La inferencia de IA ha pasado de la fase experimental a la producción. Según el Informe sobre el estado de la estrategia de aplicaciones de 2026 de F5, el 78 % de las empresas ya ejecuta la inferencia de IA en sus propias instalaciones, y cada organización tiene, de media, siete modelos de IA en producción o en fase de evaluación activa. La era de la inversión especulativa en IA ha terminado.
La era de la IA operativa ya está aquí y está a punto de acabar con lo que ha funcionado de forma fiable durante una década.
La inferencia de IA es ahora la actividad de IA predominante en las empresas
El mismo informe muestra que, para el 77 % de las organizaciones, la inferencia —y no el entrenamiento ni el ajuste de modelos— es la actividad de IA predominante. Esta cifra refleja un cambio poco reconocido en el ámbito donde realmente reside el valor de la IA.
El entrenamiento acapara los titulares. La inferencia genera la factura. Es en la inferencia donde un modelo recibe datos reales de un cliente real y produce resultados sobre los que después actúan sistemas reales. Es donde se contabiliza el retorno de la inversión, donde se detectan los errores y donde cada decisión sobre latencia, precisión y coste repercute de forma acumulativa en los ingresos. Las organizaciones que hoy obtienen beneficios cuantificables de la IA no son las que tienen más modelos, sino las que gestionan bien sus procesos de inferencia.
“La era de la IA operativa ya está aquí y está a punto de acabar con lo que ha funcionado de forma fiable durante una década.”
Por eso también es importante este hallazgo del informe: el 88 % de las organizaciones afirma tener dificultades arquitectónicas, organizativas o de seguridad para integrar la información obtenida mediante la IA en los flujos de trabajo y la toma de decisiones del día a día. Las ventajas de la inferencia son reales. También lo es el coste operativo de implementarla mal.
La inferencia de IA se está convirtiendo rápidamente en un sistema distribuido
También es importante señalar que estas organizaciones no utilizan un único modelo. Utilizan una media de siete, por motivos similares a los que justifican la nube híbrida y multinube: el arbitraje de costes entre proveedores, la disponibilidad en distintas regiones, la soberanía y los límites normativos. La realidad es que ningún modelo es el mejor para todas las tareas. Un modelo de razonamiento para análisis complejos. Un modelo pequeño para clasificaciones de gran volumen. Un modelo adaptado a un ámbito específico para flujos de trabajo regulados. Un modelo más económico para los casos menos frecuentes.
La arquitectura multimodelo no es una arquitectura de transición. Es el estado estable, porque las presiones empresariales y técnicas que la originaron no van a desaparecer.
La consecuencia arquitectónica es que la inferencia deja de parecer una llamada a una API y empieza a asemejarse a una flota. Hereda todas las características de un sistema distribuido: presupuestos de latencia que se disparan bajo carga, fallos parciales que no salen a la luz hasta que un cliente hace una captura de pantalla, costes que se acumulan en lugares donde nadie dispone de paneles de control y un perímetro de seguridad que ahora incluye cada endpoint de modelo que un desarrollador puede poner en marcha.
Aquí es donde aparece el dato más incómodo del informe. Solo el 28 % de los encuestados afirma haber optimizado los flujos de trabajo de los desarrolladores mediante un único punto de gestión de la IA. El 72 % restante utiliza inferencia distribuida sin un único punto de control. La inferencia se ha vuelto esencial para el negocio, y la mayoría de las empresas la ejecutan mediante interfaces de control fragmentadas.
Un nuevo nivel de complejidad para las empresas
¿Qué significa esto para los líderes digitales? Significa que la próxima ola de ventaja competitiva será operativa, no algorítmica.
Los casos de uso son concretos y ya están en producción. Empresas de servicios financieros que detectan el fraude en tiempo real. Organizaciones sanitarias que aceleran los diagnósticos. Fabricantes que predicen fallos en los equipos antes de que se produzcan. En todos los casos, el modelo en sí no es el factor diferenciador. La mayoría de los competidores pueden acceder a modelos similares. Lo que marca la diferencia es la capacidad de ejecutar esos modelos de forma fiable, con la latencia adecuada, bajo una gobernanza apropiada y a un coste que la empresa pueda asumir.
Lo cual replantea la pregunta que debería hacerse todo equipo de arquitectura empresarial. La pregunta no es: «¿Qué modelo deberíamos adoptar?», sino: «¿Cómo gestionamos un conjunto distribuido de modelos con unos niveles uniformes de seguridad, fiabilidad y control de costes en la nube, en las instalaciones y en el edge?»
La respuesta no está en modelos más grandes, sino en unas operaciones mejores. Menor latencia. Escalado ágil. Visibilidad de extremo a extremo. Control estratégico sobre los datos, la identidad y los costes. Disciplina operativa aplicada a una carga de trabajo que, hasta hace dieciocho meses, la mayoría de los equipos nunca había ejecutado en producción.
