La IA no fracasa en los algoritmos – fracasa en datos basura, refrigeración y capacidad

El modelo no es el problema – son los datos con los que se entrena

Existe una creencia generalizada de que una IA mejor se logra con modelos más grandes y algoritmos más potentes. Pero si se lee el nuevo informe 2026 State of Visual and Physical AI de IEEE Spectrum y Wiley, basado en respuestas de más de 700 profesionales, emerge una imagen completamente diferente.

La mayoría de todos los fracasos de modelos no se deben a deficiencias en la arquitectura – se deben a deficiencias en los datos. Los equipos anotan manualmente conjuntos de datos completos, para luego descartar grandes partes del material antes de su implementación. Se pierden enormes recursos, no porque el trabajo sea innecesario, sino porque se realiza en el orden equivocado y sin la debida discriminación.

Lo que distingue a los equipos exitosos de los que se quedan atrapados no es, por lo tanto, cuántos datos recopilan. Es lo bien que los procesan y seleccionan. Suena simple. No lo es.

Al mismo tiempo, el 2026 R&D Benchmark Report de IEEE Spectrum, que se basa en respuestas de más de 200 directores sénior de investigación y desarrollo en nueve sectores, señala un problema relacionado: las organizaciones carecen de la capacidad analítica necesaria para priorizar los proyectos correctos y abandonar a tiempo las iniciativas no rentables. Los conocimientos llegan demasiado tarde a quienes toman decisiones. Las fuentes de datos están fragmentadas. Los procesos de aprobación son lentos. El resultado es el mismo – recursos que se queman sin crear valor.

En una época en la que los mercados cambian más rápido que nunca, la capacidad de tomar decisiones bien fundamentadas e impulsadas por datos al principio del proceso se ha convertido en una ventaja competitiva decisiva.

Cuando los chips de IA se calientan demasiado para el aire

Pero incluso si una empresa logra dominar la calidad de datos y la toma de decisiones, queda otro desafío completamente diferente: ejecutar realmente los modelos. Y es literalmente caliente.

Los acelerador modernos de IA pueden emitir más de 1 000 vatios por unidad. Un único bastidor de servidores puede producir más de 100 kilowatios. Así lo reporta IEEE Spectrum en un documento técnico elaborado con apoyo de la empresa de refrigeración CoolIT Systems – y el punto es cristalino: la refrigeración por aire tradicional no puede manejarlo.

La solución que se destaca es la refrigeración por líquido directo de un solo paso, donde el agua o una mezcla de agua y glicol circula a través de placas de enfriamiento montadas directamente en los componentes más calientes. El líquido absorbe el calor y lo transporta a través de un ciclo cerrado. La ventaja no es solo la eficiencia térmica – el empaque más denso de bastidores de servidores también libera espacio en el piso de los centros de datos, un recurso escaso cuando la demanda de capacidad de computación aumenta a un ritmo récord.

Es un recordatorio de que la carrera de la IA no solo se lleva a cabo en capas de software y laboratorios de investigación. También ocurre en tuberías, sistemas de refrigeración y salas de servidores.

Y luego los datos tienen que moverse realmente

A esto se suma una capa más de desafío de infraestructura: la replicación de datos. A medida que los volúmenes de datos crecen exponencialmente, muchos sistemas de replicación comienzan a mostrar sus limitaciones. Los trabajos que anteriormente se completaban de noche ahora se extienden hacia el horario comercial, los datos se vuelven obsoletos y los costos de computación aumentan.

Según un documento técnico elaborado por IEEE Spectrum, Wiley y la empresa de datos CData, dos cambios de arquitectura relativamente simples – lectura paralela particionada y proceso de escritura optimizado – pueden proporcionar hasta un 76 por ciento de tiempo de ejecución más corto, sin comprar hardware nuevo. Se trata de utilizar la capacidad del procesador existente de manera más inteligente, no de gastar dinero en nuevo equipo.

Es una pequeña pero importante señal: a veces, la mejora más efectiva no es la más costosa.

Tres desafíos, un patrón

Al juntar estos tres informes emerge un patrón claro. Los desafíos de la IA en la práctica no son principalmente científicos – son ingenieriles y organizacionales. Se trata de procesar los datos correctos, no solo recopilar más. Se trata de extraer calor de los centros de datos de manera sostenible. Se trata de garantizar que los datos puedan moverse lo suficientemente rápido como para ser útiles.

Este es el tipo de problema que no se resuelve con la próxima generación de modelos. Requieren un cuidadoso diseño de sistemas, colaboración multidisciplinaria y una voluntad de trabajar con la infraestructura como el todo complejo que realmente es.