El 83 % de las grandes organizaciones considera que su infraestructura necesita mejoras antes de implementar agentes de inteligencia artificial en producción, según un estudio de Google Cloud elaborado a partir de las respuestas de 1.402 responsables tecnológicos. El desafío no se limita únicamente a adquirir más GPU: la integración con sistemas heredados, los costes de inferencia, la seguridad, los datos y el consumo energético se manifiestan como principales obstáculos.
Claves de la infraestructura para IA agéntica en 30 segundos
- Solo el 17 % confía plenamente en su capacidad para ejecutar agentes críticos con la infraestructura actual.
- La inferencia ya representa el 47 % del presupuesto dedicado a inteligencia artificial, frente al 28 % destinado al entrenamiento.
- El 81 % identifica la complejidad operativa como un coste oculto significativo.
- Seguridad, gobernanza y MLOps preocupan al 79 % de los responsables.
- El 84 % contempla invertir con intensidad en infraestructura y operaciones en los próximos dos años.
El informe refleja la transición de una inteligencia artificial centrada en generar respuestas a sistemas capaces de planificar, mantener contexto, consultar herramientas y ejecutar acciones. Una misma petición puede desencadenar búsquedas en bases de datos, llamadas a distintas API, verificaciones de inventario, comunicaciones con otros agentes y modificaciones en sistemas empresariales.
Esa actividad constante requiere una infraestructura distinta a la que se usa solo para probar chatbots o entrenar modelos de manera puntual. Los agentes necesitan memoria, acceso rápido a datos, observabilidad, identidades propias, permisos limitados y capacidad para mantener procesos durante largos periodos.
La investigación fue completada en enero de 2026 por Google Cloud y GBK Collective. Participaron responsables de TI de empresas en 12 países, con más de 1.000 empleados, salvo en Asia-Pacífico y Latinoamérica, donde el mínimo fue de 500. Todos los encuestados utilizaban inteligencia artificial generativa o estaban planificando hacerlo en los próximos 12 meses. Los resultados, por tanto, reflejan a grandes organizaciones interesadas en la tecnología, pero no a todo el tejido empresarial.
Solo una de cada seis empresas se considera preparada
El gráfico de preparación incluido en la página 6 del informe clasifica a las organizaciones en cinco grupos. El 12 % necesita cambios fundamentales, mientras que otro 29 % debe actualizar sistemas centrales. Un 27 % cree que requiere ajustes menores o trabajos de integración.
Un 16 % podría desplegar pilotos con poco esfuerzo, pero aún no confía en utilizar agentes en procesos críticos. Solo el 17 % afirma estar listo para agentes de producción en tareas que afectan operaciones esenciales.
| Preparación de la infraestructura actual | Porcentaje |
|---|---|
| Necesita cambios fundamentales | 12 % |
| Requiere mejoras importantes en sistemas centrales | 29 % |
| Necesita integraciones y ajustes menores | 27 % |
| Puede ejecutar pilotos con poco esfuerzo | 16 % |
| Preparada para agentes críticos en producción | 17 % |
La suma de categorías supera el 100 % por redondeo, pero Google Cloud resume en un 83 % el grupo que aún necesita mejorar ciertos aspectos para estar completamente preparado.
El principal vacío técnico no radica en los aceleradores, sino en la integración. El 43 % señala dificultades para conectar agentes con API antiguas y fuentes de datos heredadas. Un 36 % demanda bases de datos vectoriales de alto rendimiento, y un 35 % considera insuficiente la seguridad para acceder a múltiples sistemas.
| Limitaciones principales para desplegar agentes | Porcentaje |
|---|---|
| Integración con API y datos heredados | 43 % |
| Bases de datos vectoriales insuficientes | 36 % |
| Seguridad limitada para acceso multisistema | 35 % |
Estos porcentajes corresponden a respuestas múltiples, ya que una misma organización puede presentarse con varias limitaciones, algo habitual cuando el agente debe consultar aplicaciones desarrolladas en diferentes épocas y combinar información en distintos entornos.
