Por qué las empresas argentinas no pueden postergar su inversión en IA

Las empresas argentinas que postergan la modernización de su infraestructura de tecnologías de la información (TI) enfrentan un riesgo concreto: quedar rezagadas frente a competidores regionales que ya procesan inteligencia artificial (IA) de forma local en sus centros de datos y dispositivos. La brecha no es solo tecnológica, sino de productividad, costos operativos y velocidad de respuesta.

Así lo advirtió Juan Moscoso, gerente de Ventas Comerciales para Sudamérica hispanohablante de AMD, una de las principales empresas globales de semiconductores, en una entrevista con iProfesional. Según el ejecutivo, sectores como banca, telecomunicaciones, energía y minería ya incorporan cargas de trabajo cada vez más intensivas en datos e inteligencia artificial, lo que eleva la demanda de capacidad de cómputo muy por encima de lo que permite la infraestructura instalada.

Pero escalar ya no significa simplemente sumar servidores. Hoy implica obtener mayor rendimiento dentro de las restricciones de energía, espacio y refrigeración que tienen los centros de datos locales. Y ahí aparece un concepto que atraviesa toda la conversación: la eficiencia energética como variable inseparable de cualquier decisión tecnológica.

Moscoso defendió un enfoque híbrido. No se trata de elegir entre nube o procesamiento local, sino de ejecutar cada carga en el entorno más conveniente. La IA local, explicó, aporta ventajas en privacidad, porque permite procesar información sensible sin enviarla fuera de la empresa; en latencia, al acercar el cómputo al lugar donde se generan los datos; y en costos, al reducir el tráfico innecesario hacia la nube.

También puso el foco en lo que viene para el trabajador de oficina. Las unidades de procesamiento neural (NPU, por sus siglas en inglés), integradas en los procesadores de última generación, permiten ejecutar tareas de inteligencia artificial directamente en la PC: resumir documentos, traducir en tiempo real, asistir en videoconferencias. El impacto, dijo, no estará en que el usuario sepa qué chip tiene su equipo, sino en que su jornada laboral sea más ágil, con la IA incorporada de forma natural a sus herramientas habituales.

Para las organizaciones que diseñan su infraestructura hoy, Moscoso recomendó priorizar estándares abiertos y arquitecturas flexibles que permitan sumar capacidades sin reemplazar todo cada pocos meses. El objetivo no es anticipar cuál será la próxima tecnología, sino contar con una base que pueda adaptarse a medida que cambien las necesidades del negocio.

-¿Cuál es su diagnóstico sobre el estado actual de la infraestructura local? ¿Por qué la capacidad de cómputo y la eficiencia energética se están volviendo los límites para este escalado?

-En Argentina, sectores como banca, telecomunicaciones, energía y minería están incorporando cargas de trabajo cada vez más intensivas en datos e inteligencia artificial, elevando la demanda de capacidad de cómputo. En este escenario, escalar la infraestructura ya no significa simplemente sumar servidores: implica obtener mayor rendimiento y capacidad de procesamiento dentro de las restricciones de energía, espacio y refrigeración existentes.

Por eso, la relación entre rendimiento y eficiencia energética se está convirtiendo en un factor cada vez más relevante para los centros de datos. Una mayor densidad de cómputo permite consolidar cargas de trabajo y aprovechar mejor la infraestructura disponible, al tiempo que ayuda a responder al crecimiento de las necesidades de procesamiento.

Ahí es donde la arquitectura cobra especial relevancia. (…) De esta manera, la conversación sobre modernización del centro de datos evoluciona hacia cómo obtener más capacidad de cómputo por cada recurso utilizado, manteniendo un equilibrio entre rendimiento, eficiencia, seguridad y capacidad de crecimiento.

-¿Cómo pueden las organizaciones argentinas diseñar arquitecturas que sean eficientes en consumo eléctrico y sostenibles en el tiempo sin comprometer su rendimiento?

-Para empezar, hay que entender que no todas las cargas de inteligencia artificial requieren la misma arquitectura y tampoco deben pensarse únicamente alrededor de la GPU. Según el caso de uso, pueden ejecutarse en CPU, NPU o mediante cómputo acelerado por GPU, ya sea en el data center, en la nube o más cerca del usuario.

