El debate ha pasado del software a la infraestructura

El 24 de agosto, Reuters informó que la oposición política a los centros de datos de inteligencia artificial había empezado a influir también en la percepción de los inversores sobre las empresas tecnológicas. El cambio muestra que la expansión de la IA ya no se evalúa solo por la capacidad de los modelos: la disponibilidad de energía, la infraestructura de red y la relación con las comunidades han entrado en la decisión.

En Texas, el gobierno estatal ordenó el 3 de agosto una auditoría de los proyectos que esperan conexión a la red. El comunicado oficial indica que la cola considerada por ERCOT superaba los 474 gigavatios, más de cinco veces el récord de demanda del sistema. Esa cifra representa solicitudes en análisis, no consumo ya contratado, pero revela la escala del reto de separar proyectos viables de propuestas todavía no demostradas.

La energía, el agua y los costes locales ya forman parte del producto

Las normas anunciadas por Texas exigen que los nuevos centros de datos demuestren que pueden cumplir las condiciones de conexión, proteger la fiabilidad de la red y evitar trasladar a los residentes los costes de la infraestructura necesaria. El estado también incluyó la conservación del agua, el ruido y el impacto en los barrios entre los criterios de evaluación.

La previsión preliminar de ERCOT sitúa la demanda total cerca de 367,8 gigavatios en 2032, frente al máximo histórico de 85,5 gigavatios registrado en 2023. La previsión incluye todo el crecimiento económico del estado, no solo los centros de datos, pero ayuda a explicar por qué las grandes cargas deben verificarse antes de entrar en la planificación.

A escala nacional, la Agencia Internacional de Energía estimó que los centros de datos consumieron cerca de 180 teravatios-hora en Estados Unidos en 2024 y que ese consumo podría crecer aproximadamente 240 teravatios-hora hasta 2030. La expansión digital depende, por tanto, de decisiones físicas tomadas mucho antes de que una persona abra una herramienta de IA.

Qué cambia para las empresas que utilizan inteligencia artificial

Para la mayoría de las empresas, la conclusión no es construir una central eléctrica ni detener los proyectos de IA. Es incorporar infraestructura, coste y continuidad a la evaluación de valor. Los modelos más grandes no siempre son necesarios para tareas sencillas, y los procesos mal diseñados pueden consumir más capacidad sin ofrecer un resultado mejor.

La selección de proveedores también incorpora nuevas preguntas: dónde opera el servicio, cómo gestiona los picos de demanda, qué compromisos asume sobre energía y agua y cómo mantiene la disponibilidad cuando la red está limitada. Estos factores dejan de ser solo asuntos ambientales y pueden afectar al precio, al plazo, a la reputación y a la continuidad operativa.

Cómo crecer sin convertir la escala en desperdicio

Una estrategia responsable conecta cada carga de IA con un resultado verificable y considera la eficiencia desde el diseño. El objetivo no es limitar la innovación, sino garantizar que una capacidad escasa se utilice donde genera valor real.

• Usar un modelo adecuado a la complejidad de la tarea, en vez de elegir siempre la opción más grande.
• Medir coste, tiempo, consumo y calidad en cada proceso automatizado.
• Planificar picos, contingencia y continuidad antes de ampliar la carga.
• Exigir transparencia a los proveedores sobre ubicación, energía, agua y disponibilidad.
• Revisar datos y flujos para evitar reprocesamiento, duplicidad y llamadas sin utilidad.

Qué ha cambiado

La autoridad neerlandesa de protección de datos impuso a Uber una multa de 824,99 millones de euros. Según el regulador, entre 2018 y 2022 los sistemas de la plataforma suspendieron cuentas de conductores, a veces de forma permanente, sin información adecuada y sin que una persona comprobara posibles errores.

La decisión se refiere al tratamiento automatizado: un sistema analiza datos y decide sin una participación humana significativa. Uber rechaza tanto las conclusiones como la cuantía, afirma que las prácticas examinadas son antiguas y sostiene que sus procesos actuales incluyen revisión humana y posibilidad de reclamación; la empresa ha anunciado un recurso.

La conclusión no es que toda automatización sea indebida. Es que la velocidad de una máquina también multiplica el efecto de datos deficientes, reglas incompletas o señales interpretadas sin contexto cuando el resultado puede interrumpir los ingresos de una persona.

Por qué importa

Para un conductor de plataforma, perder el acceso a la cuenta puede significar perder de inmediato su herramienta de trabajo. En otros sectores, decisiones parecidas pueden detener un pago, denegar crédito, excluir a una persona de un proceso de selección o impedir el acceso a un servicio esencial.

En Europa, la norma invocada en el caso protege a las personas frente a decisiones totalmente automáticas con efectos jurídicos o de importancia similar, salvo circunstancias específicas. En Brasil, la autoridad de protección de datos destaca que la LGPD reconoce el derecho a solicitar revisión y explicaciones sobre los criterios y procedimientos; en la práctica, la revisión humana solo sirve cuando quien revisa comprende el caso, ve la información relevante y tiene autoridad real para cambiar el resultado.

