A pesar de todo lo que se habla sobre la infraestructura de IA, los chips y las asombrosas cantidades de electricidad que ahora se requieren para respaldar el entrenamiento y la inferencia de modelos a gran escala, hay una parte más silenciosa de la historia que rara vez recibe el mismo nivel de atención dentro de las empresas, y ese es el estado de los datos con los que realmente se ejecutan esos sistemas.
La Agencia Internacional de Energía proyecta que la generación de energía para abastecer los centros de datos crecerá de 460 TWh en 2024 a 1.000 TWh en 2030 y 1.300 TWh para 2035 en su caso base, lo que indica cuán rápido está creciendo la demanda de energía en torno a la IA.
Fundador y director ejecutivo de Coalescencia Cloud.
Estados Unidos ya está bajo presión. El Departamento de Energía de EE. UU. afirma que los centros de datos consumieron alrededor del 4,4 % de la electricidad total de EE. UU. en 2023 y se espera que consuman entre el 6,7 % y el 12 % para 2028.
El artículo continúa a continuación.
Estas cifras son importantes, pero pueden hacer que el problema parezca remoto, casi como si la sostenibilidad de la IA fuera algo que sólo ocurre en el nivel hiperescalar.
En realidad, una parte significativa de los costos y desperdicios asociados con la IA comienza mucho más cerca de casa, con CRM, plataformas PSA, sistemas financieros, hojas de cálculo que nadie deja de lado porque no confía en el tablero original y nadie tiene tiempo para limpiar registros duplicados.
carga digital
Pocas organizaciones se hacen una pregunta más inmediata sobre su propio entorno: cuánta carga digital innecesaria están creando porque sus datos están desordenados.
La IA no entra dentro de una empresa y comienza a trabajar en un conjunto estándar de datos perfectamente estructurados. Hereda lo que ya tiene.
Si los registros de clientes existen en cinco lugares, si los ingresos se definen de manera ligeramente diferente según ventas y finanzas, si los datos del proyecto están incompletos, si los equipos todavía dependen de soluciones manuales porque los sistemas no encajan, entonces la IA funcionará dentro de esa realidad.
Los sistemas tecnológicos por sí solos no corregirán esas vulnerabilidades. A menudo, esto los hará más visibles y más costosos, porque cada flujo de trabajo innecesario, cada pregunta innecesaria, cada ronda de nueva verificación humana y cada ciclo adicional dedicado a intentar validar una salida consume más almacenamiento, más procesamiento y más tiempo de los empleados.
Los datos saludables no son sólo datos que se limpian en un día determinado. Son datos que se comprenden, gestionan, mantienen y alinean con el negocio de una manera que permite a las personas confiar en ellos.
El trabajo reciente de IBM sobre la mala calidad de los datos deja clara su faceta comercial: el 43% de los directores de operaciones citan la calidad de los datos como su principal problema, y más de una cuarta parte de las organizaciones estiman que pierden más de 5 millones de dólares al año debido a la mala calidad de los datos.
Los líderes de tecnología empresarial deben ser conscientes ahora más que nunca de que esos mismos problemas de datos se superponen en entornos de IA que ya son computacionalmente intensivos.
La mala calidad de los datos siempre es cara. Lo que cambia con la IA es la velocidad y la escala que agravan ese costo.
Un proceso interrumpido que solía frustrar a un equipo ahora probablemente cree cargas repetidas en múltiples sistemas y modelos, al mismo tiempo que destruye la confianza en los resultados que se suponía facilitarían el trabajo.
Durabilidad
La conversación sobre sostenibilidad en torno a la IA debe ser más eficaz. No puede ser simplemente a nivel de adquisición de energía, objetivos de carbono o inversión en infraestructura. Estas cuestiones son importantes, pero también lo son las realidades cotidianas de lo que las empresas piden a sus sistemas.
Si una empresa utiliza herramientas de IA sobre registros fragmentados, flujos de trabajo desconectados e informes de baja confianza, entonces parte de la carga ambiental ligada a esa IA es autoinfligida. La empresa está realizando más cálculos para obtener respuestas a las que debería haber sido más fácil llegar en primer lugar.
Detrás de todo esto hay una cuestión de gobernanza, ya que un número sorprendente de organizaciones todavía avanzan más rápido en la implementación que en la propiedad y la rendición de cuentas.
La confiabilidad de los datos parece ser la mayor barrera para la adopción de una IA útil, y es comprensible.
Si no se puede explicar claramente de dónde provienen los datos originales, quién es el propietario, cómo se mantienen o por qué las definiciones difieren entre los sistemas, entonces la empresa ya ha preparado el escenario para el desperdicio innecesario antes de que el modelo entre en producción.
En ese entorno, la IA se convierte en otra capa de complejidad colocada sobre una base que ya era inestable.
Las organizaciones que obtienen buenos resultados toman un camino más disciplinado, que a menudo parece menos emocionante desde fuera.
Reducen la duplicación. Alinean la lógica del sistema. Ellos deciden qué significan realmente las métricas y se aseguran de que estas definiciones se compartan en todo el equipo. Simplifican los flujos de trabajo antes de automatizarlos. Fijan la propiedad antes de ampliar el acceso.
Este tipo de trabajo rara vez se enmarca como una estrategia de IA, pero en realidad a menudo separa los programas de IA que resultan útiles de aquellos que silenciosamente generan más gastos generales de los que valen.
Sistema subyacente sano
Una vez que los sistemas subyacentes están en buen estado, la IA comienza a hacer lo que los líderes esperaban que hiciera en primer lugar. Los pronósticos se vuelven más confiables porque los datos son estables. Los datos de los clientes se vuelven más útiles porque los equipos no discuten sobre si están actualizados.
La automatización comienza a eliminar trabajo en lugar de crear ciclos de revisión adicionales. En ese punto, la eficiencia mejora de una manera que importa tanto desde el punto de vista económico como operativo y, por extensión, desde una perspectiva de sostenibilidad, ya que la organización ya no quema recursos para compensar trastornos prevenibles.
Para las empresas que intentan comprender los crecientes costos de la IA, este es el lugar adecuado para comenzar. Antes de preguntar cómo impulsar más modelos, vale la pena preguntarse cuánta carga digital innecesaria se está creando ya por datos no saludables.
Antes de considerar la sostenibilidad como algo fuera del ámbito empresarial, se debe reconocer que los sistemas más limpios utilizan los recursos de manera más inteligente.
Y antes de asumir que el impacto ambiental de la IA es solo una cuestión de infraestructura, los líderes deberían observar más de cerca los datos que sus propias empresas consumen todos los días.
La IA de datos más limpia no resolverá todos los desafíos relacionados con las limitaciones de infraestructura y energía, pero hace que los sistemas empresariales sean más eficientes, más confiables y más sostenibles de manera inmediata y mensurable.
Este es un mejor punto de partida que simplemente adivinar qué impedirá una mejor disciplina operativa.
Hemos presentado los mejores chatbots de IA para empresas.
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:
