El 83 % de las grandes organizaciones considera que su infraestructura necesita mejoras antes de ejecutar agentes de inteligencia artificial en producción, según un estudio de Google Cloud elaborado a partir de las respuestas de 1.402 responsables tecnológicos. El problema no se limita a comprar más GPU: integración con sistemas antiguos, costes de inferencia, seguridad, datos y consumo energético aparecen entre los principales obstáculos.
Las claves de la infraestructura para IA agéntica en 30 segundos
- Solo el 17 % confía plenamente en poder ejecutar agentes críticos con su infraestructura actual.
- La inferencia ya consume el 47 % del presupuesto de inteligencia artificial, frente al 28 % destinado al entrenamiento.
- El 81 % identifica la complejidad operativa como un coste oculto.
- Seguridad, gobierno y MLOps preocupan al 79 % de los responsables.
- El 84 % prevé invertir con fuerza en infraestructura y operaciones durante los próximos dos años.
El informe refleja el paso desde una inteligencia artificial centrada en generar respuestas hacia sistemas capaces de planificar, conservar contexto, consultar herramientas y ejecutar acciones. Una petición puede desencadenar búsquedas en bases de datos, llamadas a distintas interfaces de programación de aplicaciones (API), comprobaciones de inventario, comunicaciones con otros agentes y modificaciones en sistemas empresariales.
Esa actividad permanente exige una infraestructura diferente a la utilizada para probar un chatbot o entrenar un modelo de forma puntual. Los agentes necesitan memoria, acceso rápido a los datos, observabilidad, identidades propias, permisos limitados y capacidad para mantener procesos durante periodos prolongados.
La investigación fue completada en enero de 2026 por Google Cloud y GBK Collective. Participaron responsables de TI de empresas de 12 países, con más de 1.000 empleados, salvo en Asia-Pacífico y Latinoamérica, donde el mínimo se situó en 500. Todos los encuestados utilizaban inteligencia artificial generativa o planeaban hacerlo en los siguientes 12 meses. Los resultados describen, por tanto, a grandes organizaciones ya interesadas en la tecnología y no al conjunto del tejido empresarial.
Solo una de cada seis empresas se considera preparada
El gráfico de preparación incluido en la página 6 del informe divide a las organizaciones en cinco grupos. El 12 % necesita modificaciones fundamentales y otro 29 % debe actualizar sistemas centrales. Un 27 % cree que requiere trabajos menores de integración y ajuste.
Otro 16 % podría poner en marcha agentes piloto con poco esfuerzo, pero todavía no confía en utilizarlos sobre servicios esenciales. Solo el 17 % afirma estar preparado para agentes de producción que participen en procesos críticos.
| Preparación de la infraestructura actual | Porcentaje |
|---|---|
| Necesita cambios fundamentales | 12 % |
| Requiere mejoras importantes en sistemas centrales | 29 % |
| Precisa integración y ajustes menores | 27 % |
| Puede ejecutar pilotos con poco esfuerzo | 16 % |
| Preparada para agentes críticos en producción | 17 % |
La suma de las categorías alcanza el 101 % por el redondeo de los resultados, mientras Google Cloud resume en un 83 % el grupo que todavía necesita algún tipo de mejora para alcanzar una preparación completa.
El principal vacío técnico no está en los aceleradores. El 43 % señala dificultades para conectar los agentes con API antiguas y fuentes de datos heredadas. Un 36 % echa en falta bases de datos vectoriales de alto rendimiento y el 35 % considera insuficiente la seguridad disponible para acceder a varios sistemas.
| Principales carencias para desplegar agentes | Porcentaje |
|---|---|
| Integración con API y datos heredados | 43 % |
| Bases de datos vectoriales insuficientes | 36 % |
| Seguridad limitada para el acceso multisistema | 35 % |
Los porcentajes corresponden a respuestas múltiples. Una misma organización puede sufrir las tres limitaciones, algo habitual cuando el agente debe consultar aplicaciones creadas en épocas diferentes y combinar información almacenada en varios entornos.