Pensemos en un sistema antifraude que bloquea una cuenta después de detectar un cambio inusual de ubicación. Sin contexto puede confundir un viaje legítimo con un riesgo; sin explicación ni vía de reclamación, la persona no puede corregir el dato o demostrar qué ocurrió. La eficiencia operativa se convierte entonces en un coste humano y reputacional.

Los datos fiables preceden a la automatización

Todo sistema de decisión depende de lo que recibe: valoraciones, historial, ubicación, documentos y señales de riesgo. El saneamiento de datos consiste en encontrar duplicados, registros obsoletos, campos incoherentes y contexto ausente antes de que esos datos alimenten reglas o modelos. No es solo ordenar una base; reduce la posibilidad de que un error operativo cause un perjuicio real.

También es necesario conocer el origen de cada dato y registrar cómo contribuyó a la decisión. Ese rastro permite investigar falsos positivos — casos legítimos marcados por error —, comparar resultados entre grupos y explicar el resultado en un lenguaje que una persona pueda entender.

Cuanto mayor sea la consecuencia, mayor debe ser el nivel de calidad. Un sistema que ordena contenidos puede admitir correcciones sencillas; otro que altera ingresos, crédito, salud o acceso a derechos necesita pruebas, seguimiento, documentación y vías rápidas de reversión.

Qué pueden aprender las empresas

La gobernanza no debe aparecer solo después de terminar la automatización. Una Célula de Tecnología puede reunir a producto, datos, operaciones, seguridad, legal y atención al cliente para decidir qué puede automatizarse, qué exige confirmación humana y cómo se informará a las personas afectadas.

El objetivo no es frenar toda innovación, sino decidir dónde la velocidad es segura. Cuando una organización combina datos saneados, límites claros y revisión humana auténtica, la automatización obtiene algo que un modelo no aporta por sí solo: legitimidad para actuar en situaciones que afectan a las personas.

• Mapear las decisiones automáticas y clasificar el impacto de cada una.
• Validar la calidad, el origen y el contexto de los datos antes de automatizar.
• Explicar los factores relevantes y ofrecer una reclamación accesible.
• Dar a los revisores humanos información, tiempo y autoridad para corregir resultados.
• Supervisar errores, reversiones y efectos desiguales con el paso del tiempo.

El espectáculo muestra la velocidad de la evolución

Los Juegos Mundiales de Robots Humanoides comenzaron en Pekín con 2. 056 robots de 666 equipos y 51 modalidades, según el portal oficial de la ciudad. El programa combina carreras y deportes con tareas inspiradas en fábricas, restaurantes, oficinas y situaciones de emergencia.

Reuters informó el 23 de agosto que dos robots completaron los 100 metros en menos tiempo que el récord humano de 9,58 segundos. Otro modelo recorrió 400 metros en 39,7 segundos. Los datos llaman la atención y muestran una rápida evolución del movimiento, la gestión de energía y el control.

El desafío real aparece en las pequeñas imperfecciones

La velocidad no resuelve por sí sola los problemas del mundo físico. Después de la meta, algunos robots todavía necesitaron una barrera acolchada para frenar. En el trabajo cotidiano, un cable mal orientado, una caja desplazada o un objeto un poco distante pueden exigir percepción, coordinación y recuperación de errores.

Más del 40% de las pruebas exige operación completamente autónoma, según la información citada por Reuters. Entre los desafíos están conectar cables, cargar materiales, organizar operaciones de almacén, atender en restaurantes y responder a incidentes. Es en estas situaciones menos espectaculares donde empieza a demostrarse la utilidad.

Por qué esto importa a las organizaciones

Para una organización, el aprendizaje va más allá de los robots humanoides. Una demostración controlada puede mostrar potencial, pero la operación diaria incluye datos incompletos, entornos variables, excepciones y personas con necesidades diferentes.

Antes de ampliar cualquier automatización física o digital, la empresa debe definir el resultado esperado, los límites de decisión, la calidad mínima de los datos y un procedimiento seguro cuando algo sale de lo previsto. La tecnología genera valor cuando trabaja de forma consistente dentro del proceso real.

Cómo separar una demostración del valor práctico

Una evaluación útil no pregunta solo si la tecnología puede realizar una tarea una vez. También observa repetición, seguridad, coste, recuperación e impacto para quienes utilizan el proceso.

• Probar la solución en el entorno donde realmente será utilizada.
• Medir tasa de éxito, tiempo, errores y necesidad de intervención humana.
• Incluir variaciones y excepciones desde el inicio del piloto.
• Definir cómo detener, revisar y reanudar la operación con seguridad.
• Comparar el resultado con el coste total de implantación y soporte.

Qué ha cambiado ahora

La NASA anunció el 21 de agosto de 2026 que el Telescopio Espacial Nancy Grace Roman había completado su revisión de preparación para el vuelo. En este control formal, responsables de la NASA, de la misión y de SpaceX evaluaron el estado del observatorio y autorizaron el inicio de las actividades finales de preparación del lanzamiento.

