jueves, 25 de junio de 2026

Por Adam Tarbox, vicepresidente y director general para el norte y el este de Europa y CIS, Nutanix

Hasta ahora, el debate sobre la IA se ha centrado en la inteligencia: la capacidad del modelo, la rapidez con la que se entrena y la precisión con la que responde. En 2026, la pregunta más difícil es si la empresa puede permitirse mantenerlo en funcionamiento.

Deloitte prevé que la inferencia —el trabajo cotidiano que realiza la IA una vez que el modelo está entrenado— representará aproximadamente dos tercios de toda la capacidad de cálculo de IA empresarial este año. Cada interacción con el cliente, cada comprobación de fraude, cada recomendación, cada respuesta de un chatbot y cada resumen de documentos se basa en ella. El entrenamiento se lleva a cabo en ráfagas puntuales que pueden presupuestarse en el marco de un proyecto. La inferencia, en cambio, es persistente, distribuida y cercana al usuario. Se convierte en parte de la carga de trabajo diaria de la empresa, con la correspondiente factura eléctrica.

Esto desplaza el reto empresarial de la creación de modelos a su correcta ejecución. La IA ya no es un experimento en manos de un equipo de innovación. Forma parte del funcionamiento diario de la empresa y requiere la misma resiliencia, gobernanza, seguridad y disciplina de costos que cualquier otro sistema crítico. La diferencia radica en la presión que ejerce sobre la infraestructura, especialmente en lo que respecta al consumo eléctrico.

Para los responsables tecnológicos, esto plantea preguntas incómodas. ¿Cuánta capacidad está inactiva? ¿Se han desplegado las GPU donde realmente se necesitan? ¿Alguien puede ver la relación entre rendimiento, costo y consumo eléctrico? Son cuestiones que deben tratarse en las salas de juntas directivas.

El costo de los «vatios abandonados»

La mala utilización es uno de los principales factores que provocan el desperdicio de energía en las infraestructuras tradicionales. Muchos centros de datos arrastran años de decisiones heredadas: servidores que funcionan muy por debajo de su capacidad, almacenamiento y recursos de cálculo gestionados de forma aislada, entornos preparados para picos de demanda que rara vez se producen. El sector tiene un nombre para este fenómeno: los «vatios abandonados», es decir, la energía asignada a servidores «zombis» infrautilizados u olvidados que siguen consumiendo electricidad, requieren refrigeración y ocupan espacio físico sin realizar apenas trabajo útil.

En un entorno de IA, donde la demanda puede crecer rápidamente y de forma impredecible, ese desperdicio se convierte en un grave problema comercial, y la consolidación demuestra su utilidad. La infraestructura hiperconvergente reduce la cantidad de hardware independiente necesario al reunir la capacidad de cálculo, el almacenamiento y la virtualización en un único modelo integrado, lo que permite mantener el conjunto de equipos muy compacto y escalar solo cuando la demanda lo requiere.

Los casos prácticos de clientes de Nutanix muestran, de media, una reducción del 50% en el consumo energético y una disminución de aproximadamente el 66% en el espacio físico ocupado tras sustituir los sistemas heredados. Los resultados siempre dependerán del entorno, pero el principio se mantiene: la utilización es una estrategia energética.

La proliferación descontrolada de la IA es el próximo dolor de cabeza operativo

Un riesgo al que se presta mucha menos atención que al rendimiento de los modelos es la proliferación descontrolada de la IA. A medida que las unidades de negocio experimentan, los modelos y las cargas de trabajo se multiplican. Algunos aportan valor. Otros caen en el olvido y siguen consumiendo recursos mucho después de que el proyecto original haya perdido impulso, lo que genera problemas de costos, seguridad y sostenibilidad.

Las operaciones nativas de la nube ayudan. Los contenedores, la automatización y la orquestación ajustan las cargas de trabajo al alza o a la baja en función de la demanda real, y proporcionan a los equipos de TI un control adecuado sobre cómo se implementan, trasladan y retiran las cargas de trabajo.

Las medidas de seguridad también son importantes, ya que imponen límites de velocidad y de ejecución que pueden detener a un agente de IA atrapado en un bucle improductivo antes de que agote los recursos informáticos, el presupuesto y la electricidad de la noche a la mañana. La IA sostenible no se consigue con la implementación. La verdadera prueba son las operaciones del «día dos», una vez que el sistema está en funcionamiento y se utiliza a diario.

La energía debe hacerse visible

Nada de esto funciona sin visibilidad. Los equipos de TI no pueden gestionar la energía de forma inteligente si no pueden ver cómo interactúan las cargas de trabajo, la utilización y el consumo energético. La observabilidad energética consiste en supervisar el consumo eléctrico junto con la utilización de la CPU, la memoria, el almacenamiento y la actividad de red, con controles para frenar el consumo descontrolado derivado de cargas de trabajo mal gestionadas o de una demanda sin restricciones.

La ubicación también forma parte del panorama. Una investigación de la Universidad de Cornell publicada en *Nature Sustainability* reveló que ubicar los centros de datos en regiones con energía más limpia, junto con la descarbonización de la red eléctrica y la eficiencia operativa, podría reducir las emisiones previstas de la infraestructura de IA en aproximadamente un 73% en comparación con los peores escenarios.

No se trata solo de informes de sostenibilidad, sino también de control operativo. Cuando la energía se convierte en una limitación, la capacidad de dar prioridad a las cargas de trabajo más valiosas se convierte en una ventaja competitiva para las empresas que son capaces de hacerlo.

Construir pensando en un mundo con recursos energéticos limitados

La IA seguirá expandiéndose por toda la empresa. La capacidad de cálculo, la energía y la refrigeración no podrán seguir el ritmo indefinidamente, y los presupuestos, desde luego, tampoco. Hoy en día, el éxito a la hora de escalar la IA depende menos del tamaño de los modelos que de la eficiencia con la que funcione la infraestructura de TI: consolidar los entornos heredados, mejorar la utilización, ubicar las cargas de trabajo donde más sentido tenga, utilizar los chips adecuados y prolongar la vida útil del hardware.

La sostenibilidad debe formar parte de la arquitectura, no de un ejercicio de información independiente. Y aunque la inteligencia haya tomado la delantera, creo que la eficiencia energética será la que decida quién puede seguir en la carrera.