La infraestructura se vuelve el límite real de la IA empresarial

La carrera por la inteligencia artificial está entrando en una fase menos visible, pero decisiva: la infraestructura. Según WSJ, Google invertirá US$15.000 millones en Malasia durante dos años. Al mismo tiempo, AMD reportó su trimestre más grande y rentable, impulsado por data centers, y Fal duplicó su valoración por la demanda de inferencia.

La noticia importa porque muestra un cambio de prioridad. Para empresas y marcas, elegir un modelo de IA ya no alcanza. La disponibilidad de cómputo, el costo de inferencia, la energía, la latencia, la sostenibilidad y la dependencia de proveedores empiezan a definir qué proyectos son viables y cuáles quedan en piloto.

Lo esencial

• Según WSJ, Google planea invertir US$15.000 millones en Malasia durante dos años.
• AMD reportó ingresos trimestrales récord de US$13.400 millones en Q3 2026, según The Verge.
• El negocio de data centers de AMD generó US$8.500 millones en el trimestre, cerca del 63% de sus ingresos netos trimestrales.
• Fal levantó US$1.300 millones en su última ronda y alcanzó una valoración de US$16.000 millones, según TechCrunch.
• Algunos data centers de IA están usando motores de avión convertidos para generar electricidad mientras esperan conexiones a la red, según TechCrunch.

El gasto en infraestructura ya marca la agenda de la IA

La inversión anunciada por Google en Malasia, reportada por WSJ, es una señal de cómo la infraestructura física se volvió parte central de la estrategia de IA. Aunque la fuente no detalla en el material disponible todos los componentes del plan, el monto y el plazo muestran que las grandes tecnológicas están expandiendo capacidad en mercados específicos, no solo desarrollando modelos o productos digitales.

Este movimiento coincide con un cambio más amplio: la IA requiere centros de datos, chips, memoria, redes, refrigeración y energía. Cada nuevo caso de uso empresarial —desde asistentes internos hasta generación de imágenes, video o atención automatizada— consume recursos de cómputo. La promesa comercial depende de que esa capacidad exista, esté disponible y tenga un costo manejable.

AMD muestra dónde está creciendo el dinero

AMD dijo que Q3 2026 fue el trimestre “más grande y rentable” de su historia, según The Verge. La compañía reportó ingresos trimestrales récord de US$13.400 millones y anticipó otro récord de US$17.000 millones para el siguiente trimestre. El motor principal fue data centers: esa unidad generó US$8.500 millones en ingresos trimestrales.

La magnitud del cambio se ve en la mezcla del negocio. Según The Verge, cerca del 63% de los ingresos netos trimestrales de AMD en Q3 2026 vino de data centers. La CFO Jean Hu dijo que, mirando más allá de 2027, la empresa cree que su negocio de data centers será más del 80% de sus ingresos totales. Para una compañía de chips, eso confirma que la demanda empresarial de IA está reordenando prioridades.

El mismo reporte también muestra un efecto secundario: el negocio de gaming de AMD cayó 40% frente al año anterior, hasta US$773 millones. The Verge señala que PCs, consolas y otros productos han enfrentado alzas de precios por escasez de RAM y otros componentes, impulsada por la demanda de data centers de IA. Lisa Su reconoció que, cuando suben los precios de componentes, sube el precio de los sistemas y los mercados de consumo son más sensibles.

La inferencia convierte el uso diario de IA en un costo permanente

Fal, una startup de San Francisco que aloja y ejecuta modelos de IA para video, imagen y audio, levantó US$1.300 millones en su última ronda y alcanzó una valoración de US$16.000 millones, según TechCrunch. Esa valoración duplica los US$8.000 millones reportados en abril. La empresa también anunció rondas Series E y F por un total combinado de US$1.650 millones.

El punto relevante no es solo la ronda. TechCrunch atribuye el interés a la fuerte demanda de servicios de inferencia: ejecutar un modelo ya entrenado para generar resultados. En términos simples, cada prompt, imagen, audio o video generado tiene un costo de cómputo. Fal superó US$800 millones en ingresos anualizados a inicios de este año, según el reporte citado por TechCrunch.

Pero el negocio no es necesariamente cómodo. TechCrunch señala que empresas de inferencia como Fal, Baseten, Fireworks AI y Modal crecen rápido y levantan capital a mayores valoraciones, aunque sus márgenes brutos siguen siendo delgados por el alto costo de comprar o arrendar cómputo. Para clientes empresariales, esto anticipa una realidad: usar IA a escala puede ser mucho más caro que probarla.

