La inferencia de IA superará al entrenamiento en gasto de infraestructura en 2026, según Gartner

Por primera vez, el gasto mundial en infraestructura para inferencia de IA superará al destinado a entrenamiento de modelos. Según un informe de Gartner, el mercado de AI-optimized IaaS crecerá un 96% este año hasta los 42.000 millones de dólares, y la mayor parte de esa inversión se irá a la fase de inferencia, un cambio de paradigma que obliga a las grandes tecnológicas a repensar sus centros de datos y su modelo de negocio.

Por Redacción12 de agosto de 2026, 17:45

La inferencia gana peso en el gasto en IaaS

El informe de Gartner citado por Xataka estima que el gasto mundial en AI-optimized IaaS —un subsegmento de la infraestructura como servicio en el que el proveedor de nube ofrece bajo demanda recursos de cómputo de alto rendimiento para entrenamiento e inferencia de modelos a gran escala— crecerá un 96% en 2026, alcanzando los 42.000 millones de dólares. De esa cifra, 23.300 millones se destinarán a inferencia y 19.000 millones a entrenamiento. La inferencia pesará un 55% del presupuesto de IaaS para este año, superando por primera vez al entrenamiento.

Gartner también proyecta que el mercado de optimización de IaaS aumentará hasta los 66.100 millones de dólares en 2027. Además, esos 42.000 millones en AI-optimized IaaS representarán apenas un 15% del mercado global de IaaS este año, que se sitúa en 287.300 millones de dólares. Estos datos reflejan una tendencia que, según el informe, no se detendrá y que obligará a las grandes tecnológicas a repensar toda su infraestructura.

Del proyecto de inversión al gasto continuo

El cambio de paradigma es económico. El entrenamiento de modelos supone un coste elevado de inicio pero finito: las empresas compran los equipos, escalan sus centros de datos y realizan el entrenamiento. La inferencia, en cambio, es un coste recurrente que crece con cada interacción de usuarios. En la era agéntica, esas peticiones se multiplican, y hay análisis que estiman que la inferencia llegará a suponer entre el 80% y el 90% del coste total de vida de un sistema de IA, quedando el porcentaje restante para entrenamiento.

Esa transformación implica que la IA pasa de ser un proyecto de inversión a convertirse en un gasto continuo. Para gigantes como Meta, Google, Amazon o Microsoft, la IA deja de ser algo más del negocio para convertirse en una parte fundamental del mismo. El hecho de que la inferencia domine el panorama fuerza a los proveedores de servicios en la nube a rediseñar sus sistemas: ya no solo importa la potencia bruta, sino la eficiencia sirviendo modelos. La memoria más rápida, el mayor ancho de banda y la eficiencia pesarán tanto o más que la capacidad de cómputo.

Repensando la nube y el hardware

Las arquitecturas de los centros de datos tendrán que adaptarse para ser más densas en aceleradores, y el negocio deberá ofrecer tarifas por uso más agresivas. El foco pasa a estar en el coste por token, la eficiencia energética y la latencia, dejando de lado la presunción por el tamaño de los modelos. Ese cambio ya se está viendo con empresas chinas diseñando sistemas especializados en inferencia y Nvidia fabricando en masa su plataforma Vera Rubin.

En el ámbito del consumo, aparecen dispositivos pensados para la inferencia local. Se menciona la estación de trabajo DGX Spark de Nvidia y la alianza de Microsoft con Nvidia para portátiles. Es de esperar que los fabricantes de PC y portátiles incorporen NPUs, CPUs y GPUs diseñadas para ejecutar modelos de forma eficiente y local, apoyándose en la nube para las tareas más exigentes.

El impacto en componentes y precios

Ese apetito de las grandes tecnológicas por la inferencia está provocando tensiones en el mercado de componentes. Los principales fabricantes de DRAM —Samsung, Micron y SK Hynix— están dedicando su producción a la IA y a la memoria HBM y DDR5 de servidor, lo que encarece la memoria RAM, el almacenamiento NAND, los SSD, los HDD convencionales y otros componentes como tarjetas gráficas, procesadores y placas base. El resultado son componentes más caros y también dispositivos como móviles o consolas con precios prohibitivos.

Más allá del hardware, está el precio de la propia IA para las empresas. Como las que ofrecen el servicio tendrán ese gasto continuo y necesitarán ser más agresivas para ganar dinero, es posible que se vean límites de tokens más bajos, más escalones de suscripción y hasta precios dinámicos según la carga del sistema. La tendencia plantea un escenario en el que la IA deja de ser un proyecto puntual para integrarse como un gasto recurrente en la operación de las empresas.