En este sentido, lo recomendable es diseñar plataformas equilibradas, consolidar y virtualizar las cargas cuando tenga sentido y adoptar arquitecturas modulares y escalables que puedan crecer junto con la demanda.

En el diseño, la eficiencia energética es fundamental porque el consumo eléctrico también impacta en refrigeración, espacio y costos operativos. Por eso, debe considerarse desde el inicio junto con la capacidad de crecimiento de la plataforma.

-¿Qué ventajas estratégicas, especialmente en términos de seguridad de datos y costos de conectividad, ofrecen los esquemas de IA local frente al procesamiento puramente en la nube?

-La IA local puede aportar ventajas claras cuando una organización necesita procesar información sensible, reducir latencia o depender menos de una conexión constante con la nube. Ejecutar determinadas cargas cerca de donde se generan los datos permite mantener más información dentro del entorno de la empresa y responder con mayor rapidez.

La IA local puede aportar tres ventajas principales:

• Privacidad: permite procesar información sensible dentro de la empresa o del dispositivo, reduciendo la necesidad de enviarla fuera de ese entorno.
• Latencia: acerca el procesamiento al lugar donde se generan los datos, lo que puede acelerar la respuesta.
• El factor económico: puede reducir el tráfico hacia la nube cuando no es necesario transferir información de forma constante.

Esto no significa que haya que elegir entre nube o procesamiento local. La tendencia marca una evolución hacia modelos híbridos, donde cada carga se ejecuta en el entorno más conveniente. En este sentido, la nube puede aportar agilidad y flexibilidad, mientras que el procesamiento local puede resultar especialmente relevante cuando se priorizan privacidad, latencia y eficiencia de costos.

-¿De qué manera concreta estima que el procesamiento de IA local mediante NPU transformará la productividad diaria del trabajador de oficina promedio en el mediano plazo?

-La transformación será cada vez más natural para el usuario, porque muchas de las capacidades de IA se integrarán directamente en las aplicaciones y flujos de trabajo que utiliza todos los días. Tareas como resumir información, traducir contenido en tiempo real, trabajar con video, colaborar en reuniones o utilizar asistentes inteligentes podrán ejecutarse de manera más eficiente directamente en el dispositivo.

La NPU juega un papel importante en esta evolución al ser un motor dedicado a ejecutar determinadas cargas de IA de manera local y con alta eficiencia energética. Esto permite descargar estas tareas de la CPU y la GPU, de manera que cada motor de cómputo pueda dedicarse a las cargas para las que está mejor preparado, optimizando el rendimiento general del sistema.

(…) AMD integra CPU, GPU y NPU en una misma solución para llevar capacidades de IA directamente a las PC empresariales. Para las organizaciones, esto abre la posibilidad de ejecutar más experiencias de IA en el dispositivo, con mayor capacidad de respuesta y manteniendo determinados datos y cargas de trabajo de forma local.

En el mediano plazo, el impacto para el trabajador no estará necesariamente en "usar una NPU", sino en contar con una PC capaz de incorporar la IA de forma más natural a su jornada diaria, ayudándolo a trabajar de manera más ágil y eficiente.

-¿De qué manera proyectos como DASH AI ayudan a nivelar la cancha y reducir la dependencia de costosos servicios de nube?

-La clave de este tipo de proyectos está en que ayudan a reducir el costo de entrada para la adopción de la inteligencia artificial, tanto en términos de acceso a capacidad de cómputo como de conocimiento técnico. Su valor central está en acercar estas capacidades a investigadores, empresas y organizaciones que podrían no contar con infraestructura propia o experiencia avanzada para comenzar.

En ese sentido, ayudan a nivelar la cancha porque amplían quiénes pueden experimentar y desarrollar este tipo de soluciones. Al reducir la necesidad de contar desde el inicio con hardware especializado o conocimientos avanzados de programación, facilita que más personas y organizaciones puedan construir capacidades propias y avanzar gradualmente hacia modelos de IA que respondan a sus necesidades.