La dificultad consiste en proporcionar contexto sin conceder acceso ilimitado. Un agente que prepare una orden de compra puede necesitar consultar ventas, inventario, proveedores y transporte, pero no debería poder modificar todos esos sistemas con los mismos permisos.
La inferencia supera al entrenamiento en el presupuesto
El uso continuo de los modelos está desplazando el gasto desde el entrenamiento hacia la inferencia. Esta última representa ya el 47 % del presupuesto de inteligencia artificial recogido por el informe, frente al 28 % destinado a entrenar modelos.
| Distribución del presupuesto de IA | Porcentaje |
|---|---|
| Inferencia | 47 % |
| Entrenamiento | 28 % |
| Optimización de modelos | 16 % |
| Experimentación | 9 % |
La diferencia es relevante porque los agentes no generan una única respuesta y terminan. Pueden mantener conversaciones largas, ejecutar herramientas, revisar resultados y volver a consultar el modelo. Cada paso consume capacidad de cálculo, memoria, almacenamiento y red.
Google Cloud utiliza la expresión “impuesto de inferencia” para describir los costes que aparecen al escalar estas cargas sobre plataformas anteriores. El término es comercial, pero los datos ayudan a concretarlo: el 62 % menciona costes directos de infraestructura y uso, incluidos almacenamiento, transferencias de datos y aceleradores infrautilizados.
El gasto más señalado, sin embargo, es la complejidad operativa. El 81 % identifica como coste oculto el trabajo de ingeniería necesario para unir modelos, bases de datos, herramientas, controles de acceso y plataformas de monitorización.
| Costes ocultos al ampliar la IA | Porcentaje |
|---|---|
| Complejidad operativa e ingeniería | 81 % |
| Infraestructura y consumo directo | 62 % |
| Talento y formación | 57 % |
Además, el 96 % considera que la eficiencia económica es importante al elegir una infraestructura. Un 32 % la califica como extremadamente importante, el 49 % como muy importante y otro 15 % como importante.
Esta preocupación favorece los servicios administrados, porque trasladan al proveedor tareas como el aprovisionamiento, la ampliación de clústeres y parte del mantenimiento. El informe señala que las organizaciones más avanzadas en inteligencia artificial tienen un 50 % más de probabilidades de utilizar servicios total o principalmente gestionados.
Esa comodidad también puede aumentar la dependencia del proveedor. El 78 % afirma adquirir soluciones de IA generativa directamente a su socio cloud principal, frente al 48 % registrado en la edición de 2025. Google presenta este aumento como una búsqueda de integración y gobierno centralizado, aunque para las empresas también implica valorar la portabilidad, los costes de salida y la posibilidad de cambiar de plataforma.
Seguridad, nube híbrida y energía definen la siguiente inversión
Los agentes amplían la superficie de riesgo porque pueden actuar en nombre de una persona o de un proceso empresarial. El 79 % sitúa la seguridad, el gobierno y las operaciones de aprendizaje automático, conocidas como MLOps, entre los principales problemas al escalar la inferencia.
| Principales dificultades para escalar inferencia | Porcentaje |
|---|---|
| Seguridad, gobierno y MLOps | 79 % |
| Alineación entre sistemas y negocio | 64 % |
| Rendimiento y eficiencia de los modelos | 64 % |
| Gestión de costes | 46 % |
| Seguridad como problema específico | 39 % |
Dentro de la seguridad de la infraestructura, la cadena de suministro de inteligencia artificial ocupa el primer lugar. Incluye modelos de terceros, pesos abiertos, bibliotecas, datos de entrenamiento y componentes que pueden introducir vulnerabilidades o comportamientos no esperados.
| Preocupaciones de seguridad relacionadas con la IA | Porcentaje |
|---|---|
| Cadena de suministro de IA y aprendizaje automático | 48 % |
| Datos en entornos multicliente | 41 % |
| Acceso no autorizado o extracción de modelos | 39 % |
El estudio también señala riesgos como la inyección indirecta de instrucciones y la manipulación de herramientas. Un atacante podría introducir órdenes maliciosas en una página, un correo o un documento que el agente analice posteriormente.
