
Gartner soltó un reporte ayer que confirma lo que ya se olía: la IA dejó de ser experimental y se volvió infraestructura de producción. El gasto global en IaaS optimizado para IA va a crecer 96% este año, llegando a US$42 mil millones. Y acá viene el dato que cambia el enfoque: inferencia supera a entrenamiento por primera vez.
Los números
| Categoría | Gasto 2026 |
|---|---|
| IaaS optimizado para IA (total) | US$42 mil millones |
| Inferencia | US$23,3 mil millones |
| Entrenamiento de modelos | US$19 mil millones |
| Proyección 2027 | US$66 mil millones |
La inferencia — o sea, correr modelos en producción generando respuestas en tiempo real — ya representa más de la mitad del gasto. Eso es una señal clarísima: las empresas pasaron de entrenar modelos a usarlos.
Qué dicen en Gartner
Hardeep Singh, analista senior principal de Gartner:
“El hecho de que el gasto en inferencia supere al de entrenamiento en 2026 indica que la adopción de IA se está volviendo más mainstream y orientada a producción.”
Básicamente: por años la demanda de infra IA fue impulsada por los labs entrenando foundation models. Ahora son las empresas embediendo IA en sus procesos, productos y experiencias de cliente. Eso requiere inferencia continua, no entrenamiento periódico.
Los hyperscalers no se están quietos
Google Cloud, Microsoft Azure y AWS planean invertir más de US$500 mil millones en capex solo este año para infraestructura de IA. Es un número que rompe la cabeza.
Pero ojo con el matiz: un escéptico de la industria planteó que 48% de los ingresos de Google Cloud el próximo año podrían venir de solo dos empresas que nunca han sido rentables. La pregunta es: ¿qué pasa cuando el dinero de los labs se termine si los modelos no generan suficiente retorno?
El shift hacia híbrido
Un dato interesante del reporte: las empresas están reassessando sus estrategias cloud. Ya no es “todo al cloud público”. La tendencia es híbrido: combinar cloud público, privado, colocation, edge y sovereign. La razón es simple: inferencia requiere baja latencia, y eso significa tener compute más cerca del usuario.
Por qué importa
- Inference > Training = la IA maduró. El desafío engineeril ya no es “¿cómo entreno un modelo más grande?” sino “¿cómo sirvo millones de inferencias por segundo sin que se caiga?”
- $42B es serio: ya no es presupuesto de I+D, es gasto operacional. Los CIOs están tratando la infra IA como capacidad de negocio, no como experimento.
- El modelo de negocio cloud está cambiando: si la inferencia es el workload dominante, las decisiones de arquitectura (GPU scheduling, networking, storage) se reorientan completamente.
La conclusión de Gartner es directa: la infraestructura IA ya no es una consideración tecnológica — es una capacidad de negocio que determina qué tan rápido y efectivo puedes escalar IA en tu empresa. Los CIOs que no lo entiendan así se van a quedar atrás.


