Érase una vez, cuando las aplicaciones eran sencillas, las redes eran lentas y todo el mundo juraba que SOAP era el futuro, la compresión era cuestión de supervivencia. Se comprimían los datos porque el ancho de banda era caro, el almacenamiento era limitado y los usuarios valoraban la rapidez de respuesta. Unas cargas útiles más pequeñas suponían una entrega más rápida, clientes más satisfechos y menos facturas inesperadas del proveedor de servicios en la nube.
En aquel entonces, la compresión era una causa noble. Lo mejoraba todo.
Pero la era de la IA tiene una capacidad extraordinaria para tomar nuestras cómodas suposiciones, examinarlas a la luz y revelar que el mundo ha seguido girando mientras no mirábamos. Y en ningún ámbito resulta esto más evidente que en nuestra forma de concebir la compresión hoy en día.
Tradicionalmente, la compresión se centraba en el rendimiento. Después, pasó a centrarse en el ancho de banda. ¿Y hoy?
La compresión consiste en evitar arruinarse con la inferencia.
Empecemos por lo obvio: sí, el ancho de banda sigue costando dinero. Los costes de salida de datos de la nube tienen muy mala fama, y las facturas por transferencia de datos aún pueden provocar palpitaciones. Pero seamos sinceros y comparemos el coste de transferir un megabyte por la red con el de generar 10.000 tokens mediante un modelo de lenguaje de gran tamaño (LLM) de primer nivel. El primero es un error de redondeo olvidado en la factura mensual. El segundo es un mensaje de finanzas redactado en tono severo en el que preguntan por qué se ha agotado de repente el presupuesto del tercer trimestre.
En el mundo de la IA, no comprimimos para reducir el tamaño de las cosas. Cada token generado supone un acto de cognición, y la cognición es costosa para las máquinas. Por eso, comprimimos para que les resulte más barato «pensar en ellas.»
La nueva economía de la compresión
Los LLM han redefinido los cuellos de botella de una forma que casi parece una falta de respeto hacia las últimas tres décadas de ingeniería de sistemas. Antes, se optimizaban las rutas de red, se minimizaba el volumen de datos y se precomprimían los recursos para que una aplicación no tardara seis días en cargarse con una conexión 3G.
Ahora, el componente más lento y costoso del sistema no es la red en absoluto.
Es el cerebro.
Cada token que genera un LLM requiere ciclos de GPU, VRAM, energía, latencia y dinero. Mucho dinero, dependiendo del modelo del que te hayas enamorado este trimestre. El coste de generar texto supera ahora con creces al de transportarlo, lo que significa que hemos invertido la cadena de valor de la compresión:
Comprimimos no para reducir el tamaño de los datos, sino para reducir el número de pensamientos que una IA tiene que procesar.
Y, sinceramente, es una frase muy graciosa, pero también es la realidad operativa.
Dónde reside ahora la compresión
Antiguamente, cuando recorríamos las redes cuesta arriba en ambos sentidos, la compresión residía en el extremo de la red, en dispositivos especializados. Con el tiempo, se integró en los controladores de entrega de aplicaciones y adoptó nombres como «minificación» y «compresión HTTP». Durante un tiempo, fue una funcionalidad especializada. ¿Y hoy? Es simplemente una parte esencial de la entrega de aplicaciones.
Pero, gracias a la IA, estamos asistiendo a la aparición de nuevas técnicas de compresión. Probablemente porque no nos queda más remedio. Ya no nos limitamos a comprimir texto mediante algoritmos conocidos. Ahora tachamos palabras como un editor que sigue el manual de estilo de Chicago o de AP, armado con un bolígrafo cargado de tinta roja y dispuesto a demostrar su valía.
Compresión de prompts
Este es el nuevo campeón de los pesos pesados. Reduces el prompt para reducir la factura. ¿Detalles irrelevantes? Fuera. ¿Contexto redundante? Eliminado. ¿Instrucciones demasiado prolijas? Recortadas como un seto demasiado crecido. Cuanto más corto sea el prompt, menos tokens se consumirán y más contento estará tu departamento de compras.
Compresión de la salida
«Sé conciso» ha pasado discretamente de ser una preferencia de estilo a convertirse en una estrategia de control de costes. Respuesta corta = respuesta barata. Respuesta larga = alguien está pagando por tanta palabrería.
Compresión de embeddings
Aquí no estás reduciendo bytes, sino la dimensionalidad, lo que reduce el uso de memoria y el coste de recuperación, así como todo aquello que tu base de datos vectorial te factura discretamente cada minuto.
