IA: la nueva frontera es operar los data centers

Por qué construir más ya no alcanza

La inteligencia artificial está entrando en una etapa donde el cuello de botella ya no es el modelo ni la infraestructura física, sino la capacidad de operarla de forma eficiente. Según McKinsey & Company (2025), la demanda global de capacidad para centros de datos crecerá entre 19% y 22% anual hasta 2030, impulsada principalmente por la IA, con inversiones cercanas a US$6,7 billones en infraestructura durante los próximos cinco años. Esa cifra, replicada por Reuters, da forma a una nueva pregunta: ¿cómo hacer funcionar todo eso sin que el sistema colapse por calor, agua o energía?

El primer ciclo de la IA fue una carrera por levantar modelos más grandes y desplegar más chips. El siguiente será una carrera por operar la infraestructura que esos modelos requieren. La International Energy Agency estima que los centros de datos consumieron alrededor de 415 TWh en 2024, cerca del 1,5% de la electricidad mundial, y proyecta que esa cifra podría escalar a unos 945 TWh hacia 2030 en su escenario central, alrededor del 3% del consumo global, según reporta CleanTechnica. En Estados Unidos, donde la carga está mucho más concentrada, el Lawrence Berkeley National Laboratory estima que los centros de datos podrían representar cerca del 11,8% del consumo eléctrico nacional hacia 2030.

El problema no es solo el volumen, sino la densidad. Bank of America, citado por Reuters, estima que el consumo por rack de IA podría superar 1,5 MW hacia fines de 2030, casi 100 veces más que un rack convencional. Eso cambia la física del centro de datos: la refrigeración y la distribución eléctrica se vuelven tan críticas como el cómputo mismo. En mercados emergentes, los hyperscalers que necesitan entrega en seis meses pueden enfrentar esperas de hasta 24 meses para una conexión de red eléctrica, y más de ocho años en algunos mercados desarrollados, según la consultora Pivotale AI.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El software se vuelve infraestructura crítica

En este escenario, el software de gestión de infraestructura de centros de datos (DCIM) deja de ser una herramienta de monitoreo para convertirse en parte de la infraestructura crítica. MarketsandMarkets proyecta que el mercado de DCIM crecerá de US$3.020 millones a US$5.010 millones entre 2025 y 2029, un salto del 66% en cuatro años. Plataformas como Schneider Electric EcoStruxure IT, Nlyte, Sunbird, Cormant-CS, EkkoSense y FNT Software concentran la mayor parte de la innovación en este segmento, según el relevamiento de TechTarget.

La tesis central es que integrar datos de los sistemas eléctricos, climatización, TI y activos físicos permite no solo saber qué ocurre, sino anticipar fallas, optimizar el consumo y decidir antes de que un problema afecte la operación. Los gemelos digitales (réplicas virtuales del centro de datos que simulan su comportamiento físico) y el mantenimiento predictivo permiten diseñar, operar y mantener instalaciones complejas a partir de datos durante todo su ciclo de vida. Schneider Electric, por ejemplo, presentó el 23 de septiembre de 2026 su nueva unidad de distribución de refrigerante WCDU, que combina enfriamiento líquido y de aire en un mismo equipo y extiende su portafolio Motivair desde 105 kW hasta 3,5 MW, según el comunicado oficial recogido por Business Insider.

Refrigeración, agua y energía: el cuello de botella que se viene

Tres restricciones físicas dominan la próxima década de la IA: refrigeración, agua y energía. Rystad Energy estima que el consumo directo de agua para enfriamiento de centros de datos podría pasar de 222.000 millones de litros en 2025 a casi 644.000 millones en 2030 en su escenario central. Con mitigación agresiva, esa cifra podría limitarse a 388.000 millones de litros. Operadores hyperscale como AWS, Meta, Microsoft y Google han asumido compromisos públicos de volverse water positive hacia 2030, pero la métrica varía enormemente por geografía: AWS reportó un WUE promedio de 0,12 litros por kWh en 2025, Meta 0,19, Microsoft 0,27, Digital Realty 0,59 y Equinix 0,91.

En refrigeración, Bank of America proyecta que el enfriamiento líquido representará el 70% de las nuevas instalaciones de centros de datos para IA hacia 2030, frente a cerca del 30% actual. McKinsey estima que esa tecnología puede reducir el consumo energético más de un 27%. La consultora también señala que los transformadores de estado sólido (SST), que reemplazan bobinas magnéticas por semiconductores, podrían alcanzar una penetración del 40% hacia 2030, según UBS, con una mejora de eficiencia cercana al 4%.

¿Qué significa esto para tu startup?

Para una startup que está construyendo sobre IA, este nuevo escenario redefine tres variables que antes se daban por sentadas:

El costo real del cómputo sube, pero el de operarlo baja. Los proveedores hyperscale trasladarán parte del costo energético y de refrigeración al precio de la inferencia. Modelar bien el costo total (no solo el de la GPU-hora) es ahora parte del product-market fit.
La ubicación y la latencia pesan más. Regiones con redes eléctricas estables, agua disponible y marcos regulatorios claros (zonas frías de España, países nórdicos, hubs emergentes en LATAM) se vuelven polos de atracción para nuevos data centers. Construir cerca del cómputo, o seleccionar proveedores en regiones eficientes, empieza a ser una decisión estratégica.
El software de gestión deja de ser un lujo enterprise. Soluciones como EcoStruxure IT, Nlyte o Sunbird bajan el umbral de entrada para que equipos pequeños operen infraestructura con disciplina de hyperscale. Auditar el WUE, el PUE (Power Usage Effectiveness) y la disponibilidad ya no es opcional cuando el SLA con clientes depende de eso.

Acciones concretas que puedes tomar esta semana

Pide a tu proveedor cloud o colocation sus métricas de PUE y WUE auditables. Si no las tiene públicas, empieza a cuestionar el SLA. La eficiencia deja de ser marketing cuando hay un cuello de botella físico detrás.
Mapea el mix de inferencia vs. entrenamiento en tu producto. Las cargas de inferencia dominan el consumo en producción y son las que más se benefician de optimizaciones de software (caching, batching, cuantización). Ahí está el margen inmediato.
Evalúa la dependencia geográfica de tu infraestructura. Si todo tu cómputo corre en una sola región, diversificar entre dos o tres hubs (por ejemplo, uno en Norteamérica y otro en Europa o LATAM) es ahora parte de la continuidad del negocio.