De la hibridación accidental a la hibridación planificada: cómo dominar la soberanía de los datos y el control de los costes de la IA

Ninguna empresa construye intencionadamente un entorno tecnológico caótico. Suele surgir a través de adquisiciones, equipos que compran sus propias herramientas y migraciones a la nube desconectadas y, a menudo, parciales. El resultado es una arquitectura «híbrida por casualidad», un entorno informático construido a lo largo de años de decisiones reactivas en lugar de acciones deliberadas y, lo que es peor, nadie tiene un plan concreto para solucionarlo.  

A medida que la IA empresarial pasa de la fase experimental a la de producción, el «híbrido accidental» es más que un simple inconveniente técnico: es un riesgo estratégico. Para mantener la soberanía de los datos y evitar que los costes de la IA se disparen, las organizaciones deben adoptar una arquitectura híbrida por diseño. Quienes realicen este cambio de forma deliberada aprovecharán todo el valor de sus activos de datos. Quienes no lo hagan verán cómo su deuda arquitectónica se agrava con cada año que pasa y con cada nueva iniciativa de IA.

Ese fue el tema que tratamos en mi reciente conversación con el ponente invitado Noel Yuhanna, vicepresidente y analista principal de Forrester, en el marco del seminario web de Cloudera titulado «Bienvenidos a la era de lo híbrido por diseño».

En este blog, profundizo en esa conversación y explico cómo las organizaciones pueden crear una arquitectura híbrida desde el diseño, aprovechando un gobierno unificado, estándares abiertos y disponiendo de una visión clara de los requisitos del ciclo de vida de la IA.

Cómo llegan las empresas hasta aquí

Más allá de la actividad de fusiones y adquisiciones, la adopción de herramientas aisladas y el hecho de que las líneas de negocio se hayan vinculado a proveedores preferidos, el rápido impulso hacia la nube de las últimas décadas es uno de los principales culpables. Muchas organizaciones migraron de forma rápida y generalizada, y ahora el péndulo está oscilando en sentido contrario. La repatriación es un tema de debate real y cada vez más presente.

Las cifras lo dicen todo: los planes comunicados por los directores de sistemas de información (CIO) para repatriar las cargas de trabajo a las instalaciones propias pasaron del 43 % en 2020 al 83 % en 2024. Esto no supone un rechazo a la nube, sino el reconocimiento, fruto de una mayor madurez, de que no todas las cargas de trabajo tienen cabida en ella. De hecho, como señala Yuhanna, aproximadamente el 80 % del procesamiento transaccional en la banca y la atención sanitaria todavía se ejecuta hoy en día en local. La idea errónea inicial de que «la nube es barata» ha dado paso a preguntas difíciles sobre la optimización de la arquitectura, el aprovisionamiento excesivo y los costes de salida que erosionan la propuesta de valor.

La presión normativa detrás de todo

El cumplimiento normativo está forzando una acción inmediata sobre lo que solía ser un problema de IT de evolución lenta. Reglamentos como el RGPD, la Ley de Datos de la UE y la HIPAA exigen una estricta soberanía de los datos. Mientras tanto, la US CLOUD Act, que permite a las autoridades estadounidenses acceder a datos a nivel mundial, está chocando con las normas de privacidad de la UE y APAC, impulsando activamente a las empresas hacia proveedores de nube soberanos no estadounidenses. En el sector financiero, DORA exige estrategias de salida de proveedores porque depender demasiado de una sola nube es ahora un riesgo sistémico.

Con las nuevas normativas de IA que exigen una trazabilidad estricta, esta presión solo aumentará en 2026 y más allá. La gobernanza de los datos y la inteligencia artificial se están convirtiendo en un enorme obstáculo en materia de cumplimiento normativo; las empresas que no cuenten con la arquitectura adecuada se enfrentan a una adaptación posterior dolorosa y costosa.

Por qué la IA hace que esto sea urgente ahora mismo

La IA empresarial convierte un problema de infraestructura crónico en uno agudo. El ciclo de vida de la IA presenta necesidades muy diferentes en cada etapa: el entrenamiento y la contextualización requieren una capacidad de cálculo intermitente y a gran escala, lo que puede hacer que la nube resulte más adecuada, mientras que la inferencia en estado estable suele ser más económica en las propias instalaciones. Lo «híbrido intencional» implica asignar cada etapa a la infraestructura que realmente se adapta a ella, en lugar de recurrir por defecto a un único entorno y asumir las desventajas que ello conlleva.

La gravedad de los datos complica aún más la situación. La IA requiere enormes volúmenes de datos distribuidos, y su traslado entre entornos conlleva una latencia real y costes de salida de datos. Te ves acorralado: o bien limitas los modelos a un conjunto de datos reducido (sacrificando la calidad) o bien asumes enormes costes para centralizar los datos (lo que echa por tierra la viabilidad del proyecto).

La IA agéntica agudiza considerablemente este desafío. Dado que estos sistemas requieren datos fiables en tiempo real para tomar medidas, los pipelines con retraso por procesamiento por lotes simplemente no sobrevivirán. Como señala Yuhanna, la adopción de la IA agéntica se sitúa actualmente en torno al 24 % y se espera que se duplique para finales de 2026. Las organizaciones que construyan hoy una arquitectura proactiva para esa realidad capturarán el valor mañana.