El lanzamiento está previsto para no antes del 30 de agosto a las 7: 26 de la mañana, hora del este de Estados Unidos, a bordo de un cohete Falcon Heavy. Antes, el observatorio, ya protegido dentro de la cofia del cohete, será trasladado al hangar de la plataforma 39A, conectado al vehículo y llevado hasta la zona de lanzamiento.

La revisión no garantiza el despegue en esa fecha exacta, ya que las condiciones técnicas y meteorológicas todavía pueden modificar el calendario. La novedad es que el proyecto ha superado el control formal necesario para pasar de la preparación a las operaciones de lanzamiento.

Por qué es importante

Roman se ha construido para observar grandes regiones del cielo con un detalle comparable al del Hubble. Su campo de visión infrarrojo será unas 200 veces mayor, lo que permite pasar de fotografiar pequeñas zonas a crear mapas amplios y repetidos del universo.

Esos mapas ayudarán a estudiar cómo se expandió el universo, dónde se concentra la materia oscura y qué tipos de planetas existen fuera del sistema solar. Roman también llevará un coronógrafo, un instrumento que reduce la luz de una estrella para revelar objetos mucho más débiles a su alrededor, como planetas y discos de formación planetaria.

La consecuencia concreta es una mayor velocidad de descubrimiento. Fenómenos poco frecuentes, como explosiones estelares, lentes gravitacionales y planetas detectados mediante pequeñas variaciones de luz, resultan más fáciles de encontrar cuando el observatorio sigue millones o miles de millones de objetos de forma coherente.

El desafío no termina en la cámara

El material oficial de la misión calcula que Roman transmitirá aproximadamente 1,4 terabytes de datos científicos al día, más de 500 terabytes al año y hasta 20 petabytes durante los cinco años de su misión principal. Un petabyte equivale a mil terabytes. A esta escala, descargar todo el material en un ordenador personal deja de ser viable.

Por eso la infraestructura científica se preparó antes del lanzamiento. Roman Research Nexus reúne datos, capacidad de cálculo y herramientas de análisis en un entorno de nube. En lugar de transportar enormes conjuntos de archivos, los investigadores llevan sus métodos al lugar donde están almacenados los datos.

Los datos oficiales también se publicarán sin un periodo exclusivo para un solo equipo. Un grupo en Brasil, por ejemplo, podrá consultar partes concretas del archivo, combinar observaciones y colaborar con otros países sin conservar una copia local de toda la misión. El acceso abierto amplía la participación, pero solo funciona si los archivos, metadatos, versiones y criterios de calidad son coherentes.

Qué pueden aprender las empresas

Roman ofrece una lección que va mucho más allá de la astronomía: cuando el volumen crece, limpiar los datos únicamente después de recibirlos resulta caro y retrasa su uso. La calidad, la estandarización, la trazabilidad, las reglas de acceso y el contexto deben diseñarse junto al producto o servicio que genera la información.

Aquí aparece la conexión natural con el Saneamiento de Datos. Corregir duplicados y formatos incompatibles es importante, pero el objetivo mayor es crear una base en la que personas y sistemas puedan confiar. Sin esa base, la inteligencia artificial y la automatización solo procesan inconsistencias a mayor velocidad.

También existe una lección organizativa. Las misiones de esta escala conectan especialistas en instrumentos, operaciones, datos e investigación alrededor de una entrega continua. En una empresa, una Célula de Tecnología puede cumplir una función parecida: reunir capacidades distintas, convertir una prioridad en una operación y mejorar el sistema a medida que el uso real produce nuevo conocimiento.

Qué está cambiando en los contratos

Un reportaje de Reuters publicado el 20 de agosto describe cómo proveedores indios de servicios tecnológicos pasan de contratos basados en horas y tamaño del equipo a acuerdos vinculados con el rendimiento. El cambio ocurre en una industria estimada en 315. 000 millones de dólares mientras los clientes exigen más productividad y menores costes.

Esto no significa que todos los proyectos adoptarán el mismo modelo comercial. Indica que la inteligencia artificial obliga a clientes y proveedores a definir con más claridad qué resultado se entregará, cómo se medirá y quién asumirá el riesgo cuando la promesa no se cumpla.

El resultado debe definirse antes que la tecnología

Pagar por resultados parece sencillo, pero exige una línea de base fiable. Reducir el tiempo de atención, disminuir el retrabajo o aumentar la disponibilidad solo puede demostrarse cuando la empresa conoce el rendimiento actual y acuerda cómo medir la evolución.

Sin datos consistentes y criterios de aceptación, la organización puede cambiar una métrica imperfecta, como las horas trabajadas, por otra igualmente frágil. El contrato debe registrar alcance, excepciones, calidad esperada y responsabilidad humana, además del indicador principal.

El trabajo humano cambia de posición

La tendencia no elimina la importancia de las personas. Desplaza más valor hacia comprender el problema, revisar decisiones, organizar el conocimiento del negocio y validar lo que produjo la automatización. Los equipos pequeños pueden ganar velocidad, pero la experiencia sigue siendo esencial cuando las situaciones reales superan el piloto.