El paso de los experimentos aislados a la producción masiva de inteligencia artificial enfrenta un límite físico ineludible: la capacidad de los centros de datos. Para evitar cuellos de botella, Vertiv y el Deloitte Center for Integrated Research desarrollaron una colaboración que ofrece un marco de referencia a los líderes empresariales. La guía Diseño de infraestructura para la IA empresarial, elaborada junto a STL Partners, permite evaluar la viabilidad de las instalaciones antes de comprometer recursos.
El documento traduce la complejidad técnica en un proceso de cuatro fases: definir el objetivo de negocio, evaluar la escala y requisitos operativos, determinar la ubicación óptima y vincular la carga de trabajo con un diseño de infraestructura específico. La disponibilidad de energía, los sistemas de refrigeración, la conectividad y el espacio para crecer son los factores que determinarán si un proyecto puede ejecutarse en las instalaciones actuales o requiere otro modelo de despliegue.
“La próxima fase de la IA empresarial estará determinada no sólo por los modelos y la capacidad de cómputo, sino también por la capacidad de las organizaciones para proporcionar la energía, la refrigeración, la conectividad y el entorno operativo que requiere cada carga de trabajo”, afirmó Giordano Albertazzi, CEO de Vertiv.
“Al comenzar por la carga de trabajo, las empresas pueden tomar decisiones de infraestructura con mayor anticipación, identificar limitaciones más pronto y trazar un camino más sólido desde sus aspiraciones en IA hasta la producción”, agregó.
Arquetipos y modelos de despliegue
“Los aspectos económicos y los requisitos operativos de la IA cambian a medida que las cargas de trabajo pasan a producción”, señaló Nicholas Merizzi, socio y líder de Silicon2Service en Estados Unidos de Deloitte Consulting LLP. “Las organizaciones deben considerar conjuntamente el valor para el negocio, la gobernanza, la responsabilidad operativa y la infraestructura. Incorporar estas cuestiones al proceso de planificación desde una etapa más temprana brinda a los líderes una base más sólida para decidir dónde deben ejecutarse las cargas de trabajo de IA y cómo deben respaldarse a lo largo del tiempo”.
La investigación sostiene que la IA empresarial no es una decisión única de infraestructura, sino un portafolio de cargas de trabajo con distintas necesidades.
Mientras que las tareas exploratorias pueden residir en la nube pública, las operaciones críticas o de alto volumen pueden requerir entornos híbridos o capacidad local. Las aplicaciones que demandan respuestas inmediatas suelen necesitar procesamiento en el borde (Edge).
Para facilitar la planificación, la guía clasifica las cargas en seis arquetipos (desarrollo, reentrenamiento y cuatro de uso en producción) y define cuatro modelos de infraestructura física: clúster de borde, pequeño, grande y de alta densidad. Estos modelos permiten dimensionar correctamente los requisitos de energía, refrigeración y resiliencia, asegurando que la transición hacia la IA se realice sobre una base sólida y sostenible.
