El auge de la IA no es una ola futura esperando en alta mar: ya está rompiendo con la infraestructura empresarial y la mayoría de los equipos de la nube apenas están manteniéndose a flote.
Ese es el panorama contundente que presenta el reciente Informe de Preparación para la GenAI de ControlMonkey . La encuesta, realizada a 300 líderes sénior en DevOps, ingeniería en la nube e infraestructura, reveló que se prevé que las cargas de trabajo impulsadas por la IA generativa aumenten un 50 % en los próximos 12 a 24 meses. Casi cuatro de cada diez líderes afirmaron que el aumento sería «significativo» o incluso «exponencial».
La IA no es solo otra categoría de carga de trabajo; se está convirtiendo rápidamente en la carga de trabajo que define a las empresas. Sin embargo, si bien la curva de demanda es pronunciada, la curva de preparación es plana. Este desajuste está generando presión sobre los equipos de la nube, que ya están sobrecargados, a quienes se les pide que impulsen la innovación a un ritmo superior al que sus sistemas y, a menudo, sus habilidades pueden soportar.
El ancho de banda es la primera víctima
El hallazgo más sorprendente del estudio de ControlMonkey es que el 46 % de los líderes de DevOps y la nube afirman que sus equipos simplemente no tienen el potencial para innovar. Ya están agotados por mantener la operación en marcha.
Se trata de una amenaza estratégica, no solo técnica. Las empresas no pueden permitirse dedicar todos sus ciclos a combatir las interrupciones y las desviaciones de configuración actuales sin dejar espacio para la innovación del futuro. Ante el auge de la IA, los equipos sin capacidad de innovación corren el riesgo de quedarse atrás no solo de la competencia, sino también de las expectativas de sus propias unidades de negocio.
Según mis propias conversaciones con CIO y CISO, esta presión es intensa. La mayoría de los líderes quieren impulsar los proyectos de IA, pero con demasiada frecuencia sus equipos están tan ocupados solucionando problemas que la innovación queda relegada a un segundo plano.
La automatización no se mantiene al día
Al preguntarles sobre su preparación para la automatización, solo el 46 % de los equipos afirmó estar completamente preparado para cargas de trabajo impulsadas por IA. El resto admitió no estar listo para la escalabilidad.
Se supone que la automatización es la palanca que permite a los equipos pequeños impulsar grandes ambiciones. Sin embargo, las deficiencias habituales —fiabilidad (43%), escasez de habilidades (39%) y límites de escalabilidad (36%)— siguen frenando el progreso. No se trata de problemas exóticos de IA. Son problemas de infraestructura antiguos y aburridos que no se han resuelto, y que ahora chocan con el ritmo vertiginoso de la IA.
Aún es relativamente pronto en lo que respecta a la IA, pero las cosas avanzan rápido y quienes no estén preparados corren el riesgo de quedarse atrás rápidamente. GenAI no cambia los fundamentos de las operaciones en la nube. Simplemente los amplifica. Si sus canales de automatización son frágiles ahora, se deteriorarán más rápido bajo la demanda impulsada por la IA. Si su monitorización es irregular hoy, los puntos ciegos se multiplicarán mañana.
Visibilidad, costos y gobernanza
El informe también destaca los problemas habituales que han afectado la adopción de la nube durante años: costos, visibilidad y gobernanza. El 37 % de los líderes mencionó el aumento de los costos como su principal obstáculo para la infraestructura. Otro 36 % señaló la falta de visibilidad en tiempo real y el 32 % admitió tener dificultades para asignar eficazmente los recursos.
Nuevamente, estos problemas no son nuevos. Pero el contexto sí lo es. En un mundo pre-IA, la ineficiencia implicaba sobrecostos o lanzamientos más lentos. En un mundo impulsado por la IA, la ineficiencia se vuelve existencial. Cuando las cargas de trabajo aumentan de forma impredecible, la incapacidad de prever lo que está sucediendo o de confiar en que la automatización responderá puede frenar la innovación.
