Una ola de herramientas de inteligencia artificial está transformando organizaciones en todo el Reino Unido. Desde la personalización del comercio minorista hasta los avances en la investigación médica, la IA promete innovación, nuevas fuentes de ingresos y mayor eficiencia.
El gobierno del Reino Unido reconoce esta posibilidad. A través de iniciativas como su enfoque pro-innovación para la regulación de la IA, ha identificado la IA como una tecnología crítica para el crecimiento y la competitividad futuros para garantizar un despliegue seguro y responsable.
El artículo continúa a continuación.
Asesor de CxO, Reino Unido y Europa, Dell Technologies.
Algunas empresas construyeron originalmente sus entornos de TI para las demandas de intensidad de datos, sensibilidad de rendimiento y escalamiento dinámico de las cargas de trabajo modernas de IA.
La infraestructura de TI heredada, a menudo un mosaico de sistemas y procesos desconectados, es ahora una de las mayores barreras para liberar todo el potencial de la IA.
Para utilizar la IA de forma eficaz, los líderes deben plantearse una pregunta sencilla: ¿Es nuestra infraestructura una plataforma para la innovación o una barrera estructural para el progreso?
A continuación se presentan cinco indicadores importantes de que la infraestructura actual de una empresa puede sostener su estrategia de IA.
1. El acceso a los datos no es suficiente
Para la IA, los datos son un activo estratégico. Cuanto más oportunos, de alta calidad y bien gobernados pueda acceder un modelo a los datos, más precisos y confiables serán sus conocimientos. Cuando los científicos e ingenieros de datos pasan más tiempo trabajando con recuperación lenta, canales de datos fragmentados o conjuntos de datos aislados que construyendo y refinando modelos, la organización se enfrenta a una importante limitación de infraestructura.
Las plataformas de datos y almacenamiento en la nube tradicionales a menudo no están diseñadas para el rendimiento, la simultaneidad y el acceso de baja latencia que exigen las cargas de trabajo de IA. También pueden carecer de capacidades sólidas de gobernanza en entornos híbridos y de múltiples nubes.
En el Reino Unido, las crecientes regulaciones, incluida la Ley de Datos (Uso y Acceso) de 2025 (DUAA), refuerzan la expectativa de que los datos personales se manejen de manera legal, transparente y con las salvaguardias adecuadas, incluso cuando se utilizan para entrenar o ejecutar sistemas de IA. La DUAA modifica elementos de la ley de protección de datos del Reino Unido para promover la innovación y el crecimiento económico y al mismo tiempo proteger a las personas y sus derechos.
Consideremos una institución financiera de Londres que implementa detección de fraude casi en tiempo real. Si los datos están dispersos en plataformas heredadas, sujetos a controles inconsistentes o se mueven lentamente, la organización corre el riesgo de pasar por alto las amenazas y no demostrar el cumplimiento de las expectativas de privacidad y seguridad de los datos que evolucionan rápidamente.
Las plataformas de datos modernas y compatibles ayudan a consolidar y catalogar datos en todos los entornos, aplicar controles de seguridad y gobernanza consistentes y acelerar el acceso seguro a los datos correctos para el uso correcto.
2. Los servidores existentes no pueden manejar las demandas informáticas de IA
La mayoría de las empresas no entrenarán los modelos básicos más grandes desde cero. Sin embargo, ejecutar la IA en la fabricación sigue siendo inherentemente intensivo en computación. Las organizaciones están implementando IA para usos como la toma de decisiones en tiempo real o casi en tiempo real, análisis y pronósticos avanzados, visión por computadora y reconocimiento de patrones, y flujos de trabajo autónomos o semiautónomos. Estas cargas de trabajo de IA a menudo se ejecutan junto con aplicaciones, bases de datos y entornos virtualizados existentes.
Cuando los servidores de uso general ya funcionan cerca de su capacidad, las cargas de trabajo de IA adicionales que compiten por los mismos recursos de CPU, memoria, almacenamiento y acelerador pueden causar contención. Luego, el rendimiento disminuye tanto para los servicios de IA como para las aplicaciones comerciales principales, lo que reduce la confianza en la IA y limita su valor percibido.
Una infraestructura diseñada específicamente con capacidades informáticas aceleradas puede admitir cargas de trabajo mixtas de manera más predecible. Proporciona una aceleración decente para el entrenamiento y la inferencia y puede reducir los cuellos de botella entre los procesadores, la memoria y el almacenamiento.
Esto no significa necesariamente un reemplazo total de los servidores existentes. Más bien, significa introducir la combinación adecuada de tecnologías y arquitecturas para que las cargas de trabajo de IA cuenten con el soporte adecuado y el éxito no se limite a pequeños proyectos piloto.
3. La red es un atasco
La IA no se trata sólo de computación y almacenamiento. También depende de una red robusta y de alto rendimiento para transferir grandes cantidades de datos entre usuarios, ubicaciones perimetrales, plataformas de almacenamiento y recursos informáticos, incluidas GPU y otros aceleradores.
