El 83 % de las organizaciones considera que su infraestructura necesita algún tipo de actualización antes de poder ejecutar sistemas de inteligencia artificial agéntica en producción. Solo un 17 % afirma tener plena confianza en que su plataforma actual puede soportar agentes autónomos, persistentes y capaces de operar sobre procesos críticos, según un estudio de Google Cloud realizado entre 1.402 responsables de tecnología.
Las claves de la infraestructura para IA agéntica en 30 segundos
- Solo el 17 % confía plenamente en su infraestructura para ejecutar agentes críticos en producción.
- La inferencia ya concentra el 47 % del presupuesto dedicado a cargas de inteligencia artificial.
- El 79 % señala la seguridad, el gobierno y las operaciones de modelos como el principal obstáculo.
- El 52 % utiliza arquitecturas híbridas multicloud y el 90 % considera importante procesar IA en el edge.
- El consumo energético influye en la elección de hardware para el 91 %.
La diferencia entre un chatbot y un agente ayuda a entender esta preocupación. Un asistente conversacional recibe una consulta y genera una respuesta. Un sistema agéntico puede mantener el estado durante horas, consultar varias bases de datos, activar herramientas, comunicarse con otros agentes y ejecutar acciones sobre aplicaciones empresariales. Una sola instrucción puede originar decenas o cientos de operaciones posteriores.
El informe fue encargado por Google Cloud y ejecutado por GBK Collective. La investigación terminó en enero de 2026 y reunió a responsables de TI de 12 países. Todas las organizaciones participantes tenían experiencia o planes inmediatos con inteligencia artificial generativa, por lo que los resultados reflejan principalmente la situación de grandes empresas que ya trabajan con esta tecnología, no la del conjunto de compañías ni la de las pequeñas y medianas empresas.
| Metodología del informe | Datos |
|---|---|
| Participantes | 1.402 responsables sénior de TI |
| Ámbito geográfico | 12 países |
| Países incluidos | Estados Unidos, Canadá, Reino Unido, Francia, Alemania, Australia, Japón, Corea del Sur, México, Brasil, China e India |
| Tamaño de las empresas | Más de 1.000 empleados; más de 500 en Asia-Pacífico y Latinoamérica |
| Fecha de finalización | Enero de 2026 |
| Perfil de los encuestados | Responsables, arquitectos de infraestructura y líderes tecnológicos |
| Relación con la IA | Tenían una carga generativa o planeaban desplegarla en los siguientes 12 meses |
Solo el 17 % confía en su infraestructura para producción
El dato del 83 % no significa que todas las empresas necesiten reconstruir por completo sus centros de datos. El estudio agrupa situaciones muy diferentes, desde organizaciones que requieren cambios fundamentales hasta otras capaces de lanzar pruebas piloto, pero que todavía no garantizan un funcionamiento crítico y continuado.
El gráfico de preparación compartido en el informe muestra que un 12 % necesita renovar elementos básicos de su infraestructura y un 29 % debe realizar cambios importantes en sistemas centrales. Otro 27 % cree que le bastaría con trabajos menores de integración y ajuste.
También aparece un 16 % que podría ejecutar agentes piloto con poco esfuerzo. Google incluye a este grupo dentro del 83 % porque disponer de capacidad para una prueba inicial no equivale a soportar agentes en producción con requisitos de disponibilidad, seguridad, observabilidad y recuperación ante fallos.
| Preparación actual para la IA agéntica | Porcentaje |
|---|---|
| Necesita actualizaciones fundamentales | 12 % |
| Requiere mejoras importantes en sistemas centrales | 29 % |
| Precisa integración y ajustes menores | 27 % |
| Puede soportar agentes piloto con poco esfuerzo | 16 % |
| Confianza plena para agentes críticos en producción | 17 % |
Los porcentajes suman un 101 % debido al redondeo aplicado en el estudio. La lectura principal permanece intacta: aproximadamente una de cada seis organizaciones se considera preparada para utilizar agentes autónomos en procesos críticos.
El salto a producción cambia también la distribución del gasto. El entrenamiento de grandes modelos ha concentrado buena parte de la atención durante los últimos años, pero las empresas necesitan ahora mantener esos modelos disponibles, ejecutar consultas, conservar contexto y coordinar herramientas durante toda la jornada.
La inferencia representa ya el 47 % del presupuesto de IA recogido por el informe. El entrenamiento absorbe el 28 %, la optimización de modelos supone otro 16 % y los entornos de experimentación se quedan con el 9 %.
| Destino del presupuesto de IA | Porcentaje |
|---|---|
| Inferencia | 47 % |
| Entrenamiento | 28 % |
| Optimización de modelos | 16 % |
| Experimentación e innovación | 9 % |
Esta distribución explica por qué una infraestructura preparada para entrenar un modelo de forma puntual no tiene por qué funcionar bien cuando miles de usuarios y agentes comienzan a consultarlo de forma continua.