La respuesta propuesta pasa por identidades separadas, permisos mínimos, registros de actividad y aprobación humana antes de operaciones sensibles. El objetivo no es solo saber qué respuesta produjo el modelo, sino reconstruir qué datos consultó, qué herramienta utilizó y qué cambios ejecutó.
En cuanto al despliegue, el 52 % utiliza una arquitectura híbrida multicloud, frente al 41 % de la edición anterior. El 90 % considera importante ejecutar inteligencia artificial en el edge y el 72 % lo califica como muy o extremadamente importante.
| Indicadores de arquitectura y despliegue | Porcentaje |
|---|---|
| Utiliza una estrategia híbrida multicloud | 52 % |
| Considera importante la IA en el edge | 90 % |
| Considera el edge muy o extremadamente importante | 72 % |
| Prioriza controles de residencia de datos | 48 % |
| Valora una plataforma integrada como requisito crítico | 69 % |
El procesamiento en el edge puede reducir la latencia, mantener servicios durante una caída de conectividad y limitar el número de consultas enviadas a la nube. No sustituye por completo a los centros de datos centrales, pero permite distribuir cada tarea según sus requisitos.
La residencia de la información también condiciona esa distribución. Casi la mitad de los responsables, un 48 %, prioriza infraestructuras con controles sobre la ubicación de los datos. Los agentes pueden consultar información personal, industrial o financiera, por lo que la jurisdicción afecta tanto a las bases de datos como a los registros y servicios que participan en cada operación.
La energía aparece como otra limitación. El 91 % tiene en cuenta el consumo cuando elige hardware para inferencia y un 61 % lo considera un factor principal o significativo.
| Peso de la energía en la elección de hardware | Porcentaje |
|---|---|
| El consumo influye en la selección | 91 % |
| Es un factor principal o significativo | 61 % |
No se trata únicamente del precio de la electricidad. Los equipos de alta densidad pueden exigir nuevas líneas de alimentación, refrigeración líquida, racks específicos y reformas en el centro de datos. En algunas regiones, la capacidad disponible en la red eléctrica limita directamente la instalación de nuevos aceleradores.
Por eso las prioridades de inversión se concentran en la base tecnológica. El 84 % prevé dedicar recursos importantes a infraestructura y operaciones durante los siguientes 12 a 24 meses, frente al 67 % que priorizará los datos y el 55 % que reforzará la seguridad.
| Inversiones previstas en los próximos 12-24 meses | Porcentaje |
|---|---|
| Infraestructura central y operaciones | 84 % |
| Datos | 67 % |
| Seguridad | 55 % |
Los resultados muestran que el despliegue de agentes no depende únicamente de disponer de modelos más potentes. Las empresas necesitan modernizar interfaces, consolidar datos, vigilar costes y definir permisos antes de entregar acciones reales a un sistema autónomo.
El informe está elaborado y publicado por Google Cloud, que utiliza sus conclusiones para defender plataformas integradas, servicios administrados y su propia infraestructura. Aun con ese componente comercial, los datos describen una tensión reconocible: muchas organizaciones han avanzado más deprisa en sus planes de inteligencia artificial que en la preparación de los sistemas que deberán sostenerlos.
Preguntas frecuentes
¿Qué es un sistema de IA agéntica?
Es una aplicación capaz de planificar tareas, conservar contexto, consultar herramientas y ejecutar acciones mediante varios pasos. Puede trabajar con cierto grado de autonomía, aunque las operaciones sensibles deberían mantener supervisión humana.
¿Por qué no basta con añadir más GPU?
Los problemas más citados afectan a la integración de datos, las API antiguas, la seguridad, los permisos y la complejidad operativa. Los aceleradores mejoran el cálculo, pero no resuelven por sí solos esas limitaciones.
¿Qué porcentaje de empresas está completamente preparado?
Solo el 17 % afirma tener plena confianza en su infraestructura para ejecutar agentes críticos en producción.
¿Dónde invertirán más las organizaciones?
El 84 % prevé invertir de forma importante en infraestructura central y operaciones durante los próximos 12 a 24 meses. Los datos y la seguridad aparecen después, con un 67 % y un 55 %, respectivamente.
Vía: Informe Google State of infrastructure in the agentic AI era 2026