La gobernanza es otro cuello de botella inminente. Casi un tercio de los encuestados mencionó la gobernanza de la seguridad y la complejidad del cumplimiento normativo como los principales desafíos. Las cargas de trabajo de IA suelen manipular datos confidenciales e introducir nuevas dependencias, lo que convierte la gobernanza en un objetivo cambiante. Sin políticas estandarizadas, las empresas corren el riesgo de ralentizar la innovación con burocracia o de precipitarse imprudentemente hacia desastres de cumplimiento normativo.
Por qué las habilidades y la visibilidad son lo más importante
Quizás el dato más revelador sea lo que los líderes afirman que realmente ayudaría. La capacitación y la visibilidad encabezan la lista, con un 45 %. El control de costos (21 %), la gobernanza (20 %) y la automatización (14 %) ocupan puestos más bajos.
Eso es revelador. Las empresas no necesariamente quieren más herramientas, sino más claridad y experiencia. No se puede automatizar lo que no se entiende, ni se puede controlar lo que no se ve. He visto este patrón antes: los equipos compran plataformas con promesas de velocidad y escalabilidad, solo para darse cuenta de que carecen del personal y la visibilidad necesarios para que esas herramientas sean efectivas. La tecnología en sí no es el cuello de botella, sino el factor humano.
La encuesta también reveló que la propiedad de las herramientas de IA está fragmentada. En la mayoría de las organizaciones, la responsabilidad se reparte entre tres o más grupos: ingeniería, DevOps, dirección y ciencia de datos. En el 12 % de las empresas, cinco o más funciones comparten la propiedad. Esta dispersión ralentiza la toma de decisiones y genera desajustes. Centralizar la propiedad, idealmente en los equipos más cercanos a la infraestructura, puede ser una de las medidas más sencillas que las organizaciones pueden tomar para acelerar la preparación.
Cerrando la brecha de habilidades en la nube
El énfasis de la encuesta en la capacitación y la experiencia subraya una realidad creciente: el éxito en la ampliación de la IA depende tanto de las personas como de las plataformas.
Ese contexto ayuda a explicar por qué ControlMonkey presentó recientemente KoMo AI , una herramienta basada en GenAI que busca reducir los cuellos de botella de la infraestructura como código. En lugar de reemplazar a los ingenieros, KoMo está diseñado para generar código Terraform alineado con los módulos y políticas existentes de la organización, con el objetivo de reducir las revisiones repetitivas y ayudar a los miembros del equipo con menos experiencia a contribuir de forma más eficaz.
En su lanzamiento, el CEO Aharon Twizer describió a KoMo como una forma de «cerrar la brecha de habilidades en la nube mediante la evolución del autoservicio». Queda por ver si KoMo cumple esa promesa, pero el momento de su lanzamiento refleja la urgencia que destaca la propia investigación de ControlMonkey: casi la mitad de los líderes de DevOps afirman carecer del potencial para innovar justo cuando se prevé que las cargas de trabajo de IA se dupliquen.
Los próximos 12 meses decidirán
Richard Stiennon, analista jefe de investigación de IT-Harvest, lo expresó sin rodeos: «La adopción de la IA es tan importante hoy como lo fue la presencia en internet hace 30 años. No dejes que el presupuesto ni la falta de personal te impidan avanzar. Capacita a los curiosos para que encuentren resultados rápidamente».
Esa es la realidad que enfrenta la TI empresarial. Las cargas de trabajo de GenAI están escalando, independientemente de si los equipos están preparados. La pregunta es si las organizaciones invertirán en los fundamentos: automatización escalable, visibilidad que revele la situación real y capacitación que permita a los ingenieros innovar.
Todo cambio tecnológico pone a prueba la infraestructura. La virtualización lo logró. La nube lo logró. Ahora la IA lo hace más rápido y con mayor intensidad. La diferencia esta vez es la velocidad. Las empresas no tienen años para adaptarse. Tienen meses.
Las empresas que sobrevivan a este punto de inflexión no serán necesariamente las que cuenten con los modelos de IA más avanzados. Serán aquellas cuyos equipos de infraestructura puedan absorber el aumento sin sufrir interrupciones. En otras palabras, el éxito en la era de la IA podría depender menos de la IA en sí y más de la preparación de las personas y los sistemas encargados de respaldarla.
