El auge de la IA ha alcanzado un punto medio decisivo: lo que las empresas necesitan saber

La escuela secundaria nunca fue el mejor momento para nadie, pero todos tuvimos que pasar por ella, con sus dolores de crecimiento y todo, para llegar a una versión mejor y más madura de nosotros mismos.

El actual auge de la IA está entrando en algo similar a su propia adolescencia problemática, algo que los expertos llaman el medio desordenado entre la adopción y la madurez. El inicial hype ha desaparecido, y ahora, las organizaciones se están enfocando en hacer que la IA sea verdaderamente operativa. Pero la IA está llegando a la madurez en un momento desafiante. Las predicciones están todas sobre el mapa, el escepticismo es alto entre las empresas y los consumidores por igual, y el hablar de una burbuja de IA en expansión AI bubble tiene a los líderes empresariales al borde, esperando el temido “estallido”.

En este momento decisivo, las organizaciones tienen que separar la señal del ruido, ya sea que estén cambiando sus esfuerzos de la experimentación a la aplicación práctica, o escalando la aplicación práctica a la ubiquidad operativa. Eso requiere centrarse en factores tangibles que pueden controlar, como su infraestructura y preparación de datos; medir los resultados; y construir la base para la escalabilidad.

El enfoque de infraestructura primero

La verdadera preparación para la IA requiere la infraestructura adecuada para respaldar la implementación sostenible de las cargas de trabajo de la IA. Naturalmente, la IA ha aumentado la demanda de servicios en la nube: se espera que el gasto en la nube aumente un 40% este año, con la infraestructura que forma el artículo más costoso del presupuesto, y nuevos centros de datos están surgiendo en todos los continentes para acomodar la creciente demanda de cómputo de IA. En este punto de inflexión de la IA, las elecciones de infraestructura son existenciales. La infraestructura define lo que es seguro, lo que es posible y lo que realmente beneficiará al negocio, en lugar de crear un drenaje de recursos.

La infraestructura sostenible se define por más que solo costos y potencia de cómputo total. Cuando las organizaciones determinan dónde y cómo alojar sus cargas de trabajo de IA, deben considerar cuestiones de eficiencia de recursos, seguridad, visibilidad y precio global por rendimiento. La infraestructura de IA no puede ser una inversión de una sola vez, sino un proceso en movimiento, capaz de evolucionar con las demandas de cada proyecto.

Es una partida drástica de los enfoques históricos para el gasto en la nube. Antes del actual auge de la IA, las organizaciones a menudo dependían de un solo proveedor de servicios en la nube, generalmente un hyperscaler, para alojar sus operaciones basadas en la nube. Ahora, la complejidad y variedad de las cargas de trabajo de IA están desafiando este modelo, especialmente a medida que las empresas se mueven hacia casos de uso más prácticos, y las nubes alternativas emergen para satisfacer la demanda.

Las iniciativas modernas de IA requieren una gran potencia de cómputo, que los tres grandes están bien equipados para proporcionar. Las grietas comienzan a mostrar cuando toda esa potencia se vuelve demasiado. Los contratos de los hyperscalers pueden ser costosos, inflados con complementos innecesarios y pueden no ofrecer la seguridad de datos y residencia necesarias para proyectos altamente sensibles.

En lugar de unir sus operaciones en la nube a un solo proveedor, las empresas pueden aprovechar una creciente clase de alternativas para componer sus propias pilas a través de diferentes proveedores, tipos de GPU y configuraciones de nube pública/privada según sus necesidades específicas. De esta manera, no pagan por características que no necesitan, al mismo tiempo que personalizan sus nubes para lo que realmente necesitan.

Un enfoque de infraestructura primero para alcanzar la madurez de la IA es crear una base estable para la escalabilidad, que maximice la eficiencia y la utilidad sin sacrificar la potencia.

De la experimentación a la aplicación

En los últimos años, las empresas de todo el mundo han estado experimentando con cómo encajar la IA en sus operaciones. Impulsadas por la curiosidad y no poca dosis de hype, han empujado los límites de la innovación, han desbloqueado nuevas posibilidades de eficiencia y han elevado el potencial de innumerables herramientas y modelos de código abierto. También han corrido de frente contra la realidad, aprendiendo que la filosofía de “moverse rápido y romper cosas” de Silicon Valley no siempre es la forma de hacerlo, especialmente cuando se trata de una tecnología tan poderosa como la IA.

