Durante los últimos dos años, la conversación sobre IA generativa ha estado dominada por una pieza de hardware: la GPU.
Las GPU proporcionaron el cálculo paralelo necesario para entrenar grandes modelos de lenguaje, y su falta se convirtió rápidamente en un indicador de la preparación para la IA.
Pero esa taquigrafía ahora está incompleta.
Socio director en Cardiff.
La próxima fase de la IA empresarial no la definirán únicamente los aceleradores.
Estará conformado por la CPU, el ancho de banda de la memoria, la capacidad de la nube, las redes y los sistemas de flujo de trabajo que permiten a la IA pasar de las pruebas casuales a las operaciones comerciales cotidianas.
El verdadero impacto económico de la IA no provendrá del acceso a los modelos; Dependerá de si las empresas pueden convertir la IA en capacidades operativas confiables y rentables.
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 utilizaron herramientas individuales para redactar correos electrónicos, resumir documentos o escribir código. Estos casos de uso ad hoc fueron útiles, pero no requirieron que las empresas rediseñaran cómo se hacía realmente el trabajo.
La próxima ola es diferente. A medida que la IA se adentra más en los flujos de trabajo empresariales, los requisitos de infraestructura de TI se vuelven exponencialmente más complejos.
Una herramienta de atención al cliente que simplifica la redacción de una respuesta. Un sistema de inteligencia artificial que lee el historial de la cuenta, verifica las políticas, actualiza un CRM, registra interacciones y desencadena una tarea de seguimiento es algo completamente diferente. Este sistema no sólo requiere un modelo robusto; Esto requiere orquestación informática, acceso seguro a los datos, integración de software, permisos, pistas de auditoría y lógica alternativa.
Aquí es donde falla la visión centrada en la GPU. Si bien las GPU son importantes para cálculos pesados, las CPU coordinan cómo estas cargas de trabajo interactúan con las bases de datos, las API, las capas de seguridad y el sistema operativo. Como resultado, el ancho de banda de la memoria, la latencia y la disponibilidad de energía se están convirtiendo en verdaderas limitaciones estratégicas.
El alto coste de utilizar IA no estructurada
El primer manual empresarial era simple: brindar a los empleados acceso a herramientas poderosas y ver qué sucede. Si bien esto aceleró el aprendizaje, también expuso una enorme vulnerabilidad financiera. Las indicaciones personales y no estructuradas son costosas, difíciles de medir y difíciles de vincular con resultados comerciales reales.
Estamos viendo un importante cambio correctivo entre los gigantes tecnológicos. Microsoft recientemente comenzó a retirar licencias internas para el código de nube de Anthropic, que cuesta entre $500 y $2,000 por ingeniero por mes debido al alto uso de tokens, y está obligando a su división de Experiencia y Dispositivos a migrar a GitHub Copilot CLI antes de que finalice su año fiscal el 30 de junio.
De manera similar, Uber agotó todo su presupuesto para herramientas de codificación de IA en solo cuatro meses. El gigante del transporte privado ha implementado código en la nube para aproximadamente 5.000 ingenieros y lo adoptó agresivamente utilizando tablas de clasificación internas. El experimento fue increíblemente efectivo (los sistemas de asistencia produjeron alrededor del 70% del código comprometido), pero el uso de tokens creció más rápido de lo que nadie esperaba, lo que obligó a los líderes de Uber a cuestionar públicamente el ROI neto.
Como resultado, el futuro de la IA empresarial pasará de la información fragmentada a un modelo de inteligencia centralizado. En lugar de miles de interacciones desconectadas, las empresas dependerán de capas de inteligencia compartidas: sistemas centralizados que comprenden los datos corporativos, aplican reglas comerciales consistentes, enrutan tareas entre aplicaciones y realizan un seguimiento del desempeño.
Este modelo es intrínsecamente más eficiente porque la misma inteligencia se reutiliza en todos los flujos de trabajo en lugar de que los usuarios individuales la recreen desde cero.
De las respuestas a los flujos de trabajo
El cambio más importante en la tecnología empresarial es la transición de herramientas que responden preguntas a sistemas que sí funcionan.
El software tradicional es determinista: un usuario hace clic en un botón y un sistema realiza una acción conocida. Los flujos de trabajo de IA son más dinámicos. Un flujo de trabajo agente puede recuperar datos en tiempo real, razonar a través de un proceso de varios pasos, interactuar con software de terceros y pasar por un humano para su aprobación.
Esto ejerce mucha presión sobre toda la pila tecnológica. Para desbloquear ganancias reales de productividad, las empresas necesitan una infraestructura de datos limpia, una gobernanza disciplinada y una fuerte integración. Los modelos avanzados son inútiles cuando se superponen a sistemas corporativos fragmentados y desconectados.
Gestión de cambios sin precedentes y fuerza laboral “nativa de IA”
A medida que estos sistemas agentes maduren, el impacto en el empleo global desencadenará una crisis de gestión del cambio corporativo nunca antes vista. Inicialmente, la IA cambiará los patrones de contratación y los requisitos de los roles mucho antes de eliminar la plantilla a gran escala.
Históricamente, la plantilla era la palanca de retención predeterminada; Más clientes necesitan más personal de soporte. La IA rompe esa relación lineal. En lugar de preguntar cuántas personas se necesitan para manejar un flujo de volumen, los líderes preguntarán cada vez más qué parte del proceso puede ser manejado por sistemas automatizados.
Este entorno recompensará agresivamente la adaptabilidad. Los profesionales que se mantengan a la vanguardia de la tecnología, aprendan a diseñar flujos de trabajo basados en IA y gestionen excepciones sistémicas se beneficiarán desproporcionadamente.
Por el contrario, el riesgo de desplazamiento es mayor para quienes dependen únicamente de la experiencia industrial heredada. Los paradigmas técnicos y de gestión tradicionales están siendo alterados por una nueva cohorte de desarrolladores, gerentes de productos y miembros de equipos nativos de IA. Estos profesionales no sólo utilizan la IA como asistentes; Construyen, operan y piensan en términos de sistemas automatizados basados en modelos.
Aquellos que no logren hacer la transición de operadores tradicionales a orquestadores nativos de IA corren el riesgo de ser reemplazados.
La infraestructura de IA es infraestructura económica
El impacto económico más amplio de la IA estará determinado por cuán profundamente pueda integrarse en los sistemas centrales que operan los negocios globales.
GPU, CPU, redes y centros de datos conforman la infraestructura física. La orquestación de agentes, la seguridad y la observabilidad forman la base operativa. En conjunto, indican si la IA sigue siendo una novedad o se ha convertido en una capacidad empresarial mensurable.
La carrera de GPU fue el capítulo inicial del auge de la IA. El próximo capítulo estará definido por sistemas holísticos de computación, datos y flujo de trabajo que permitan que la IA funcione realmente a escala. En ese momento, la IA deja de ser una herramienta y se convierte verdaderamente en una infraestructura.
Consulte nuestra lista del mejor software de automatización de TI.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
