Hay una conversación que se repite en casi todos los departamentos de tecnología este año. Empieza con alguien que dice que el piloto de IA va muy bien y termina con alguien que pregunta qué hace falta para desplegarlo en toda la organización. Ahí suele producirse un silencio incómodo.
Según McKinsey, el 88% de las empresas ya usa inteligencia artificial en al menos una función de negocio. Pero solo un tercio ha conseguido escalarla a nivel corporativo. El resto sigue atrapado en lo que los analistas llaman, con cierta crueldad, pilot purgatory: proyectos que funcionan en entornos controlados, que generan entusiasmo en las presentaciones y que nunca llegan a producción real.
Pilot purgatory: proyectos que funcionan en entornos controlados, que generan entusiasmo y que nunca llegan a producción
Las razones habituales —datos mal gobernados, procesos sin rediseñar, falta de patrocinio ejecutivo— están bien documentadas. Pero hay una que aparece cuando ya se ha decidido escalar, y que puede llegar a bloquear todo lo demás: la infraestructura de TI no estaba preparada para esto.
Escalar la IA no es desplegar más servidores. Es enfrentarse a exigencias de densidad eléctrica, refrigeración, red y latencia para las que la mayoría de centros de datos corporativos no fueron diseñados.
¿El datacenter aguanta?
La respuesta corta, en la mayoría de los casos, es que no. O, por lo menos, no sin una intervención significativa. Los centros de datos corporativos construidos hace más de cinco años fueron diseñados para otro tipo de cargas: servidores de aplicaciones, bases de datos, virtualización de escritorios.
Una densidad de cinco a ocho kilovatios por rack era lo estándar, incluso generosa. Pero ahora, las GPU de última generación para inferencia de IA operan entre 30 y 100 kW por rack. No es una mejora incremental: es un salto de un orden de magnitud que afecta a todo lo que hay debajo, desde el cableado eléctrico hasta el sistema de climatización.
El problema más visible es el térmico. La refrigeración por aire funciona razonablemente bien hasta densidades moderadas. A partir de cierto umbral, el calor generado supera la capacidad de disipación de los pasillos fríos convencionales. Los equipos se ralentizan para protegerse, el rendimiento cae y el hardware envejece más rápido de lo previsto.
El Uptime Institute documentó en su Global Data Center Survey 2025 que la mayoría de operadores de infraestructura propia afronta restricciones severas de disponibilidad de energía, además de una serie de retos crecientes para satisfacer la demanda de la IA. No es un problema de voluntad, sino de física.
Hay múltiples señales que hacen visibles estos problemas: temperatura de retorno de aire elevada de forma sostenida, racks con límites eléctricos que no permiten albergar aceleradores modernos, SAI sin margen para picos de carga, eficiencia energética (PUE) estancada (el propio Uptime Institute señala que el PUE medio lleva años estacado, bloqueado por la infraestructura heredada), y ausencia de redundancia en circuitos de potencia dedicados. Si el datacenter tiene alguna de estas características, no se resuelve con una actualización de firmware.
¿Vale la pena reformar?
En ocasiones, sí. La modernización de un datacenter propio para soportar IA tiene sentido solo cuando hay una masa crítica de cargas de trabajo estables —no como pilotos, sino ligadas al negocio— y cuando la organización puede retener o contratar el talento especializado necesario para operar entornos de GPU en producción. Ambas condiciones son más difíciles de cumplir de lo que parece.
La modernización de un datacenter suele implicar una intervención profunda en varias capas de la infraestructura: desde la refrigeración, que en entornos de alta densidad puede requerir soluciones líquidas, hasta la parte eléctrica, con circuitos dedicados y sistemas de monitorización y automatización energética.
Escalar la IA no es desplegar más servidores. Los datacenters actuales, sencillamente, no fueron diseñados para esto
A ello se suma, cuando el objetivo es soportar clústeres de GPU o cargas de IA, la necesidad de redes internas de alta velocidad, como InfiniBand o Ethernet de 400G. Por tanto, no se trata de una reforma menor, y en instalaciones en producción los plazos de ejecución suelen ser largos, algo que hay que tener en cuenta por el impacto en la continuidad del servicio.
Por otra parte, el concepto de AI factory —instalaciones diseñadas específicamente para cargas de IA— encaja con el tipo de infraestructura que analiza la IEA en su informe Energy and AI, centrado en las implicaciones energéticas y operativas del auge de la inteligencia artificial.
Lo que es evidente es que resulta clave evaluar la alternativa de modernización, desde todas sus vertientes, antes de comprometer el presupuesto, y que la velocidad de despliegue es una variable que muy a menudo se subestima.
El colocation especializado
El mercado español de centros de datos atraviesa un momento de fuerte expansión y la IA actúa como uno de sus principales motores. Según SpainDC, la potencia TI instalada en instalaciones comerciales de colocation e hyperscale alcanzó los 439 MW al cierre de 2025, un 24% más que el año anterior. Si la tendencia se mantiene el sector podría llegar a 2.537 MW en 2030, multiplicando por seis la escala actual.
En España, la inversión en infraestructura de datos rozó los 5000 millones de euros en 2025, y Madrid se ha consolidado como uno de los hubs de mayor crecimiento de Europa, con un incremento del tráfico de datos del 39% anual según datos de KPMG para Equinix.