Ahora, a medida que las empresas emergen de esta fase de experimentación, el fracaso no es una opción. La precisión es fundamental. El rendimiento no puede retrasarse. Si las empresas van a reconstruir las funciones comerciales básicas sobre un marco de IA, tienen que apostar por las partes “aburridas” que llevan a la IA de un experimento creativo a un multiplicador de fuerza, incluyendo:

• Seguridad y privacidad de los datos: Muchos modelos de IA utilizan datos personales y empresariales sensibles para operar de manera efectiva. Las organizaciones necesitan la seguridad de que sus datos se alojan de manera segura, sin el riesgo de replicación no autorizada o exposición a la “IA oscura”.
• Gestión del ciclo de vida del modelo: Los modelos deben ser precisos, actualizados y reentrenados regularmente para respaldar las funciones comerciales críticas.
• Consistencia del rendimiento: Ya sea que se desplieguen modelos para uso interno o en operaciones orientadas al cliente, garantizar un rendimiento consistente es fundamental para la eficiencia y la facilidad de uso. Muchos problemas de rendimiento comunes, como los relacionados con la latencia y el tiempo de inactividad, se resuelven a nivel de infraestructura.

En este momento, solo el 37% de las organizaciones están desplegando nuevos modelos generativos en una base mensual, semanal o diaria. A medida que más organizaciones se muevan hacia la fase de aplicación, ese porcentaje aumentará dramáticamente, creando una mayor demanda de potencia de cómputo, pero también de infraestructura adaptada a modelos específicos. Un modelo “ligero” no necesita una base de hyperscaler, pero si utiliza información sensible, puede necesitar ese grado de seguridad. Es aquí donde entran en juego las nubes personalizadas, y por qué la infraestructura debe ser la consideración principal en medio de un cambio de IA empresarial.

De la aplicación a la escalabilidad

Para las empresas que están más avanzadas en la curva de madurez, la aplicación práctica de la IA ya es parte de su día a día. Ahora, están apuntando a escalar estas aplicaciones para crear un valor aún mayor y hacer evolucionar completamente su empresa.

La presión está en aumento, y las ventajas son claras: 81% de las organizaciones en el nivel más alto de madurez de la IA informaron mejores resultados financieros en el último año. Esta es la fase en la que las aplicaciones de IA se someten a su mayor prueba de estrés. Pueden pasar la prueba en un entorno contenido, pero ¿pueden ingerir más datos? ¿Funcionar en nuevas regiones? Y quizás la pregunta más importante: ¿pueden impulsar resultados significativos?

La escalabilidad se trata de crecer más, pero en algunos casos, menos es más. Las empresas en esta fase deben considerar si los modelos de lenguaje pequeños (SLM) dirigidos podrían funcionar mejor que los modelos de lenguaje grande (LLM) de propósito múltiple. Las iniciativas de IA son las más exitosas cuando están vinculadas a problemas comerciales reales y pueden impulsar resultados medibles.

Un patrón similar ocurre en la aplicación y escalabilidad de los agentes de IA, la próxima frontera de la IA autónoma. Los agentes que realizan tareas específicas del dominio, informados por un conjunto de datos altamente enfocado y mantenido consistentemente, son los que realmente están teniendo un impacto real en la empresa. Dicho esto, los agentes especializados todavía necesitan una gran potencia de cómputo, aunque no tanto como un copiloto integral. Priorizar la infraestructura desde el principio permitirá a las organizaciones extraer un ROI real de sus iniciativas de IA agentes sin explotar sus presupuestos en la nube.

Innovación con impacto

La “carrera” de la IA es menos una carrera que una renovación: si estamos reconstruyendo la empresa, queremos hacerlo sobre una base sólida, de lo contrario, las paredes inevitablemente se derrumban. Las empresas deben tomarse el tiempo para ser reflexivas sobre la infraestructura, asegurar las salvaguardas de datos, gestionar estrechamente el ciclo de vida de los modelos, monitorear el rendimiento y recopilar información y hacer ajustes. La paciencia y la persistencia son clave para crear soluciones que realmente funcionen, permanezcan seguras y rindan consistentemente.