiento del negocio. Según la investigación de Linux Foundation, el 63 % de las empresas encuestadas utilizaba un modelo de IA abierto, lo que demuestra hasta qué punto ya se han adoptado estas alternativas.

La gente suele subestimar que, al llevar el modelo a tus propias instalaciones, también asumes la infraestructura necesaria. La energía, la refrigeración, la capacidad de cómputo, dónde se aloja y cómo se conecta con todo lo demás. Antes, de eso se ocupaba tu proveedor de la nube. Ahora te corresponde a ti. La mayoría de las empresas nunca había tenido que tomar estas decisiones, y la tecnología cambia más rápido de lo que se puede echar el hormigón. Si calculas mal las necesidades, acabarás con una capacidad que no se ajusta a la carga de trabajo que finalmente tendrás. La flexibilidad debe incorporarse desde el principio. Adaptar la infraestructura existente puede ser costoso, cuando es posible, y algunos proveedores sencillamente no pueden hacerlo porque sus instalaciones nunca se diseñaron para este nivel de densidad.

Construye la capacidad base y alquila para los picos

Empieza por reconocer que no necesitas el modelo más grande para cada tarea. Resumir documentos, clasificar tickets y responder preguntas a partir de tu propia base de conocimiento son tareas que un modelo de pesos abiertos puede realizar de forma privada y a un coste previsible. Reserva los modelos de frontera para el trabajo que realmente los necesita.

Eso te indica qué forma debería tener la infraestructura. Construye capacidad privada para cubrir la demanda constante que sabes que llegará cada semana. Alquila capacidad externa para los picos y para las tareas más exigentes que superen la capacidad disponible. Así es como las empresas han gestionado la capacidad de cómputo durante mucho tiempo, y la IA no cambia esa lógica: solo aumenta la densidad de la capacidad base y amplía las oscilaciones de los picos.

El desafío consiste en dimensionar correctamente la capacidad base y, al mismo tiempo, lograr que el entorno privado y el alquilado funcionen como un único sistema. Ambos deben poder acceder a los mismos datos y operar con los mismos controles, sin que las empresas tengan que reconstruir la canalización cada vez que una carga de trabajo pasa de uno al otro.

¿Dónde va la infraestructura?

Resulta que comprar las GPU es la decisión fácil. Después hay que ubicarlas, suministrarles energía, refrigerarlas y conectarlas con el resto de la infraestructura tecnológica. El hardware de IA de alta densidad no puede instalarse en un centro de datos empresarial estándar sin hacer cambios importantes en los sistemas eléctricos y de refrigeración, y no es adecuado para todas las instalaciones que tengas. En la Encuesta de Uptime Institute sobre infraestructura de IA de 2025, el 37 % de los encuestados señaló la disponibilidad de energía como uno de los principales factores que influyen en dónde ejecutan las cargas de trabajo de inferencia de IA.

La mayoría de las empresas opta por una combinación de centros de colocación y servicios en la nube. Lo que suele determinar la decisión son los datos. Ya están distribuidos en varios lugares, trasladarlos es costoso y, en los sectores regulados, algunos no pueden salir del país o de un entorno determinado. Centralizarlo todo en un edificio junto a las GPU parece una solución sencilla, pero casi nunca se lleva a cabo.

Así que la pregunta no es solo dónde se encuentra la capacidad de cómputo. También es cómo accede a los datos que necesita de forma segura, sin acumular costes y complejidad de los que te arrepentirás dentro de tres años. Piensa en esto como una tercera etapa. La primera fue internet, y la conectividad la resolvió. La segunda fue la nube, y la malla de interconexión la resolvió al permitir una interconexión definida por software que daba a las empresas la posibilidad de conectarse con distintos proveedores desde un único lugar. La IA es la tercera, y la malla de interconexión por sí sola no basta. Hace falta energía, mucha, en el mismo lugar donde está esa malla. Las empresas que logren implementar bien la IA privada serán las que sitúen la capacidad de cómputo donde coinciden la energía y la conectividad, en lugar de gestionar ambas como dos procesos de adquisición independientes.

Conectar la IA privada a medida que cambian las cargas de trabajo

La IA agéntica hace que la cuestión de la conectividad sea más urgente. Una aplicación convencional recibe una instrucción, llama a un modelo y devuelve una respuesta. Un agente está en movimiento todo el tiempo. Llama a varios modelos, consulta múltiples sistemas, obtiene datos de dondequiera que estén y delega tareas en otros agentes. Cada uno de esos saltos cruza un límite, introduce latencia y plantea la cuestión de quién tiene permiso para acceder a qué.

Ahora sitúe el modelo en un lugar, los datos en otro y establezca una regla según la cual algunos de esos datos deban permanecer dentro de un país concreto o en un entorno privado. Las empresas necesitan tener un control real sobre esas rutas: qué sistemas pueden acceder a qué datos, qué ocurre cuando se traslada una carga de trabajo y cómo se integra un modelo nuevo sin alterar todo lo que ya está en funcionamiento.

Por eso, la infraestructura debe ser programable. Las conexiones entre modelos, datos y entornos deberían poder configurarse y modificarse, en lugar de requerir un proyecto de ingeniería cada vez. Cada vez más, quien las configure no será una persona. Estándares como el Protocolo de Contexto de Modelo, o MCP, ofrecen a un agente una forma común de comunicarse con las herramientas y los sistemas que lo rodean. Si un agente necesita conectarse a una nueva fuente de datos o a un nuevo modelo, podría solicitar esa conexión del mismo modo que recurriría a cualquier otro servicio, manteniendo las políticas y los controles adecuados. Eso es lo que significa en la práctica tener una infraestructura programable. Cada pocos meses aparecen modelos nuevos. Las nuevas aplicaciones necesitarán rutas que hoy no existen. Si cada cambio obliga a reconstruir la infraestructura, se pierde la flexibilidad que se buscaba al optar por un entorno privado.

Hacer que la economía funcione

Acertar con la capacidad es un factor decisivo para el éxito, y no se trata solo de la cantidad total. Las empresas que lo hacen bien comprenden claramente la relación entre la energía que consumen y los tokens que obtienen. La relación entre potencia y tokens es la unidad económica de la IA privada; si la conoce para sus propias cargas de trabajo, podrá dimensionar el entorno con verdadera confianza. El otro aspecto es contar con margen. Cada trimestre llegan al mercado nuevas capacidades, y las empresas que planifican bien siempre dejan espacio para lo que venga, en lugar de ajustar la infraestructura justo al límite de las necesidades actuales. El mejor plan combina ambas cosas: conocer a fondo la economía de potencia por token y prever un margen razonable por encima de esa necesidad.

Y las GPU son solo una parte de la factura. Alojar, refrigerar y alimentar los equipos, además de conectarlos con el resto de la empresa, puede costar tanto como el hardware. Luego está el personal. La mayoría de las empresas nunca ha operado un entorno de computación de alta densidad, y no es posible contratar en un trimestre a personas con ese conjunto de competencias.

Por eso son importantes la capacidad base y la capacidad para los picos. Construya suficiente capacidad privada para cubrir la carga habitual y contrate capacidad adicional cuando la demanda la supere; así evitará pagar por equipos que permanecen inactivos la mayor parte del año. También conservará la posibilidad de cambiar de rumbo a medida que evolucionen los modelos y las aplicaciones, como sin duda ocurrirá.

Planificar para lo que viene

En el fondo, todo esto plantea un problema de plazos. Construir un centro de datos lleva unos dos años. En ese tiempo, los modelos, el hardware y las aplicaciones que las empresas querrán ejecutar serán muy distintos de los actuales. Lo que se comprometa a hacer ahora acabará ejecutando cargas de trabajo que nadie puede describir por completo todavía.

Las empresas aún están determinando qué cargas de trabajo corresponden a un entorno privado y cuándo necesitan capacidad externa, y es razonable que se encuentren en esa etapa. Lo que deben evitar es asumir compromisos de infraestructura que les quiten la posibilidad de decidir antes de que hayan podido hacerlo. Deje margen para distintos modelos, para disponer de más capacidad cuando la necesite y para trasladar cargas de trabajo.

Que la IA privada resulte rentable a largo plazo dependerá menos del modelo que elija que de la capacidad de su infraestructura para seguir el ritmo a medida que sus necesidades se definan con mayor claridad. Diseñe la infraestructura para las cargas de trabajo actuales, mantenga programables las conexiones y sitúe la capacidad de cómputo donde confluyen la red y la energía.