Durante los últimos dos años, la conversación sobre IA generativa se ha centrado en un componente de hardware: la GPU. Las GPUs proporcionaron la computación paralela necesaria para entrenar grandes modelos de lenguaje, y su escasez se convirtió en un proxy de la preparación de las empresas para la IA.

Sin embargo, ese atajo ya no basta.

La próxima fase de la IA empresarial no se definirá solo por aceleradores. Se verá influida por CPUs, ancho de banda de memoria, capacidad en la nube, redes y los sistemas de flujo de trabajo que permiten que la IA pase de la experimentación casual a operaciones diarias de negocio.

El verdadero impacto económico de la IA no vendrá de acceder a modelos; vendrá de si las empresas pueden convertir la IA en una capacidad operativa fiable y rentable.

La IA se está convirtiendo en un problema de infraestructura

La primera ola de adopción de IA generativa fue, en gran medida, experimental. Los empleados usaban herramientas aisladas para redactar correos, resumir documentos o escribir código. Estos casos de uso eran útiles, pero no exigían a las compañías rediseñar la forma en que se realiza el trabajo.

La siguiente ola es diferente. A medida que la IA se integra más profundamente en los flujos de trabajo empresariales, los requisitos de infraestructura de TI se vuelven exponencialmente más complejos.

Una herramienta de servicio al cliente que redacta una respuesta es simple. Un sistema de IA que lee el historial de la cuenta, verifica políticas, actualiza un CRM, registra la interacción y activa una tarea de seguimiento es una bestia completamente distinta. Este sistema no solo necesita un modelo potente; requiere orquestación de cómputo, acceso seguro a datos, integraciones de software, permisos, auditorías y lógica de reserva.

Aquí es donde la visión centrada en la GPU falla. Aunque las GPUs siguen siendo críticas para la inferencia pesada, las CPUs coordinan cómo estas cargas de trabajo interactúan con bases de datos, APIs, capas de seguridad y sistemas operativos. Como resultado, el ancho de banda de memoria, la latencia y la disponibilidad de energía se están convirtiendo en las verdaderas restricciones estratégicas.

El alto costo del uso no estructurado de IA

El libro de jugadas inicial para empresas era simple: dar acceso a herramientas potentes a los empleados y ver qué sucede. Aunque esto aceleró el aprendizaje, también expuso una vulnerabilidad financiera enorme. El prompting no estructurado y aislado es costoso, difícil de medir y difícil de vincular a resultados comerciales tangibles.

Estamos observando un importante cambio correctivo entre las grandes tecnológicas. Microsoft ha comenzado a retratar licencias internas para Claude Code de Anthropic, que costaban entre 500 y 2.000 dólares por ingeniero al mes debido al alto consumo de tokens, y está obligando a su división Experiences and Devices a migrar a GitHub Copilot CLI antes de su cierre fiscal el 30 de junio.

De forma similar, Uber agotó por completo su presupuesto de herramientas de codificación de IA en apenas cuatro meses. La empresa desplegó Claude Code a aproximadamente 5,000 ingenieros e impulsó de forma agresiva la adopción mediante tableros internos. El experimento fue increíblemente eficaz: los sistemas asistidos generaron casi el 70% del código comprometido, pero el uso de tokens creció más rápido de lo previsto, obligando a la dirección a cuestionar públicamente el retorno de la inversión neta.

En consecuencia, el futuro de la IA empresarial se alejará de promting fragmentado hacia un modelo de inteligencia central. En lugar de miles de interacciones desconectadas, las compañías confiarán en capas de inteligencia compartida: sistemas centralizados que entienden datos corporativos, aplican reglas comerciales consistentes, enrutan tareas entre aplicaciones y hacen un seguimiento del rendimiento.

Este modelo es inherentemente más eficiente porque la misma inteligencia se reutiliza en diferentes flujos de trabajo, en lugar de recrearse desde cero para cada usuario.

De respuestas a flujos de trabajo

El cambio más crítico en la tecnología empresarial es la transición de herramientas que responden preguntas a sistemas que realizan trabajo.

El software tradicional es determinista: un usuario hace clic en un botón y un sistema realiza una acción conocida. Los flujos de trabajo impulsados por IA son más dinámicos. Un flujo de trabajo agentivo puede recuperar datos en tiempo real, razonar a través de un proceso en varios pasos, interactuar con software de terceros e involucrar a un humano para su aprobación.

Esto ejerce una presión enorme sobre toda la pila tecnológica. Para desbloquear ganancias reales de productividad, las empresas necesitan una infraestructura de datos limpia, gobernanza disciplinada e integraciones sólidas. Los modelos avanzados son inútiles si se colocan sobre sistemas corporativos fragmentados y desconectados.

Gestión del cambio sin precedentes y la fuerza laboral nativa de IA

A medida que estos sistemas agentivos maduran, el impacto en el empleo global desencadenará una crisis de gestión del cambio a una escala nunca vista. La IA cambiará fundamentalmente los patrones de contratación y los requisitos de roles mucho antes de que elimine puestos de trabajo a gran escala.

Históricamente, la contratación era el apalancamiento por defecto para escalar la capacidad; más clientes requerían más personal de soporte. La IA rompe esa relación lineal. En lugar de preguntar cuánta gente se necesita para gestionar un aumento de volumen, los líderes preguntarán cuánto de un proceso puede ser manejado por sistemas automatizados.

Este entorno premiará la adaptabilidad. Los profesionales que se mantengan a la vanguardia de la curva tecnológica, aprendan a diseñar flujos de IA y gestionen excepciones sistémicas se beneficiarán desproporcionadamente.

Por el contrario, el riesgo de desplazamiento es más agudo para quienes se apoyan únicamente en la experiencia tradicional de la industria. Los paradigmas técnicos y gerenciales tradicionales están siendo perturbados por una nueva cohorte de desarrolladores nativos de IA, gerentes de producto y miembros de equipo que piensan y trabajan en términos de sistemas automatizados y basados en modelos.

Aquellos que no hagan la transición de operadores tradicionales a orquestadores nativos de IA corren el riesgo de ser reemplazados por quienes sí lo hagan.

La infraestructura de IA es infraestructura económica

El impacto económico más amplio de la IA dependerá de cuánto puede integrarse en los sistemas centrales que gestionan las empresas globales.

GPU, CPU, redes y centros de datos forman la base física. La orquestación de agentes, la seguridad y la observabilidad forman la base operativa. Juntas, determinan si la IA permanece como una novedad o se convierte en una capacidad escalable de negocio.

La carrera por las GPUs fue solo el capítulo de apertura del auge de la IA. El próximo capítulo estará definido por sistemas de cómputo, datos y flujos de trabajo holísticos que permiten a la IA hacer trabajo real a gran escala. Ese es el momento en que la IA deja de ser una herramienta y realmente se convierte en infraestructura.

Explora nuestra lista de las mejores herramientas de automatización de TI.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica hoy.

Las opiniones expresadas aquí son de autor y no necesariamente las de TechRadar Pro o Future plc. Si te interesa contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit