La decisión de ejecutar una carga de inteligencia artificial en la nube, en centros de datos propios o en el edge se ha convertido en un problema estratégico. Un estudio elaborado por Omdia para Cisco a partir de las respuestas de 1.201 responsables de infraestructura revela que el 94% de las organizaciones lamenta algún aspecto de su estrategia inicial de IA.
El informe atribuye ese descontento menos a un fallo de la tecnología que a decisiones tomadas demasiado rápido, antes de conocer con precisión la economía, los requisitos de seguridad y el comportamiento real de cada carga. La ubicación elegida afecta directamente a los costes, el control de los datos, la seguridad, el consumo energético y la latencia.
La estrategia híbrida se impone, pero no siempre está optimizada
El 96% de las organizaciones consultadas ya utiliza una combinación de nube, centros de datos propios e infraestructura en el edge. Sin embargo, distribuir los trabajos entre esos entornos sigue siendo difícil. El 54% señala la optimización específica de cada carga como el principal motivo para adoptar un enfoque híbrido, por encima de una elección uniforme para todos los proyectos.
La lógica es especialmente relevante cuando se manejan datos sensibles o se necesitan respuestas inmediatas. Los modelos personalizados entrenados con información propia pueden permanecer en instalaciones locales para reforzar la soberanía de los datos, la seguridad y la previsibilidad de los costes. En cambio, funciones de IA más estandarizadas y menos sensibles pueden beneficiarse de la rapidez de despliegue y la capacidad flexible de la nube.
El estudio también recoge qué cambiarían los responsables si pudieran repetir sus primeras decisiones. Un 34% habría realizado un análisis de costes más riguroso antes del despliegue, mientras que un 33% habría invertido antes en infraestructura propia. Otro 28% cree que debería haber cuestionado con más firmeza la velocidad de implantación.
La red puede convertirse en el siguiente cuello de botella
La ubicación de los modelos no resuelve por sí sola el rendimiento. El 67% de los encuestados espera que su red alcance sus límites por el aumento del tráfico de IA durante los próximos 12 meses. Si la red pierde paquetes o no entrega los datos a tiempo, las GPU pueden quedar inactivas, alargando los tiempos de finalización de los trabajos y desperdiciando una inversión costosa.
El riesgo aumenta con la IA distribuida y el edge computing, donde varios sistemas deben coordinarse de forma constante. Por eso, la estrategia debe contemplar conjuntamente capacidad de cómputo, red y seguridad, con observabilidad unificada y un modelo operativo coherente. En este contexto, también resulta útil revisar los riesgos de seguridad en servicios conectados, como el fallo crítico detectado en Haiwell IoT Cloud HMI.
La principal conclusión práctica es que la ubicación de las cargas no debería tratarse como una decisión única e irreversible. Las organizaciones necesitan auditar cada caso de uso, comparar coste total, control, rendimiento y velocidad de despliegue, y revisar la distribución a medida que los modelos y sus volúmenes de datos evolucionen.
El informe no detalla en el texto publicado qué cargas concretas analizó cada organización ni ofrece una fórmula universal para decidir entre nube, infraestructura local y edge. Esos datos adicionales serán necesarios para traducir las tendencias generales a arquitecturas concretas. Mientras tanto, el mensaje central es claro: la red debe planificarse como un requisito previo y la ubicación de la IA debe gestionarse como un proceso continuo.