La inferencia agéntica combina aceleradores, CPU, memoria, almacenamiento y red. Los modelos pueden necesitar GPU o unidades especializadas, pero la coordinación de flujos, las llamadas a herramientas, las políticas de acceso y las tareas auxiliares continúan dependiendo en gran medida de procesadores convencionales.
Las empresas también identifican problemas fuera del hardware. El principal vacío es la conexión con interfaces de programación de aplicaciones, conocidas como API, y fuentes de datos antiguas. Un 43 % reconoce dificultades para integrar agentes con sistemas heredados.
| Principales carencias de infraestructura | Porcentaje |
|---|---|
| Integración con API y datos heredados | 43 % |
| Falta de bases de datos vectoriales de alto rendimiento | 36 % |
| Seguridad insuficiente para acceder a varios sistemas | 35 % |
Estos porcentajes proceden de una pregunta con varias respuestas posibles, por lo que no deben sumarse. Un mismo proyecto puede sufrir simultáneamente problemas de integración, almacenamiento semántico y control de accesos.
El coste de la IA no se limita a comprar GPU
La eficiencia económica aparece como una preocupación casi general. El 96 % considera importante el coste al tomar decisiones sobre infraestructura de IA: un 32 % lo califica como extremadamente importante, un 49 % como muy importante y un 15 % como importante.
| Importancia del coste en las decisiones de infraestructura | Porcentaje |
|---|---|
| Extremadamente importante | 32 % |
| Muy importante | 49 % |
| Importante | 15 % |
| Algo importante | 4 % |
| No importante | 0 % |
El precio de los aceleradores es solo una parte de la cuenta. El principal coste oculto señalado por los responsables tecnológicos es la complejidad operativa y el trabajo de ingeniería necesario para conectar modelos, datos, herramientas y políticas.
Un 81 % menciona ese trabajo adicional, que incluye el mantenimiento de clústeres, la supervisión, la integración de plataformas y el desarrollo de código para unir componentes que no fueron diseñados para funcionar juntos.
| Costes ocultos al escalar la IA | Porcentaje |
|---|---|
| Complejidad operativa y trabajo de ingeniería | 81 % |
| Infraestructura y consumo directo | 62 % |
| Personal, formación y talento especializado | 57 % |
El 62 % señala además los costes directos de infraestructura, una categoría en la que el informe agrupa las transferencias de datos, el crecimiento del almacenamiento y el hardware especializado que permanece inactivo durante parte del tiempo. Google Cloud denomina a esta combinación “impuesto de inferencia”, aunque se trata de una expresión comercial y no de una métrica financiera estandarizada.
La seguridad añade otra capa. Un agente no se limita a leer información: puede enviar correos, consultar un sistema de planificación de recursos empresariales, modificar registros, generar una orden de compra o activar una API. Cada capacidad necesita una identidad, permisos definidos, trazabilidad y límites claros.
El 79 % sitúa la seguridad, el gobierno y las operaciones de aprendizaje automático, conocidas como MLOps, entre los principales problemas para ampliar la inferencia. La alineación entre el negocio y los sistemas aparece con un 64 %, el mismo porcentaje que el rendimiento y la eficiencia de los modelos.
| Obstáculos para ampliar la inferencia | Porcentaje |
|---|---|
| Seguridad, gobierno y MLOps | 79 % |
| Alineación entre negocio y sistemas | 64 % |
| Rendimiento y eficiencia de los modelos | 64 % |
Dentro del apartado de seguridad, el mayor temor es la cadena de suministro de inteligencia artificial. El 48 % señala riesgos relacionados con modelos, datos de entrenamiento, componentes de código abierto y dependencias incorporadas a los proyectos.
| Principales preocupaciones de seguridad | Porcentaje |
|---|---|
| Protección de la cadena de suministro de IA y ML | 48 % |
| Protección de datos en entornos multicliente | 41 % |
| Acceso no autorizado y extracción de modelos | 39 % |
El informe también identifica la inyección indirecta de instrucciones y la manipulación de herramientas como riesgos específicos de los agentes. Un contenido malicioso dentro de un documento, una página web o una API podría intentar modificar el comportamiento del sistema cuando este analiza la información.
Por eso el gobierno no puede limitarse a revisar el resultado final. Las empresas necesitan registrar qué agente actuó, con qué identidad, qué datos consultó, qué herramienta utilizó y quién autorizó una operación sensible.
La arquitectura híbrida gana peso frente a una nube única
La expansión de la IA agéntica no está llevando todas las cargas a una única nube pública. El 52 % de las organizaciones utiliza una arquitectura híbrida multicloud, frente al 41 % recogido por Google en su informe de 2025. El aumento es de 11 puntos porcentuales, equivalente a un crecimiento interanual del 26,8 %.
