La adopción empresarial de inteligencia artificial avanza más rápido que la infraestructura necesaria para sostenerla. Un nuevo estudio encargado por Cloudera concluye que el 95 % de las organizaciones encuestadas retrasó o canceló algún proyecto de IA durante el último año por problemas relacionados con gobierno del dato, cumplimiento normativo o regulación. El resultado apunta a un cambio menos visible que la carrera por las GPU: muchas empresas están teniendo que rediseñar la arquitectura sobre la que almacenan, gobiernan y mueven sus datos.
Las claves de la reestructuración de la IA empresarial en 30 segundos
- El 95 % retrasó o canceló iniciativas de IA por problemas de gobierno, cumplimiento o regulación.
- Un 72 % considera que su arquitectura de datos necesita cambios importantes para responder a las futuras necesidades de IA.
- El 84 % afirma que las cargas de IA han elevado sus costes de infraestructura.
- Un 66 % trasladó cargas desde cloud público hacia cloud privado o infraestructura propia.
- El estudio consultó a 1.500 profesionales de arquitectura, cloud y datos de nueve mercados, incluida España.
Las cifras proceden de The Great AI Re-Architecture, una encuesta encargada por Cloudera a Wakefield Research entre responsables técnicos de grandes organizaciones. El trabajo se realizó entre el 5 y el 22 de junio de 2026 en Estados Unidos, Canadá, Brasil, Sudáfrica, España, Reino Unido, Singapur, India y Japón.
La muestra obliga a interpretar los porcentajes correctamente. No significa que el 95 % de todas las empresas del mundo haya paralizado proyectos de IA, sino que esa proporción de los 1.500 profesionales encuestados declaró haber experimentado retrasos o cancelaciones por esos motivos.
Aun con esa cautela, los resultados encajan con otro estudio publicado por la propia Cloudera en abril. En aquella investigación, realizada sobre 1.270 responsables de TI, cerca del 80 % reconocía que sus iniciativas de datos e IA estaban limitadas por dificultades para acceder a la información necesaria entre diferentes entornos.
El problema de la IA empresarial ya no es solamente conseguir GPU
Durante los dos últimos años buena parte de la conversación sobre infraestructura de IA se ha concentrado en aceleradores, centros de datos y disponibilidad eléctrica. Pero una empresa puede disponer de capacidad de cómputo suficiente y continuar teniendo dificultades para poner un sistema de IA en producción.
El problema aparece unos niveles más abajo.
Los datos empresariales suelen estar repartidos entre bases de datos tradicionales, aplicaciones SaaS, almacenamiento de objetos, data lakes, sistemas heredados, diferentes proveedores cloud, centros de datos propios y dispositivos situados en el edge.
Una prueba de concepto puede trabajar con un conjunto limitado de esa información. Llevar el mismo sistema a producción exige determinar quién puede acceder a cada dato, dónde puede procesarse, durante cuánto tiempo debe conservarse y qué información puede utilizar realmente un modelo.
Ahí empiezan a aparecer las limitaciones de arquitecturas construidas inicialmente para inteligencia empresarial, analítica convencional o aplicaciones transaccionales.
El 75 % de los participantes en el nuevo estudio afirma que la incorporación de IA ya ha modificado las prácticas de almacenamiento y arquitectura de datos de su organización. Además, un 84 % declara haber experimentado mayores costes de infraestructura debido a estas cargas.
No resulta extraño que el 72 % considere necesaria una remodelación importante de su arquitectura para atender las necesidades futuras.
Cloudera denomina a este proceso The Great AI Re-Architecture. El término procede de la propia compañía y forma parte del planteamiento comercial de su estudio, pero describe un fenómeno tecnológico reconocible: añadir un modelo sobre una infraestructura de datos existente no siempre basta para construir una plataforma de IA empresarial.
La propia Cloudera ya advertía meses atrás de que los primeros experimentos de IA se habían desplegado en ocasiones sobre entornos de datos fragmentados y sin preparar previamente gobierno y seguridad para operar a escala.
El dato híbrido vuelve al centro de la arquitectura
Uno de los resultados más interesantes aparece al preguntar dónde están ejecutándose esas cargas.
El 66 % de los encuestados afirma haber trasladado durante el último año cargas de IA desde nubes públicas hacia cloud privado o infraestructura on-premises.
El dato no implica una retirada general del cloud público.
De hecho, las empresas continúan utilizando múltiples entornos y moviendo información entre ellos. El 97 % de los participantes asegura trasladar datos entre diferentes infraestructuras al menos una vez al mes.
Lo que aparece es una arquitectura más repartida.
Algunas cargas pueden tener sentido en un hiperescalares por su elasticidad y disponibilidad inmediata de aceleradores. Otras pueden resultar más adecuadas para infraestructura dedicada cuando mantienen una utilización constante, necesitan trabajar cerca de grandes volúmenes de datos o están condicionadas por requisitos de soberanía, seguridad y regulación.
La elección también puede cambiar durante el ciclo de vida del proyecto. Entrenar o experimentar en un entorno y ejecutar posteriormente inferencia en otro empieza a ser técnicamente posible si las plataformas de datos y modelos mantienen suficiente interoperabilidad.
Por eso híbrido no debería interpretarse simplemente como mantener unos servidores propios y contratar simultáneamente AWS, Azure o Google Cloud.
El verdadero desafío consiste en conseguir políticas consistentes de identidad, seguridad, catálogo, gobierno y acceso al dato independientemente de dónde termine ejecutándose cada carga.