Compresión de modelos
Poda, cuantización, destilación. En otra época, eran meras curiosidades académicas. Hoy tienen un único propósito: ejecutarlo a menor coste.
¿Y si además se ejecuta más rápido? Estupendo. ¿Y si cabe en una GPU más pequeña? Milagroso. Pero el objetivo es, y siempre ha sido, reducir el consumo de recursos computacionales.
La compresión como forma de control
Cuando la operación más costosa de tu sistema es pensar, empiezas a tratar los pensamientos como un recurso limitado. Esto es justo lo contrario de todos los modelos de rendimiento que nos han enseñado. La red es barata. El almacenamiento es barato. La CPU es barata. La memoria es tan barata que ya apenas fingimos gestionarla.
Pero ¿la inferencia mediante GPU? Es el nuevo petróleo. Y sí, odio ese cliché, pero si el zapato te queda bien, póntelo.
Y, al igual que ocurre con el petróleo, ahora tenemos una economía global dedicada a extraer hasta la última gota de forma eficiente. La compresión ya no es algo deseable, sino un pilar de la IA operativa.
Así es como puedes mantenerte dentro del presupuesto, escalar de forma responsable, evitar sobrecostes accidentales de millones de dólares en tokens e impedir que los agentes reescriban Guerra y paz porque olvidaste configurar max_tokens.
Ahora comprimimos no porque nuestras redes no puedan soportar la carga, sino porque nuestras IA no pueden asumir la factura. El futuro no consiste en reducir el tamaño de los datos, sino en abaratar el pensamiento.
La compresión ya no está al servicio de la red, sino de las cuentas. Y si eso da lugar a una contabilidad operativa, no se sorprenda. Yo no lo haré.
Sobre el autor
Lori MacVittie es ingeniera distinguida y evangelista jefe en la Oficina del CTO de F5, y cuenta con una amplia experiencia en entrega de aplicaciones, estrategia de automatización e infraestructura. Es conocida por convertir la complejidad en claridad, ya sea definiendo mecanismos de protección para agentes de IA, analizando arquitecturas multinube frágiles o explorando los límites de los sistemas escalables. Aporta más de treinta años de experiencia en el sector en desarrollo de aplicaciones, arquitectura de TI y operaciones de redes y sistemas. Antes de incorporarse a F5, fue una galardonada editora de tecnología. MacVittie posee un máster en Informática y es una autora prolífica cuyas publicaciones abarcan la seguridad, la nube y la arquitectura empresarial. También es una apasionada de los juegos de mesa y los videojuegos, y expresa sin complejos sus firmes opiniones sobre el queso.
Más artículos de Lori Mac VittieArtículos relacionados del blog
Las 10 claves para la entrega de aplicaciones de IA: requisitos de las aplicaciones a medida
La IA convierte lo «personalizado» de caso excepcional en opción predeterminada: las solicitudes pasan a ser cadenas componibles (selección de modelos, recuperación, políticas y herramientas), por lo que la entrega debe adaptarse a cada solicitud, no a cada aplicación.
Las 10 principales amenazas para la entrega de aplicaciones de IA: observabilidad incompleta
La IA no escalará por sí sola. Sin un plano de control unificado que elimine las barreras entre herramientas y responsabilidades, la inferencia se convierte en la capa más frágil y que más coordinación requiere.
Las 10 principales amenazas en la entrega de aplicaciones de IA: prácticas de DNS deficientes
Para los sistemas de inferencia y los sistemas agénticos, la resiliencia del DNS es fundamental para la disponibilidad y el rendimiento: una resolución deficiente provoca errores de enrutamiento, picos de latencia e interrupciones del servicio en distintas regiones.
Comportamiento y límites: el cambio hacia la seguridad agéntica
Los agentes generan secuencias emergentes y sin límites en las que el riesgo se acumula con el tiempo. La seguridad debe pasar de validar solicitudes individuales a supervisar continuamente el comportamiento en flujos de varios pasos que evolucionan con el tiempo.
La IA está impulsando la aparición de nuevos tipos de tráfico
La adopción de la IA está dando lugar a nuevos tipos de tráfico de primer nivel: solicitudes de inferencia, tráfico de automatización generado por máquinas y tráfico de telemetría de gran volumen que alimenta los bucles de control.
La compresión ya no es una cuestión de velocidad, sino del coste de pensar
En la era de la IA, la compresión reduce el coste de pensar, no solo el ancho de banda. Descubre cómo la compresión de prompts, resultados y modelos permite controlar los gastos de inferencia de la IA.