Detrás de esas cifras hay una demanda muy concreta. En un reciente encuentro con Valentín Pinuaga, managing director de Equinix España, el directivo afirmó que el 80% de las solicitudes de colocation que reciben actualmente están relacionadas con cargas de trabajo de IA, y la mayoría corresponden a inferencia, no a entrenamiento. Los modelos ya están entrenados en otro lugar; lo que las empresas necesitan ahora es ejecutarlos cerca de sus usuarios, con baja latencia y alta disponibilidad.
En este sentido, los operadores de colocation especializados van un paso más allá de lo que puede ofrecer un datacenter corporativo estándar, complementando todas estas reformas (en cuanto a densidades, refrigeración, conectividad…) con la capacidad de conexión directa a puntos de intercambio de internet y a los principales proveedores cloud.
Las ventajas del colocation sobre la modernización propia no son solo técnicas, también tienen que ver con la velocidad (capacidad disponible en semanas, no en meses) o la estructura financiera, convirtiendo la inversión en un coste operativo predecible y escalable.
Hacia la infraestructura privada
Es cierto que hay una tendencia que apunta en este sentido. Lo que está ocurriendo no parece una vuelta al on-premise de los años noventa. Es una corrección del modelo de migración masiva a cloud pública que dominó la última década, ahora que las empresas tienen suficiente experiencia —y un histórico de facturas— para saber qué funciona y qué no.
Una reciente publicación de Forrester estima que al menos el 15% de las empresas adoptará despliegues de IA privada sobre nubes privadas en 2026. Una tendencia que llega impulsada por los crecientes costes de IA, las preocupaciones por el bloqueo de datos y los riesgos operativos en la nube pública.
Las ventajas del colocation no son solo técnicas, también tienen que ver con los tiempos o la estructura financiera
El argumento económico es el más poderoso y el menos discutido en público. Ejecutar millones de llamadas diarias a modelos de lenguaje a través de las API de los grandes proveedores cloud genera facturas que crecen de un modo que no está alineado con el uso.
Muchas empresas que empezaron sus pilotos en cloud pública por comodidad están descubriendo que escalar esos mismos modelos en producción compromete el ROI. Trasladar la inferencia a infraestructura propia o colocation dedicado puede cambiar radicalmente esa ecuación en cargas de trabajo estables y predecibles, aunque los números concretos dependen de cada caso.
Luego está el marco regulatorio europeo. El EU AI Act entra en plena vigencia el 2 de agosto de 2026. Sus requisitos de trazabilidad, registro de decisiones automatizadas y auditoría de sistemas de alto riesgo tienen implicaciones directas en la arquitectura: los datos que alimentan los modelos y los logs de inferencia tienen que estar bajo control jurisdiccional europeo para cumplir tanto con el AI Act como con el GDPR.
Eso no imposibilita el uso de infraestructura cloud de otras regiones fuera de Europa, pero complica determinados casos de uso en sectores como banca, sanidad, seguros o sector público. No es casualidad que esas industrias lideren la repatriación de cargas de trabajo.
El modelo que emerge no es cloud pública o infraestructura privada: es una arquitectura híbrida construida con criterio
El modelo que emerge no es cloud pública o infraestructura privada: es una arquitectura híbrida construida con criterio. El entrenamiento de modelos grandes y los experimentos exploratorios van a cloud pública o a colocation de alta densidad. La inferencia en producción de modelos estabilizados va a infraestructura propia o colocation dedicado. Los datos sensibles y los pipelines con requisitos regulatorios permanecen on-premise o en cloud soberano europeo. La gran cuestión no está relacionada tanto con la localización de la infraestructura, sino el control de los datos y los modelos.
Tomar una decisión
Como diría cualquier gurú de las tendencias tecnológicas que se precie, el problema no es tomar la decisión equivocada, sino no tomar ninguna. El informe de McKinsey documenta que dos tercios de las organizaciones que usan IA siguen en fase experimental o piloto, sin haber comenzado a escalarla a nivel empresarial. Ese inmovilismo tiene un coste que no siempre aparece en los presupuestos: la deuda técnica que se acumula, el talento que se frustra y busca entornos donde sí se escala, y la distancia que crece frente a los competidores que sí están desplegando.
Hay tres cuestiones clave que podrían ayudar a estos responsables de TI a tomar la decisión adecuada.
- La primera es sobre el volumen: ¿qué carga de inferencia en producción se anticipa en los próximos dieciocho meses?; ¿la arquitectura actual puede sostenerla con los costes previstos?
- La segunda, sobre regulación: ¿los datos de entrenamiento e inferencia pueden residir fuera de la infraestructura propia bajo el EU AI Act y el GDPR? Si hay datos de categorías especiales o sistemas clasificados de alto riesgo, la respuesta probablemente condiciona la arquitectura entera.
- La tercera sobre capacidad operativa: ¿existe el equipo para gestionar un entorno de GPU en producción, con monitorización de modelos y control de costes de cómputo? Sin ese equipo, la opción de datacenter propio es difícil de sostener independientemente del presupuesto.
No hay una hoja de ruta universal para este proceso, aunque sí se podría establecer una secuencia lógica: entender primero dónde está la infraestructura actual y qué puede soportar; decidir después la arquitectura de destino con criterios económicos y regulatorios explícitos; y avanzar hacia producción real con métricas claras, no con pilotos adicionales que vuelven a aplazar la decisión.
Apostar por el piloto eterno no es prudencia. En la mayoría de los casos es solo aplazamiento, y aplazar tiene un precio que, pasado cierto punto, resulta más caro que el coste de equivocarse y corregir.