El reto consiste en ofrecer contexto sin conceder permisos ilimitados. Un agente que prepara una orden de compra puede necesitar consultar ventas, inventario, proveedores y transporte, pero no debería tener la capacidad de modificar todos esos sistemas con los mismos permisos.
La inferencia supera al entrenamiento en gasto
El uso continuo de modelos desplaza el gasto desde el entrenamiento hacia la inferencia. Esta última ya representa el 47 % del presupuesto de IA, frente al 28 % dedicado al entrenamiento.
| Distribución del presupuesto de IA | Porcentaje |
|---|---|
| Inferencia | 47 % |
| Entrenamiento | 28 % |
| Optimización de modelos | 16 % |
| Experimentación | 9 % |
Esta diferencia es importante porque los agentes no generan una respuesta única y definitiva, sino que mantienen conversaciones, ejecutan herramientas, revisan resultados y vuelven a consultar el modelo, lo que consume capacidad de cálculo, memoria, almacenamiento y red en cada paso.
Google Cloud utiliza el término “impuesto de inferencia” para describir los costos asociados a escalar estas cargas en plataformas previas. Aunque es un término comercial, los datos lo ilustran: el 62 % menciona costes directos relacionados con infraestructura, almacenamiento, transferencias de datos y aceleradores infrautilizados.
El coste más destacado, sin embargo, es la complejidad operativa. El 81 % identifica como un coste oculto el trabajo de ingeniería necesario para integrar modelos, bases de datos, herramientas, controles de acceso y plataformas de monitorización.
| Costes ocultos al ampliar la IA | Porcentaje |
|---|---|
| Complejidad operativa e ingeniería | 81 % |
| Infraestructura y consumo directo | 62 % |
| Talento y formación | 57 % |
Asimismo, el 96 % considera importante la eficiencia económica a la hora de elegir infraestructura. Un 32 % la califica como extremadamente importante, el 49 % como muy importante y un 15 % como importante.
Este énfasis fomenta el uso de servicios gestionados, ya que trasladan al proveedor tareas como el aprovisionamiento, la escalabilidad y parte del mantenimiento. El informe señala que las organizaciones más avanzadas en IA tienen un 50 % más de probabilidades de utilizar servicios gestionados o predominantemente administrados.
Esa conveniencia puede incrementar también la dependencia del proveedor. El 78 % afirma adquirir soluciones de IA generativa directamente a su principal socio cloud, frente al 48 % en 2025. Google interpreta esto como una búsqueda de integración y gobernanza centralizada, aunque también puede implicar valorar la portabilidad, los costes de salida y la posibilidad de cambiar de plataforma.
Seguridad, nube híbrida y energía, las prioridades para próximas inversiones
Los agentes amplían la superficie de riesgo, ya que pueden actuar en nombre de una persona o de un proceso empresarial. El 79 % cita la seguridad, la gobernanza y las operaciones de aprendizaje automático, conocidas como MLOps, como principales desafíos al escalar la inferencia.
| Dificultades principales para escalar inferencia | Porcentaje |
|---|---|
| Seguridad, gobernanza y MLOps | 79 % |
| Alineación entre sistemas y negocio | 64 % |
| Rendimiento y eficiencia de los modelos | 64 % |
| Gestión de costes | 46 % |
| Seguridad como problema específico | 39 % |
Dentro de la seguridad de la infraestructura, la cadena de suministro de IA ocupa un lugar destacado. Incluye modelos de terceros, pesos abiertos, bibliotecas, datos de entrenamiento y componentes que potencialmente pueden introducir vulnerabilidades o comportamientos no deseados.
| Preocupaciones de seguridad asociadas con la IA | Porcentaje |
|---|---|
| Cadena de suministro de IA y aprendizaje automático | 48 % |
| Datos en entornos multicliente | 41 % |
| Acceso no autorizado o extracción de modelos | 39 % |
El estudio también advierte sobre riesgos como la inyección indirecta de instrucciones y la manipulación de herramientas. Un atacante podría introducir órdenes maliciosas en una página, un correo electrónico o un documento que luego sería analizado por el agente.