Este modelo permite mantener determinados datos y sistemas dentro de instalaciones propias, utilizar varias nubes y ejecutar inferencia cerca del lugar en el que se genera la información. La formación de modelos o las tareas más intensivas pueden desplazarse a centros con aceleradores, mientras las operaciones sensibles o de baja latencia permanecen en entornos locales.
| Tendencias de arquitectura y despliegue | Porcentaje |
|---|---|
| Organizaciones que utilizan híbrido multicloud | 52 % |
| Consideran importante desplegar IA en el edge | 90 % |
| Consideran el edge muy o extremadamente importante | 72 % |
| Priorizan controles de residencia de datos | 48 % |
| Consideran crítica una plataforma integrada de extremo a extremo | 69 % |
| Contratan IA generativa a su proveedor cloud principal | 78 % |
El crecimiento del edge responde a tres necesidades. La primera es la latencia: una aplicación industrial, sanitaria, audiovisual o de atención por voz puede necesitar respuestas sin esperar el recorrido hasta un centro de datos lejano.
La segunda es la continuidad. Un agente instalado en una fábrica o una tienda puede seguir operando con funciones limitadas aunque se interrumpa la conexión. La tercera es el coste, ya que ejecutar localmente tareas repetitivas puede reducir las llamadas continuas a servicios centrales.
La soberanía y la residencia de datos también influyen. El 48 % prioriza infraestructuras que permitan controlar dónde permanece la información. Para sectores regulados, esta decisión afecta a las bases de datos, las copias, los registros, los modelos y los servicios externos que consulta cada agente.
El informe defiende las plataformas integradas de los grandes proveedores cloud y señala que el 78 % contrata sus soluciones generativas a su proveedor principal, frente al 48 % de 2025. El dato muestra una consolidación de proveedores, aunque también debe leerse dentro del origen comercial del estudio: Google utiliza el informe para presentar sus propios servicios como respuesta a los problemas detectados.
La energía completa el cuadro. El 91 % tiene en cuenta el consumo al seleccionar hardware y plataformas, mientras un 61 % lo considera un factor principal o significativo.
| Papel de la energía en la selección de hardware | Porcentaje |
|---|---|
| El consumo influye en la decisión | 91 % |
| Es un factor principal o significativo | 61 % |
La disponibilidad eléctrica ya limita la instalación de nueva capacidad en algunos mercados. Además, los aceleradores de mayor consumo exigen cambios en refrigeración, densidad por rack, alimentación y diseño de los centros de datos.
El coste energético tampoco depende únicamente de la eficiencia del chip. Una organización que mantiene aceleradores sobredimensionados y poco utilizados puede obtener un peor resultado que otra que distribuye las tareas entre GPU, CPU y otros procesadores según las características de cada carga.
Las prioridades de inversión para los próximos 12 a 24 meses reflejan esa necesidad de reforzar primero la base. El 84 % prevé dedicar recursos importantes a infraestructura y operaciones, por delante de los datos y la seguridad.
| Áreas con mayores inversiones previstas | Porcentaje |
|---|---|
| Infraestructura central y operaciones | 84 % |
| Plataformas y gestión de datos | 67 % |
| Seguridad | 55 % |
La conclusión del estudio no es que todas las empresas deban comprar más aceleradores. Los problemas más citados afectan a la integración, el coste operativo, los permisos, la observabilidad, los datos y la energía. Una infraestructura con mucha capacidad de cálculo puede seguir sin estar preparada para agentes si no puede controlar qué hacen, mantener su estado o conectarlos de forma segura con los sistemas empresariales.
Preguntas frecuentes
¿Qué diferencia existe entre IA generativa e IA agéntica?
La IA generativa produce texto, imágenes, código u otros contenidos. La IA agéntica añade planificación, memoria, acceso a herramientas y capacidad para ejecutar acciones durante procesos formados por varios pasos.
¿Por qué la infraestructura tradicional puede tener problemas con los agentes?
Los agentes mantienen contexto, realizan consultas continuas y acceden a varias aplicaciones. Esto aumenta las necesidades de inferencia, red, almacenamiento, observabilidad, gestión de identidades y seguridad.
¿La IA agéntica obliga a trasladarlo todo a la nube pública?
No. El informe muestra una preferencia creciente por entornos híbridos y multicloud. El 52 % utiliza esta arquitectura y el 90 % considera importante ejecutar determinadas cargas en el edge.
¿Qué debería revisar primero una empresa antes de desplegar agentes?
Debería comprobar la integración con sus datos y API, la identidad de los agentes, sus permisos, la trazabilidad de las acciones, el coste de inferencia y la capacidad para intervenir cuando una operación necesite aprobación humana.
Vía: Informe Google State of infrastructure in the agentic AI era 2026
