La adopción empresarial de inteligencia artificial progresa más rápidamente que la infraestructura necesaria para soportarla. Un estudio reciente encargado por Cloudera revela que el 95 % de las organizaciones encuestadas ha retrasado o cancelado algún proyecto de IA en el último año debido a problemas relacionados con la gobernanza de datos, cumplimiento normativo o regulación. Este resultado apunta a un cambio menos visible que la competencia por las GPU: muchas empresas están teniendo que rediseñar la arquitectura sobre la cual almacenan, gobiernan y mueven sus datos.
Las claves de la reestructuración de la IA empresarial en 30 segundos
- El 95 % ha retrasado o cancelado iniciativas de IA por asuntos de gobernanza, cumplimiento o regulación.
- Un 72 % considera que su arquitectura de datos requiere cambios significativos para afrontar las necesidades futuras de IA.
- El 84 % afirma que las cargas de IA han incrementado sus costos de infraestructura.
- Un 66 % ha trasladado cargas desde nubes públicas hacia nubes privadas o infraestructura propia.
- El estudio consultó a 1.500 profesionales especializados en arquitectura, cloud y datos en nueve mercados, incluida España.
Las cifras provienen de The Great AI Re-Architecture, una encuesta encargada por Cloudera a Wakefield Research, realizada entre responsables técnicos de grandes organizaciones. La investigación se llevó a cabo del 5 al 22 de junio de 2026 en Estados Unidos, Canadá, Brasil, Sudáfrica, España, Reino Unido, Singapur, India y Japón.
Es importante interpretar correctamente estos porcentajes. No implica que el 95 % de todas las empresas del mundo hayan paralizado proyectos de IA, sino que esa proporción de los 1.500 profesionales encuestados reportó haber experimentado retrasos o cancelaciones por esas causas.
A pesar de esta cautela, los hallazgos coinciden con otro estudio publicado por Cloudera en abril. En esa investigación, con 1.270 responsables de TI, cerca del 80 % reconocía que sus iniciativas de datos e IA estaban limitadas por dificultades para acceder a información en diferentes entornos.
El problema de la IA empresarial ya no es solo conseguir GPU
Durante los últimos dos años, gran parte del debate sobre infraestructura de IA se ha centrado en aceleradores, centros de datos y disponibilidad eléctrica. Sin embargo, una empresa puede tener suficiente capacidad de computación y aún así enfrentar dificultades para poner un sistema de IA en producción.
El verdadero problema se presenta en niveles más profundos.
Los datos empresariales suelen estar distribuidos entre bases de datos tradicionales, aplicaciones SaaS, almacenamiento de objetos, data lakes, sistemas legados, diferentes proveedores cloud, centros de datos propios y dispositivos en el edge.
Una prueba de concepto puede trabajar con un conjunto limitado de esa información. Sin embargo, desplegar el mismo sistema en producción requiere determinar quién puede acceder a cada dato, dónde puede procesarse, cuánto tiempo debe conservarse y qué información puede usar realmente un modelo.
Aquí empiezan a evidenciarse las limitaciones de arquitecturas diseñadas inicialmente para inteligencia empresarial, analítica convencional o aplicaciones transaccionales.
El 75 % de los participantes en el nuevo estudio manifiesta que la incorporación de IA ya ha modificado las prácticas de almacenamiento y arquitectura de datos en sus organizaciones. Además, un 84 % ha experimentado incrementos en los costos de infraestructura debido a estas cargas de trabajo.
No resulta sorprendente que el 72 % considere necesaria una remodelación significativa de su arquitectura para satisfacer las futuras demandas.
Cloudera denomina a este proceso The Great AI Re-Architecture. Aunque el término proviene de la propia compañía y forma parte de su estrategia comercial, describe un fenómeno tecnológico reconocible: añadir un modelo sobre una infraestructura de datos existente no siempre es suficiente para construir una plataforma de IA empresarial robusta.
Hace meses, Cloudera advertía que los primeros experimentos con IA a menudo se han desplegado en entornos de datos fragmentados y sin una preparación previa adecuada en gobernanza y seguridad para operar a gran escala.
El dato híbrido vuelve al centro de la arquitectura
Uno de los hallazgos más interesantes surge al preguntar dónde se están ejecutando esas cargas.
El 66 % de los encuestados afirma haber trasladado cargas de IA desde nubes públicas hacia nubes privadas o infraestructura on-premises en el último año.
Este dato no implica una retirada generalizada del cloud público.
Las empresas siguen utilizando múltiples entornos y moviendo información entre ellos. El 97 % de los participantes asegura transferir datos entre distintas infraestructuras al menos una vez al mes.
Lo que se observa es una arquitectura más distribuida.
Algunas cargas pueden ser más eficientes en infraestructuras de hiperescala por su elasticidad y disponibilidad inmediata de aceleradores. Otras, por su parte, pueden ser más adecuadas en infraestructura dedicada cuando requieren utilización constante, trabajo con grandes volúmenes de datos o cuando existen requisitos de soberanía, seguridad y regulación.
Además, la elección de la infraestructura puede cambiar durante el ciclo de vida del proyecto. Entrenar o experimentar en un entorno y luego realizar inferencias en otro ya es técnicamente posible si las plataformas de datos y modelos mantienen suficiente interoperabilidad.
Por ello, híbrido no debería entenderse simplemente como mantener servidores propios y contratar servicios en la nube como AWS, Azure o Google Cloud simultáneamente.