La energía se convierte en cuello de botella operativo

El límite físico aparece con claridad en los data centers. Según TechCrunch, algunos centros de datos de IA están usando motores de avión retirados y convertidos para quemar gas natural, con el fin de generar electricidad mientras esperan conexiones a la red y nuevas turbinas. No son plantas permanentes ideales, pero responden a una necesidad: encender capacidad rápido.

TechCrunch cita que conectar 100 megavatios a la red en Northern Virginia puede tomar cerca de siete años, según la Agencia Internacional de Energía. En contraste, un analista de Rystad Energy dijo al New York Times que con unidades basadas en motores de avión un data center puede estar funcionando en 24 meses. Esa diferencia explica por qué algunos operadores aceptan soluciones menos eficientes.

Los costos no son solo financieros. Según TechCrunch, los motores convertidos son menos eficientes y contaminan más que turbinas diseñadas para plantas de gas convencionales. También se necesitan más unidades para producir la misma energía. Para empresas con metas de sostenibilidad o compromisos ESG, la infraestructura detrás de un proveedor de IA deja de ser un detalle técnico y pasa a ser un riesgo reputacional y operativo.

Qué significa para las empresas en Latinoamérica

Para empresas y marcas en Latinoamérica, la lección es presupuestar IA con más realismo. El costo no termina en la licencia de una herramienta ni en el desarrollo de un piloto. Si un caso de uso requiere miles o millones de inferencias, generación de video, baja latencia o disponibilidad constante, el gasto de cómputo puede convertirse en la partida principal.

También aumenta la importancia de la arquitectura. No todo debe correr en el modelo más grande ni en el proveedor más caro. Habrá que decidir qué procesos requieren tiempo real, cuáles pueden ejecutarse por lotes, qué datos deben quedarse cerca del mercado y qué nivel de latencia acepta el negocio. En publicidad, medios y atención al cliente, esos detalles afectan experiencia, costos y escalabilidad.

La dependencia de proveedores será otro tema clave. Si la capacidad de data centers, chips o energía se concentra en pocos actores, las empresas quedarán expuestas a cambios de precio, disponibilidad y condiciones comerciales. Para equipos de marketing y tecnología, la conversación de IA debe incluir procurement, legal, sostenibilidad, finanzas y operaciones, no solo innovación.

Qué vigilar

En las próximas semanas conviene vigilar nuevas inversiones de hyperscalers, resultados de fabricantes de chips, precios de servicios de inferencia y señales de retrasos energéticos en data centers. También será clave observar si los proveedores empiezan a transparentar más sus costos, huella energética y acuerdos de capacidad.

Mi lectura

Mi lectura es que la IA está pasando de una discusión centrada en modelos a una discusión de infraestructura. Eso no la hace menos útil; la hace más empresarial. Las compañías que ganen no serán necesariamente las que prueben más herramientas, sino las que entiendan sus costos unitarios, midan la demanda real y diseñen flujos sostenibles. En Latinoamérica, donde los presupuestos suelen ser más ajustados y la latencia puede depender de infraestructura fuera de la región, esta disciplina será todavía más importante. La pregunta correcta ya no es “qué modelo usamos”, sino “qué experiencia podemos sostener, a qué costo y con qué riesgos”.

Preguntas frecuentes

¿Por qué los data centers son tan importantes para la IA?

Porque entrenar y usar modelos de IA requiere grandes volúmenes de cómputo, memoria, redes y energía. Sin esa infraestructura, los servicios no escalan o se vuelven demasiado costosos.

¿Qué es la inferencia en IA?

Es el proceso de ejecutar un modelo ya entrenado para producir una respuesta, imagen, audio, video o predicción. Cada uso de una aplicación de IA consume inferencia y, por tanto, cómputo.

¿Qué deben considerar las empresas antes de escalar IA?

Deben evaluar costo por uso, disponibilidad de proveedores, latencia, seguridad, sostenibilidad y dependencia tecnológica. Un piloto exitoso no garantiza que el mismo caso sea rentable a gran escala.

¿Qué tan lista está tu empresa para aprovechar la IA y la tecnología? Haz el diagnóstico gratuito de 3 minutos o escríbeme.