Las estrategias de migración a la nube estuvieron enfocadas hasta 2025 en trasladar infraestructura y aprovechar modelos de pago por uso. Pero la irrupción de la IA modificó la ecuación. La incorporación de modelos generativos, agentes autónomos y aplicaciones que consumen grandes volúmenes de inferencia volvió menos previsible el costo del cómputo y llevó a las empresas a poner el foco en la administración de las cargas de trabajo y el consumo efectivo de recursos.

La empresa Ingenia brinda servicios de adopción de Cloud y FinOps (estos últimos, orientados a optimizar el gasto de aquellas organizaciones que ya migraron sus aplicaciones a entornos híbridos). Federico Catinello, director de Ingeniería, indicó que una problemática actual de los clientes con cargas en nube es el "efecto rebote" luego de completar la migración. El paso desde arquitecturas tradicionales hacia plataformas nube permitió ganar flexibilidad, pero generó incrementos inesperados en el costo del cómputo cuando las aplicaciones escalaron. El desafío actual es racionalizar las aplicaciones en uso para controlar costos.

La problemática se profundiza con la incorporación de IA. Catinello sostiene que resulta prácticamente imposible desplegar proyectos de IA sin infraestructura Cloud, situación que impulsó una fuerte demanda de pruebas de concepto durante el último año. Sin embargo, advirtió que el próximo desafío aparecerá cuando los modelos de IA comiencen a cobrarse plenamente por uso y desaparezcan los actuales esquemas de subsidio implícito. En ese escenario, será necesario definir qué modelos utilizar para cada tarea, cuándo recurrir a alternativas open source y cómo equilibrar prestaciones y costos.

En el consumo de servicios en la nube, años atrás predominaban proyectos de migración completos, ahora los clientes buscan soluciones específicas para determinados procesos de negocio. Según Catinello, el mercado pasó de priorizar grandes implementaciones de Plataforma como Servicio (PaaS) a esquemas orientados a aplicaciones y servicios especializados (SaaS), tendencia que volvió a modificarse con la IA generativa y las posibilidades de desarrollar código y nuevos productos sobre esos modelos.

Desde Google Cloud identifican una transformación similar, aunque desde la perspectiva de la infraestructura que sostiene esos servicios. Natalia Scaliter, directora de Negocios para Google Cloud Argentina, considera que el mercado ingresó en la denominada "era de la inferencia", en la que la mayor parte del cómputo de IA deja de concentrarse en el entrenamiento de modelos para destinarse a responder consultas y ejecutar aplicaciones en tiempo real.

La ejecutiva señaló que la aparición de agentes de IA modifica la lógica de consumo. Mientras un chatbot tradicional genera una única consulta al modelo, un agente autónomo puede planificar tareas, utilizar herramientas y ejecutar múltiples procesos simultáneamente. Como consecuencia, una sola interacción del usuario puede disparar decenas de procesos de inferencia, incrementando los costos asociados.

Frente a ese escenario, Google Cloud trabaja sobre mecanismos para evitar que los clientes enfrenten incrementos inesperados en sus facturas. Entre ellos herramientas para administrar dinámicamente las cargas de trabajo, capaces de generar ahorros de hasta el 50% respecto de esquemas tradicionales, además de procesadores especialmente diseñados para inferencia y arquitecturas que permiten ejecutar modelos sobre los datos sin necesidad de trasladar grandes volúmenes de información, reduciendo el costo operativo entre 8 y 16 veces.

Model as a Service. Huawei Cloud aborda el problema desde otro ángulo. Pablo Juanes Roig, VP de Servicios Financieros para la firma en Argentina, Paraguay y Uruguay, explicó que el costo de los tokens es una preocupación para muchas organizaciones, especialmente porque cerca del 60% de ese valor corresponde al consumo energético necesario para ejecutar los modelos.

Según el ejecutivo, algunos clientes comenzaron incluso a revisar sus esquemas de suscripción debido al incremento de esos costos. En sectores como finanzas, retail o desarrollo de software, donde los equipos utilizan grandes volúmenes de tokens durante la creación de modelos o aplicaciones, la eficiencia económica pasó a ocupar un lugar central.

Como respuesta, Huawei lanzó Huawei Cloud MaaS (Model as a Service), una plataforma que permite acceder a distintos modelos de IA mediante un esquema de pago por consumo. La propuesta apunta a que las empresas puedan seleccionar el modelo más conveniente para cada caso de uso y reemplazarlo cuando resulte necesario, con el objetivo de reducir el costo operativo. Según la compañía, este enfoque puede generar reducciones de hasta el 90% en las estrategias de FinOps asociadas al consumo de IA.