Cloudera tiene un interés comercial directo en esta tendencia porque su plataforma está orientada precisamente a combinar centros de datos y diferentes entornos cloud. La compañía anunció en abril nuevas funciones dirigidas a extender capacidad local hacia la nube y compartir tablas Apache Iceberg sin duplicar los datos.
El estudio debe leerse teniendo presente esa posición del proveedor.
Pero los problemas que identifica no desaparecen por ello.
El gobierno del dato se está convirtiendo en infraestructura de IA
La cifra probablemente más llamativa del informe no está relacionada con servidores.
Un 73 % considera que la IA ha hecho más complejo el gobierno de los datos, mientras que el 55 % asegura haber retrasado o cancelado más de seis proyectos durante los últimos doce meses por cuestiones de gobierno, cumplimiento o regulación.
Esto cambia considerablemente el significado de estar «preparado para la IA».
Tener una cuenta empresarial en un proveedor de modelos, acceso a GPU o un equipo capaz de desarrollar aplicaciones ya no garantiza que el proyecto pueda desplegarse sobre información corporativa real.
Una organización necesita saber qué datos utiliza el sistema, su procedencia y permisos, qué información puede recibir el modelo y qué ocurre con los resultados.
La IA generativa complica además la situación porque trabaja frecuentemente con datos no estructurados: documentos, correos, conversaciones, imágenes, grabaciones, archivos PDF o repositorios de código.
El problema se multiplica con arquitecturas RAG (Retrieval-Augmented Generation), agentes y herramientas capaces de consultar sistemas empresariales. El modelo deja de trabajar únicamente con un dataset preparado previamente y empieza a solicitar información de diferentes fuentes durante la ejecución.
Cuantas más herramientas puede utilizar un agente, más importante resulta determinar qué identidad utiliza y hasta dónde llegan sus permisos.
Los resultados anteriores del Data Readiness Index de Cloudera ya mostraban esa contradicción. Aunque muchas empresas manifestaban confianza en sus datos, menos de una quinta parte aseguraba tenerlos completamente gobernados.
Mover datos continuamente tampoco es gratis
El estudio introduce además una cuestión económica.
Si el 97 % mueve información entre entornos al menos mensualmente, la arquitectura de IA no puede analizarse únicamente desde el precio de las GPU.
Mover grandes cantidades de información tiene costes de red, almacenamiento, replicación y operación. También puede introducir latencia y crear nuevas copias que después necesitan sus propias políticas de seguridad y gobierno.
En determinados escenarios puede tener más sentido llevar el modelo hasta los datos que llevar continuamente los datos hasta el modelo.
Esto resulta especialmente evidente en sectores que manejan enormes cantidades de información o tienen fuertes restricciones regulatorias.
En telecomunicaciones, por ejemplo, otro análisis publicado por Cloudera en junio encontró que el 90 % de los responsables consultados había sufrido limitaciones operativas relacionadas con el rendimiento de la infraestructura, pese a que la mayoría afirmaba saber dónde estaban sus datos.
El problema no consiste únicamente en conocer la ubicación del dato. Hay que poder acceder a él con suficiente rendimiento, mantener las políticas correspondientes y hacerlo económicamente viable.
La siguiente fase de la IA empresarial será menos visible
La primera etapa de la IA generativa estuvo protagonizada por los modelos. Después llegaron las GPU y los enormes centros de datos necesarios para entrenarlos y ejecutarlos.
En las empresas empieza ahora una fase bastante menos llamativa: reordenar años de infraestructura tecnológica para que esos modelos puedan trabajar con información corporativa real.
Esto incluye modernizar data lakes, reducir silos, establecer catálogos, controlar identidades, introducir observabilidad, revisar redes, determinar dónde ejecutar inferencia y decidir qué datos pueden abandonar cada infraestructura.
También obliga a revisar una idea habitual durante los primeros meses de la IA generativa: que bastaba con conectar un modelo potente a la información de una compañía para empezar a obtener valor.
En producción aparecen requisitos que una demostración puede ignorar.
El estudio de Cloudera refleja precisamente esa distancia entre experimentar con IA y operarla a escala. El 77 % de las organizaciones encuestadas ya utiliza IA, pero una mayoría considera al mismo tiempo que la arquitectura existente necesita cambios importantes.
El cuello de botella, por tanto, no está necesariamente en adoptar otro modelo más avanzado.
Para muchas grandes empresas puede estar bastante más abajo: en conseguir que sus datos sean accesibles, gobernables y utilizables desde diferentes infraestructuras sin perder el control sobre ellos.
Preguntas frecuentes
¿Realmente el 95 % de las empresas ha paralizado proyectos de IA?
El 95 % de los profesionales participantes en el estudio de Cloudera afirmó que su organización había retrasado o cancelado iniciativas durante el último año por problemas de gobierno del dato, cumplimiento o regulación. La cifra corresponde a la muestra estudiada y no debe extrapolarse automáticamente a todas las empresas.
¿Por qué están volviendo cargas de IA desde el cloud público?
El 66 % de los encuestados afirma haber trasladado alguna carga desde cloud público hacia cloud privado o infraestructura propia. Entre los factores que pueden influir están costes, rendimiento, gobierno, control de los datos y requisitos regulatorios.
¿Significa esto que las empresas están abandonando el cloud?
No. Los propios resultados apuntan hacia entornos híbridos: cloud público, privado, centros de datos y edge utilizados simultáneamente según las características de cada carga.
¿Cuántas empresas participaron en el estudio?
Wakefield Research realizó la encuesta para Cloudera entre 1.500 arquitectos empresariales, responsables de infraestructura cloud y arquitectos de datos de nueve mercados, incluida España, entre el 5 y el 22 de junio de 2026.
vía: cloudera