Argumentos a favor de los estándares abiertos

La dependencia de un proveedor no es solo un riesgo teórico; es un coste activo tanto en la infraestructura como en las capas de software. Cuando tus herramientas de datos propias solo funcionan en una nube concreta, te enfrentas a un «doble bloqueo» que se agrava con el tiempo. Esto otorga todo el poder al proveedor, lo que genera un grave cuello de botella en el momento en que es necesario trasladar una carga de trabajo, ya sea para trasladar un proyecto piloto en la nube ya finalizado a la capacidad sobrante de un centro de datos, o para migrar a una nueva nube soberana con el fin de cumplir con los requisitos de cumplimiento normativo. Las organizaciones recuperan ese poder de negociación mediante la portabilidad de las cargas de trabajo y los estándares abiertos.

Dos estándares fundamentales hacen esto posible:

Kubernetes actúa como una capa de abstracción universal para tu infraestructura subyacente. Al ofrecer un modelo operativo nativo de la nube coherente, independientemente del hardware o del proveedor de servicios en la nube que lo sustente, elimina el «coste de cambio de plataforma», es decir, la sobrecarga de reingeniería que se acumula cada vez que una carga de trabajo cruza un límite de infraestructura.

Apache Iceberg hace el trabajo equivalente en la capa de datos. No se trata solo de abstraer dónde residen sus datos; se trata de ampliar quién puede acceder a ellos. El formato de tabla abierta y el catálogo REST de Iceberg permiten a las organizaciones compartir datos in situ con cualquier sistema de terceros. Esto significa que puedes dejar tus datos regulados exactamente donde están, al tiempo que permites que las plataformas de análisis externas los consulten directamente. Al desacoplar por completo los datos de los motores de computación específicos de cada proveedor, las organizaciones logran una flexibilidad real y preparada para el futuro en cómo y dónde ejecutan la IA.

Piensa en cómo se aplica realmente la escala en la práctica. Recientemente, Yuhanna se encontró con un cliente que conectaba 50 000 bases de datos a través de 1000 sistemas de origen dispares. A esa magnitud, la complejidad no crece de forma lineal, sino que se agrava. Los estándares abiertos no son algo opcional; son la forma en que las empresas mantienen el control de sus propios entornos.

La brecha de gobierno y lo que cuesta

Una infraestructura fragmentada produce, de forma fiable, un gobierno fragmentado. Como destaca Yuhanna, aproximadamente el 70 % de los datos empresariales carecen de metadatos y catalogación adecuados; es decir, solo el 25 % se utiliza realmente para el análisis y la mayor parte de los datos empresariales permanece completamente intacta. En 2006, el matemático británico y pionero de la ciencia de datos, Clive Humby, acuñó la famosa frase «los datos son el nuevo petróleo», señalando que los datos sin procesar deben ser refinados mediante IA y análisis para generar valor real. Si cada dato contiene información potencial, ¿por qué toleraría una arquitectura que le impide activamente utilizar la totalidad de los mismos?

Las implicaciones de seguridad son igual de concretas. Según el Data Breach Report de IBM para 2025, las fugas que afectan a varios entornos tienen un coste medio superior a los 5 millones de dólares (muy por encima de la media mundial de 4,44 millones de dólares) y representan actualmente alrededor del 30 % de todos los incidentes. La razón es sencilla: las infracciones ocurren en los puntos de integración, y cada límite de entorno es un punto de integración.

La respuesta es una capa de políticas unificada: un plano de control único y federado que abarca la clasificación, el control de acceso, el linaje, la auditoría y el cumplimiento. En este modelo, las políticas se basan en los datos y se aplican de forma coherente y en tiempo real en todo el ecosistema.

Por dónde empezar

Impulsadas por las demandas reales de la IA en producción, unos requisitos de soberanía de datos cada vez más estrictos y un enfoque más preciso en lo que realmente cuesta la infraestructura, las organizaciones necesitan pasar de arquitecturas híbridas por accidente a arquitecturas híbridas por diseño. Primeros pasos:

Establecer un objetivo claro. Antes de recurrir a cualquier tecnología, elabora una hoja de ruta de 18 meses basada en resultados empresariales concretos, ya sea el crecimiento de los ingresos, la optimización de costes o los objetivos de resiliencia.

Realizar una auditoría de gravedad de los datos. Mapea dónde residen realmente los datos, quién accede a ellos y su exposición a la latencia y la salida de datos. Esto revela de forma fiable las cargas de trabajo olvidadas, los datos duplicados y los puntos ciegos de cumplimiento.

Ejecutar una racionalización deliberada. Optimiza las herramientas superpuestas, consolida las relaciones con los proveedores, estandariza el gobierno de datos y desarrolla la portabilidad de las cargas de trabajo.

Para obtener más información, vuelve a escuchar mi conversación con Noel Yuhanna y profundiza en el tema con el informe de tendencias del sector titulado «Del caos al control: por qué el modelo “híbrido por diseño” es el futuro de la estrategia de datos empresariales».