La ambición en IA se está acelerando más rápido que las infraestructuras de canales; sin embargo, la arquitectura de datos y la preparación empresarial pueden brindar apoyo.

En casi todas las oleadas tecnológicas, llega un momento en que la expectación supera al desarrollo del hardware. Estamos viviendo ese momento con la IA, y el sector se encuentra directamente atrapado en su trayectoria.

En los últimos dos años, el debate en el sector ha estado dominado por las oportunidades que ofrece la IA. Se ha animado a los socios a desarrollar prácticas, crear casos de uso y posicionarse como preparados para la IA. Y, la verdad, se ha hecho y se sigue haciendo un gran trabajo.

Muchos socios han ayudado a sus clientes a poner en marcha proyectos piloto de IA generativa, algunos crearon demostraciones impresionantes, unos pocos lograron implementaciones iniciales reales, pero aquí radica el problema: los proyectos piloto no son producción, y la infraestructura necesaria para llevar la IA de un experimento aislado a una capacidad a nivel empresarial es algo que la mayoría de los socios de canal aún no están preparados para ofrecer.

Del piloto a la producción: donde comienza el dolor

Es en la transición de la fase piloto a la producción de IA donde surgen las dificultades. Las organizaciones que crearon prototipos de IA generativa en entornos aislados están descubriendo que pasar a la producción requiere un enfoque completamente diferente.

Las arquitecturas de almacenamiento tradicionales no pueden ofrecer el alto rendimiento que exigen las cargas de trabajo de IA. Los sistemas locales alcanzan sus límites de rendimiento durante la fase de entrenamiento. Los costes de la nube se disparan a medida que aumenta el volumen de datos. Lo que parecía una prueba de concepto manejable ahora requiere una revisión completa de toda la infraestructura de TI. El peso de las arquitecturas de datos tradicionales se ha convertido en un lastre.

La clave, que gran parte del sector ha pasado por alto, es la siguiente: la preparación para la IA implica la preparación de la infraestructura. Si no se habla de almacenamiento de alto rendimiento, arquitectura de datos, alimentación eléctrica, refrigeración y ancho de banda de red, entonces no se trata realmente de una conversación sobre IA.

Como industria, nos hemos centrado demasiado en la magia de los grandes modelos de lenguaje y no hemos prestado suficiente atención a la infraestructura necesaria para que funcionen a gran escala. Los clientes llegan a sus socios con grandes ambiciones en la fase de producción y descubren que ninguna de las partes está preparada para cumplir con lo prometido.

El problema de los datos del que nadie quiere hablar

Aquí es donde la mayoría de las implementaciones fallan silenciosamente. Alrededor del 80 % del desafío de la infraestructura de IA reside en la capa de datos, no en la capa de herramientas. Puedes adquirir los mejores clústeres de GPU disponibles, pero si tus datos no están estructurados, no están clasificados y son prácticamente inaccesibles, los resultados serán deficientes independientemente de lo que se aplique sobre ellos.
Una proporción significativa de los datos empresariales se encuentra en este estado,a veces denominados datos oscuros: información que la organización posee en teoría, pero a la que no puede acceder ni procesar en la práctica. Sin una sólida infraestructura de datos que conecte todo, las herramientas de IA se convierten en un costoso adorno sobre cimientos que no pueden soportarlas.

Cabe destacar que este no es un problema nuevo. El sector ya ha visto versiones similares en iniciativas de aprendizaje automático, migración a la nube y modernización de sistemas ERP; como dice el refrán, no hay nada nuevo bajo el sol.

¿Quién choca primero contra la pared?

Es probable que los servicios financieros y la atención médica sean los primeros en verse afectados, y por la misma razón subyacente: son los sectores que tienen los requisitos de privacidad de datos más estrictos y manejan los mayores volúmenes de datos heredados. Un banco tradicional que utiliza sistemas centrales con una arquitectura de décadas de antigüedad no puede adoptar el mismo enfoque que una empresa fintech nativa de la nube.

Una red hospitalaria que gestiona historiales clínicos fragmentados en decenas de centros, algunos de los cuales aún existen físicamente, se enfrenta a un desafío de unificación de datos de gran complejidad. En estos entornos, la brecha entre la ambición en materia de IA y la capacidad de la infraestructura de IA se hace más evidente, y los socios de canal deben ofrecer algo más que hardware.

El modelo comercial no ha estado a la altura

La falta de capacidad técnica no es el único problema. La era de la IA exige un cambio de la venta transaccional de hardware a los servicios de datos basados en resultados, y muchos programas de socios no se han adaptado a esta situación.

Los socios siguen recibiendo incentivos frecuentes en función de los ciclos de inversión de capital y las transacciones puntuales, mientras que los clientes necesitan cada vez más modelos flexibles basados en el consumo que reflejen la naturaleza iterativa de la adopción de la IA.

Si el modelo comercial no respalda la forma en que se construye y expande realmente la infraestructura de IA, resulta más difícil monetizar la capacidad técnica, incluso cuando ya existe.

La oportunidad es tan real como el riesgo

Si el canal no responde, el riesgo es estructural. Las empresas que no puedan obtener lo que necesitan de sus relaciones con socios actuales recurrirán a otras alternativas, ya sea directamente a proveedores de servicios en la nube a gran escala o a integradores de sistemas especializados que hayan invertido en una infraestructura de IA sólida.

Los socios que se limiten a realizar transacciones puras se verán marginados de los proyectos de infraestructura más importantes de la próxima década.

La oportunidad es igualmente real para quienes se mudan. Nuestra investigación reveló que el 85 % de las empresas del Reino Unido tienen requisitos específicos de soberanía de datos que influyen en dónde y cómo se implementan las cargas de trabajo de IA, y esa cifra no hará más que aumentar a medida que la regulación se endurezca y la confianza en la nube pública para cargas de trabajo sensibles siga disminuyendo.

Los socios que logren resolver el enigma de la nube híbrida, conectando la infraestructura local con los servicios en la nube de una manera que realmente satisfaga esos requisitos, se volverán mucho más valiosos para los clientes empresariales en los próximos dos o tres años.

Hay una frase que resume nuestra situación actual: el software puede haber conquistado el mundo, pero el hardware está preparando el siguiente plato. El desarrollo de la IA ha estado liderado por el software, los modelos, las aplicaciones y las plataformas. Sin embargo, la verdadera limitación reside en la infraestructura subyacente: el almacenamiento, las redes, la arquitectura de datos, la alimentación y la refrigeración. El canal que desarrolle capacidades en esa capa será el que marque la diferencia en los próximos años.

Se acerca el obstáculo. La cuestión es si te topas de frente con él o si desarrollas las habilidades necesarias para ayudar a tus clientes a superarlo.