Una plataforma unificada para la inferencia de IA con múltiples modelos
A medida que las empresas adoptan la inferencia multimodelo, la complejidad resultante determinará el resultado de sus inversiones en IA más que cualquier decisión concreta que tomen sobre los propios modelos.
Las organizaciones que no consoliden las distintas herramientas utilizadas en toda su infraestructura de inferencia se exponen a riesgos crecientes en materia de seguridad, fiabilidad y costes. Informe FutureScape 2026 de IDC: Inteligencia artificial agéntica a escala mundial prevé que «para 2027, las empresas que no establezcan bases de datos de alta calidad y preparadas para la IA sufrirán una pérdida de productividad del 15 % debido a las deficiencias de los sistemas generativos y agénticos». No es una cifra menor. Es el coste de la fragmentación, que se paga cada trimestre.
Las empresas que optan por el camino contrario obtienen el resultado opuesto. Al integrar la entrega, la seguridad y la gobernanza de la IA en un único modelo operativo, consiguen ventajas que se multiplican a su favor: visibilidad en tiempo real de la inferencia distribuida, control sobre los costes y los riesgos, y la capacidad de dar luz verde al siguiente caso de uso de IA sin tener que incorporar otro conjunto de herramientas.
La lección de la multinube híbrida es directamente aplicable. Los servicios convergentes son los que permitieron gestionar el modelo híbrido a gran escala. Lo mismo ocurrirá con la inferencia de IA multimodelo. Las empresas que sepan aprovecharlo en los próximos 12 a 18 meses obtendrán una ventaja estructural difícil de replicar a posteriori.
Para profundizar, descubre la F5 Application Delivery and Security Platform, diseñada específicamente para resolver este problema. Para consultar todos los datos que respaldan estas conclusiones, descarga tu copia del Informe sobre el estado de la estrategia de aplicaciones de 2026.
Sobre el autor
Kunal Anand dirige la organización de productos de F5 como director de Producto. Es responsable de la visión, la estrategia y la ejecución de los productos, y garantiza el desarrollo de soluciones innovadoras que resuelven retos críticos y ofrecen experiencias excepcionales a los clientes. En su anterior cargo como director de Tecnología e IA, Kunal definió la estrategia y la visión tecnológica y de inteligencia artificial de la empresa. Antes de incorporarse a F5, Kunal desempeñó simultáneamente los cargos de director de Tecnología y director de Seguridad de la Información en Imperva. Su trayectoria en Imperva comenzó en 2018 con la adquisición de Prevoty, una startup de seguridad de aplicaciones que cofundó en 2013. Antes de incorporarse a Prevoty, fue director de Tecnología en BBC Worldwide. Kunal cuenta con una amplia trayectoria en innovación y conocimientos técnicos, y ha ocupado puestos de liderazgo al frente de equipos de seguridad, datos, tecnología e ingeniería en Gravity, MySpace y el Laboratorio de Propulsión a Chorro de la NASA. Kunal cuenta con más de 15 años de experiencia en inteligencia artificial y aprendizaje automático, que abarca desde el entrenamiento de modelos y el uso de algoritmos basados en IA para mejorar productos hasta el diseño y la implementación de arquitecturas de IA. Kunal es graduado en Ciencias de la Computación por Babson College.
Más artículos de Kunal AnandArtículos relacionados del blog
Conclusiones de F5 Labs sobre el modelo de seguridad de la IA: cuando los agentes de IA exponen datos sin que haya un atacante
Los agentes que intentan realizar tareas inofensivas pueden provocar exposiciones inesperadas de datos y riesgos empresariales si no se aplican rigurosamente los límites que los rigen.
Estrategias de seguridad para la IA multimodelo: dos medidas que adoptar ahora
Medidas clave que las empresas pueden adoptar hoy para mejorar la visibilidad de la IA multimodelo y la ciberseguridad ante el crecimiento explosivo de la IA agéntica.
Cómo pueden los CISO medir el riesgo de seguridad de la IA
Descubra cómo CASI, ARS y la inteligencia sobre amenazas de F5 Labs ayudan a los CISO a medir el riesgo de seguridad de la IA a lo largo de todo su ciclo de vida.
Tres medidas que los CISO no pueden permitirse posponer
Conclusiones de un estudio reciente de F5 y qué deben hacer los CISO para anticiparse a estas tendencias.
Cómo abordar las vulnerabilidades de las aplicaciones: prácticas recomendadas para las pruebas de seguridad
Tanto la magnitud como la complejidad de las vulnerabilidades de las aplicaciones están aumentando rápidamente. Descubre por qué es fundamental adoptar un enfoque proactivo y multicapa para las pruebas de seguridad.
¿Qué opina SecOps sobre la IA? Parte 2: Protección de datos
F5 llevó a cabo un análisis exhaustivo de las opiniones de los profesionales de la seguridad en Reddit sobre la IA.