-El caso del supercomputador Leftraru 2, ubicado en el NLHPC de Chile, se destaca como un referente del cómputo de avanzada. ¿Qué lecciones debería tomar la Argentina de este modelo para impulsar su propia infraestructura de alto rendimiento?

-Una de las principales lecciones de Leftraru 2 es que la infraestructura estratégica no se construye de manera aislada, sino que requiere una visión de largo plazo y una articulación efectiva entre academia, sector público e industria. Cada actor aporta algo distinto: conocimiento científico, prioridades de desarrollo y necesidades concretas que esa capacidad de cómputo puede ayudar a resolver.

Para Argentina, el aprendizaje pasa por pensar este tipo de infraestructura como una plataforma compartida, capaz de apoyar investigación, innovación y desarrollo tecnológico en distintos sectores. La clave no es solo contar con mayor capacidad de cómputo, sino lograr que esa inversión pueda ser aprovechada por múltiples actores y casos de uso.

-¿Cómo se traduce el cómputo de alto rendimiento en innovaciones concretas para la salud? ¿Qué tan viable ve la aplicación de estos modelos predictivos en el sistema sanitario argentino?

-El cómputo de alto rendimiento permite procesar grandes volúmenes de información y aplicar inteligencia artificial sobre datos que, por su escala y complejidad, serían mucho más difíciles de analizar con infraestructura convencional. En salud, esto puede habilitar aplicaciones vinculadas con imágenes médicas, análisis genómico o identificación de patrones que apoyen la investigación y el análisis clínico.

El caso de Leftraru 2 muestra cómo esa capacidad puede ponerse al servicio de problemas concretos, por ejemplo, en proyectos vinculados al análisis de mamografías para detectar falsos positivos.

En Argentina existe una oportunidad para avanzar en este tipo de iniciativas, siempre que se combinen capacidad de cómputo, acceso y gestión adecuada de los datos, validación científica y colaboración entre el sistema de salud, la academia y la industria.

-¿Cuál es su visión sobre el nivel de preparación de los desarrolladores y científicos de datos argentinos para programar y optimizar cargas de trabajo sobre estas nuevas arquitecturas de hardware acelerado?

-Argentina cuenta con profesionales con experiencia en software, datos e inteligencia artificial y una fuerte vocación por explorar nuevas aplicaciones. El desafío está en seguir desarrollando conocimientos específicos sobre estas nuevas arquitecturas y generar oportunidades de experimentación práctica.

A medida que CPU, GPU y NPU asumen distintos tipos de cargas, entender cómo distribuir y optimizar esos recursos se vuelve una capacidad cada vez más relevante para desarrolladores, investigadores y científicos de datos.

-¿Qué principios arquitectónicos fundamentales deben seguir las empresas para que la inversión en IA no quede obsoleta a los pocos meses?

-El principio central es construir sobre estándares abiertos y arquitecturas flexibles que permitan incorporar nuevas capacidades sin tener que reemplazar toda la infraestructura. Eso implica priorizar interoperabilidad entre hardware y software y evitar dependencias innecesarias de una única tecnología.

La inversión en IA debería pensarse como una base capaz de evolucionar junto con los casos de uso. El objetivo no es anticipar cuál será la próxima tecnología, sino contar con una arquitectura que pueda adaptarse a medida que cambien las cargas, el software y las necesidades del negocio.

-¿Cuál es el costo de oportunidad para una empresa argentina que decide postergar la actualización de su infraestructura de TI frente a competidores regionales que ya están adoptando aceleradores y procesamiento local de IA?

-El principal riesgo es competitivo porque si una empresa posterga la adopción de estas herramientas mientras sus competidores avanzan, puede encontrarse con una brecha creciente en productividad, costos operativos y velocidad de respuesta.

La inteligencia artificial puede ayudar a optimizar procesos, acelerar el análisis de información y mejorar la toma de decisiones, pero no se trata de adoptar tecnología porque sí. La clave es identificar dónde puede generar valor y avanzar de forma planificada, con una infraestructura preparada para incorporar nuevas capacidades cuando el negocio lo requiera.

Cada vez más, la discusión no pasa solo por si las empresas van a adoptar inteligencia artificial, sino por qué tan preparadas estarán para hacerlo cuando esas capacidades se vuelvan parte habitual de la operación.