El verdadero reto consiste en establecer políticas consistentes de identidad, seguridad, catálogo, gobernanza y acceso a los datos, sin importar dónde se esté ejecutando cada carga.
Cloudera tiene un interés directo en esta tendencia, ya que su plataforma está diseñada precisamente para integrar centros de datos y diferentes entornos cloud. En abril, la compañía anunció nuevas funciones para extender capacidades locales hacia la nube y compartir tablas Apache Iceberg sin duplicar datos.
Es importante tener en cuenta esta posición del proveedor al interpretar los resultados, aunque los desafíos que identifica permanecen.
El gobierno de los datos se convertirá en infraestructura de IA
Una de las cifras más llamativas del informe no está relacionada con servidores.
El 73 % considera que la IA ha complicado la gobernanza de los datos, y el 55 % afirma haber retrasado o cancelado más de seis proyectos en los últimos doce meses por cuestiones de gobernanza, cumplimiento o regulación.
Esto modifica significativamente la percepción de estar «preparado para la IA».
Contar con cuentas empresariales en plataformas de modelos, acceso a GPU o un equipo de desarrollo no garantiza que un proyecto pueda desplegarse utilizando la información corporativa real.
Es crucial que la organización conozca qué datos usa, su origen, permisos, qué puede hacer el modelo con ellos y qué ocurre con los resultados.
La IA generativa introduce complicaciones adicionales, dado que trabaja frecuentemente con datos no estructurados: documentos, correos, conversaciones, imágenes, grabaciones, archivos PDF o repositorios de código.
El escenario se agrava con arquitecturas RAG (Retrieval-Augmented Generation), agentes y herramientas que consultan sistemas empresariales. En estos casos, el modelo deja de trabajar solo con datos preprocesados y empieza a solicitar información en tiempo real de distintas fuentes durante la ejecución.
Cuantas más herramientas pueda utilizar un agente, más importante resulta definir qué identidad utiliza y cuáles son sus permisos.
Los resultados del Data Readiness Index de Cloudera ya evidenciaban esta contradicción: aunque muchas empresas confían en sus datos, menos de una quinta parte afirma tenerlos completamente gobernados.
Mover datos continuamente no es gratuito
El estudio también destaca una dimensión económica.
Si el 97 % de las empresas transfiere información entre entornos al menos mensualmente, la arquitectura de IA no puede reducirse solo a costos de GPU.
Mover grandes volúmenes de datos implica costos de red, almacenamiento, replicación y operación. Además, puede generar latencia y crear copias que requieren sus propias políticas de seguridad y gobernanza.
En ciertos escenarios, puede ser más efectivo llevar el modelo hasta los datos que mover los datos hasta el modelo.
Esta estrategia resulta particularmente relevante en sectores con volúmenes masivos de información o restricciones regulatorias estrictas.
Por ejemplo, en telecomunicaciones, un estudio publicado por Cloudera en junio encontró que el 90 % de los responsables consultados había enfrentado limitaciones operativas relacionadas con el rendimiento de la infraestructura, a pesar de que la mayoría sabía dónde estaban sus datos.
El problema no solo radica en conocer la ubicación, sino en poder acceder a ella con rendimiento adecuado, mantener políticas de acceso y hacerlo de forma rentable.
La próxima fase de la IA empresarial será menos visible
La primera etapa de la IA generativa estuvo marcada por los modelos, las GPU y los enormes centros de datos necesarios para entrenarlos y poner en marcha su funcionamiento.
Ahora, en las empresas, inicia una fase menos visible: reorganizar la infraestructura tecnológica para que estos modelos puedan trabajar con información corporativa real.
Esto implica modernizar data lakes, reducir silos, crear catálogos, gestionar identidades, introducir observabilidad, optimizar redes, decidir dónde ejecutar la inferencia y definir qué datos pueden abandonar cada infraestructura.
También supone reevaluar la idea de que conectando un modelo potente a los datos de una compañía bastaba para obtener valor.
En producción, emergen requisitos que pueden pasar desapercibidos en una demostración.
El estudio de Cloudera refleja esa distancia entre experimentar con IA y operarla a escala. Aunque el 77 % de las organizaciones encuestadas ya usa IA, la mayoría reconoce que la arquitectura actual requiere cambios sustanciales.
Por tanto, el mayor desafío no reside necesariamente en adoptar un modelo más avanzado, sino en hacer que los datos sean accesibles, gobernables y útiles desde diferentes infraestructuras, sin perder el control.
Preguntas frecuentes
¿Realmente el 95 % de las empresas ha paralizado proyectos de IA?
El 95 % de los profesionales en el estudio de Cloudera afirmó que su organización ha retrasado o cancelado iniciativas en el último año por motivos de gobernanza de datos, cumplimiento o regulación. Esta cifra corresponde a la muestra y no debe interpretarse como una estadística global.
¿Por qué se están trasladando cargas de IA desde el cloud público?
El 66 % afirmó haber movido cargas desde nubes públicas hacia nubes privadas o infraestructura propia. Factores como costos, rendimiento, gobernanza, control de datos y requisitos regulatorios influyen en esta decisión.
¿Implica esto que las empresas abandonan el cloud?
No exactamente. Los resultados muestran una tendencia hacia entornos híbridos: cloud público, privado, centros de datos y edge, utilizados según las características de cada carga.
¿Cuántas empresas participaron en el estudio?
Wakefield Research realizó la encuesta para Cloudera con 1.500 expertos en arquitectura empresarial, infraestructura cloud y datos en nueve mercados, incluida España, del 5 al 22 de junio de 2026.
vía: cloudera