Los síntomas que están obstaculizando las iniciativas de IA en red incluyen tiempos prolongados de transferencia de datos entre sistemas o sitios y congestión periódica y pérdida de paquetes, especialmente durante las ventanas de procesamiento pico. Los usuarios también pueden experimentar caídas de conexiones o rendimiento inestable que interrumpe el entrenamiento y la estimación del modelo.
Estas son más que molestias operativas. Una red lenta o poco confiable crea una mala experiencia de usuario, retrasa la entrega de información generada por IA y socava la confianza en los servicios digitales. En un contexto de cara al cliente, esto puede traducirse rápidamente en pérdida de ingresos y daños a la reputación.
Para respaldar eficazmente la IA, las organizaciones necesitan un tejido de red resiliente, de gran ancho de banda y baja latencia que proporcione un rendimiento predecible para cargas de trabajo con uso intensivo de datos. Debería escalar a medida que aumentan el volumen de datos y el tamaño del modelo, incorporando al mismo tiempo seguridad y segmentación adecuadas para flujos de datos confidenciales.
Sin esta base, la IA sigue siendo una promesa incumplida y no una capacidad lista para producir.
4. La implementación y la gestión son demasiado complejas
El viaje del modelo de IA desde el laboratorio hasta la producción en vivo debe ser estructurado pero fluido. En realidad, muchas organizaciones descubren que las implementaciones se retrasan debido a la complejidad y al esfuerzo manual.
Los síntomas comunes incluyen dificultad para configurar infraestructura para experimentación o nuevos casos de uso, y tuberías frágiles para modelos de empaquetado. También pueden encontrar que la gestión de dependencias y la implementación de actualizaciones se ve agravada por una automatización limitada que da como resultado entornos inconsistentes entre la prueba y la producción.
Un entorno rígido y configurado manualmente limita la capacidad de probar, iterar y ejecutar IA a gran velocidad. Esto es particularmente desafiante en el mercado del Reino Unido, donde las organizaciones recurren a la IA para obtener una ventaja competitiva y el tiempo para fijar la fijación de precios es fundamental.
Los enfoques modernos de infraestructura y plataforma pueden reducir esta fricción mediante el uso de pilas de software integradas que alinean los datos, la inteligencia artificial y las herramientas de aplicaciones. Admiten el aprovisionamiento automatizado, el escalado y la gestión del ciclo de vida, así como un monitoreo y gobierno consistentes en todos los entornos.
Permite a los equipos pasar de la prueba de concepto a la producción más rápidamente y con menos sorpresas, lo que permite una cultura más dinámica de innovación continua.
5. No hay un camino claro hacia la producción a escala
La mayoría de las organizaciones comienzan su viaje hacia la IA con pilotos enfocados. Sin embargo, el valor estratégico surge cuando los casos de uso exitosos se pueden replicar, ampliar y escalar en toda la empresa. Un indicador claro de que la infraestructura no está preparada para esto es la ausencia de una hoja de ruta rentable y técnicamente viable para escalar.
Si la infraestructura para expandir la IA se construye según las necesidades de cada proyecto, o si escalar una iniciativa exitosa implica una revisión disruptiva y a gran escala, el impulso pronto se estanca. Entonces, las empresas corren el riesgo de caer en una “meseta de innovación”, donde los focos de éxito no se traducen en capacidades sistémicas.
Una estrategia de infraestructura que sea modular, escalable y flexible ofrece una mejor opción. Esto permite a las empresas agregar gradualmente capacidad de computación, almacenamiento y redes. Esto significa que pueden ampliar las capacidades de gestión y datos a medida que maduran los casos de uso y alinear las inversiones con un valor comprobado en lugar de una demanda hipotética.
Este enfoque respalda un modelo financiero de “pago a medida que crece”, lo que ayuda a garantizar que el viaje de la IA sea sostenible, adaptable y esté alineado con las prioridades comerciales a largo plazo.
Sentar las bases para el progreso a largo plazo
El camino hacia la IA es mucho más que algoritmos o conjuntos de datos individuales. Sostener todo requiere una base tecnológica sólida, ágil y resiliente que abarque datos, computación, redes, seguridad y gestión del ciclo de vida.
Al abordar los cinco indicadores descritos anteriormente, las organizaciones del Reino Unido pueden superar las limitaciones de los sistemas heredados y pasar de experimentos aislados a una IA integrada en las operaciones diarias. Invertir en infraestructura moderna y diseñada específicamente es, en última instancia, una decisión estratégica.
Racionaliza la complejidad y permite a los equipos innovar de forma segura y rápida, al tiempo que reduce el riesgo operativo. En conjunto, esto crea las condiciones para que la IA brinde resultados significativos y mensurables para los clientes, empleados y partes interesadas.
Para las empresas del Reino Unido, la cuestión ya no es si adoptar la IA, sino cómo hacerlo de forma responsable, segura y a escala. Conseguir la infraestructura adecuada es un paso decisivo para convertir el potencial de la IA en beneficios sostenibles a largo plazo.
Consulte nuestra lista de las mejores herramientas de migración de datos.