La solución pasa por implementar identidades separadas, permisos mínimos, registros de actividad y aprobaciones humanas antes de operaciones delicadas. El objetivo no solo es determinar qué respuesta generó el modelo, sino también reconstruir qué datos, herramientas y cambios fueron utilizados.
En cuanto al despliegue, el 52 % utiliza una arquitectura híbrida multicloud, frente al 41 % de la edición previa. El 90 % considera importante que la inteligencia artificial funcione en el edge, y el 72 % lo califica como muy o extremadamente importante.
| Indicadores de arquitectura y despliegue | Porcentaje |
|---|---|
| Utiliza una estrategia híbrida multicloud | 52 % |
| La IA en el edge es importante | 90 % |
| El edge muy o extremadamente importante | 72 % |
| Prioriza controles sobre la ubicación de datos | 48 % |
| Valora una plataforma unificada como requisito crítico | 69 % |
El procesamiento en el edge puede reducir la latencia, mantener servicios durante caídas de conectividad y limitar las consultas enviadas a la nube. Aunque no reemplaza completamente los centros de datos centrales, permite distribuir tareas en función de sus requisitos específicos.
La residencia de los datos también influye en esa distribución. Casi la mitad de los responsables, un 48 %, prioriza infraestructuras con controles sobre la ubicación de los datos, ya que los agentes pueden acceder a información personal, industrial o financiera, y la jurisdicción afecta tanto a las bases de datos como a los registros y servicios implicados en cada operación.
La energía es otra limitación. El 91 % considera el consumo energético al elegir hardware para inferencia, y un 61 % lo ve como un factor principal o importante.
| Peso de la energía en la selección de hardware | Porcentaje |
|---|---|
| El consumo influye en la elección | 91 % |
| Factor principal o importante | 61 % |
No se trata solo del coste de la electricidad. Los equipos de alta densidad requieren nuevas líneas de alimentación, refrigeración líquida, racks específicos y reformas en los centros de datos. En algunas regiones, la capacidad de la red eléctrica limita directamente la instalación de nuevos aceleradores.
Por ello, las prioridades de inversión están enfocadas en la base tecnológica. El 84 % planea destinar recursos significativos a infraestructura y operaciones en los próximos 12 a 24 meses, frente a un 67 % que priorizará los datos y un 55 % que reforzará la seguridad.
| Inversiones previstas en los próximos 12-24 meses | Porcentaje |
|---|---|
| Infraestructura y operaciones centrales | 84 % |
| Datos | 67 % |
| Seguridad | 55 % |
Los resultados muestran que desplegar agentes no depende únicamente de modelos más potentes. Es necesario modernizar interfaces, consolidar datos, gestionar costes y definir permisos antes de conceder acciones autónomas a un sistema.
El informe, elaborado y publicado por Google Cloud, utiliza estas conclusiones para defender plataformas integradas, servicios gestionados y su propia infraestructura. Aunque tiene un enfoque comercial, los datos revelan una tensión evidente: muchas organizaciones han avanzado más rápido en sus planes de IA que en la preparación de los sistemas que las soportarán.
Preguntas frecuentes
¿Qué es un sistema de IA agéntica?
Es una aplicación capaz de planificar tareas, mantener contexto, consultar herramientas y ejecutar acciones mediante varios pasos. Puede funcionar con cierto grado de autonomía, aunque las operaciones críticas deben estar supervisadas por humanos.
¿Por qué no basta solo con añadir más GPU?
Los problemas más frecuentes tienen que ver con la integración de datos, API heredadas, seguridad, permisos y complejidad operativa. Aunque los aceleradores mejoran el cálculo, no resuelven esas limitaciones por sí mismos.
¿Qué porcentaje de empresas está completamente preparado?
Solo el 17 % afirma tener plena confianza en su infraestructura para ejecutar agentes críticos en producción.
¿En qué invertirán más las organizaciones?
El 84 % planea dedicar recursos importantes a infraestructura central y operaciones en los próximos 12 a 24 meses, mientras que los datos y la seguridad lo harán en menor medida, con un 67 % y un 55 %, respectivamente.
Vía: Informe Google State of infrastructure in the agentic AI era 2026