La evolución de la infraestructura de IA empresarial para 2026 empieza ya a mostrar signos que marcan por qué caminos se moverá la gestión empresarial de IA el próximo año. KrakenD, con esto presente, ha presentado su análisis sobre la evolución de esta infraestructura para el año próximo, basado en las necesidades detectadas entre los clientes de la compañía que operan en sectores con requisitos elevados de seguridad y gobernanza, como banca, salud o administración pública.
En el informe también se destacan las cinco principales tendencias que ve esta compañía en gestión empresarial de IA en 2026: centralización del control del acceso a modelos de IA, adopción gradual del Model Context Protocol (MCP), Crecimiento de arquitecturas on premise para proceso de IA, necesidad de observabilidad específica para el consumo de IA y diversificación de modelos según el caso de uso.
La primera tendencia en gestión empresarial de IA ha comenzado a destacar dado que las empresas han empezado a tratar las APIs de IA como cualquier otro servicio externo que necesita una gestión centralizada. Los API Gateways, empleados tradicionalmente para la gestión de microservicios, están asumiendo ese papel por su capacidad para aplicar políticas, controlar rate limits y gestionar la autenticación.
En cuanto al Model Context Protocol, empieza a ganar presencia en entornos empresariales para gestión empresarial de IA. Especialmente en sectores en los que el control de los datos es crítico. Este protocolo, lanzado por Anthropic, permite que los modelos de IA accedan a APIS corporativas a través de herramientas definidas.
Su despliegue es todavía incipiente, pero su integración en distintas soluciones refleja el interés en aumento por estandarizar la interacción entre modelos y sistemas internos. Su implementación desde un API Gateway permite exponer capacidades existentes sin necesidad de modificar los sistemas backend, lo que para Kraken es su principal ventaja.
El crecimiento de arquitecturas on premise para procesar IA se debe a que cada vez más empresas optan por ellas para garantizar que el proceso de datos sensibles se quede en su propia infraestructura. Aunque no es por ahora una tendencia universal, está ganando peso en sectores como defensa, inteligencia, salud o banca, en los que ningún dato puede salir del perímetro de seguridad.
Por otro lado, las empresas están comenzando a pedir, de cara a la gestión empresarial de IA una observabilidad más granular sobre el uso de esta tecnología, con métricas que permitan entender qué departamentos acceden a qué modelos, el volumen de tokens consumidos o los tipos de peticiones realizadas. Esta necesidad sigue los pasos que se dieron durante la evolución del cloud computing en su día, cuando tras una fase inicial de adopción, el foco cambió al control de costes y la gobernanza.
La gestión empresarial de IA, y la inversión en infraestructura que conlleva
En este sentido, la adopción y gestión empresarial de IA lleva aparejada una enorme inversión en infraestructura lista para ella, por la gran cantidad de recursos de computación que necesita para funcionar de manera adecuada. Los sistemas existentes, en muchos casos, no son compatibles con los modelos y sistemas de IA a adoptar, lo que exige a las empresas mayor inversión en capacidad de computación en centros de datos de terceros, o en los suyos propios.
Esto hace que las compañías dedicadas a la fabricación y distribución de componentes para centros de datos, las hiperescalares y otras empresas de puesta en marcha de este tipo de instalaciones inviertan grandes cantidades de dinero en su puesta en marcha, para que después las empresas puedan contratar la capacidad de computación que necesitan.
Esto supone ingentes ingresos y beneficios para las empresas que fabrican los dispositivos y componentes necesarios en un primer momento, y después para las operadoras de centros de datos e hiperescalares. Pero también hay un lado oscuro: la necesidad de cubrir la demanda de componentes para el sector de la infraestructura de IA está causando tal estrés en los fabricantes que no son capaces de cubrir toda la demanda, a la que se suma la del mercado de consumo, y los precios de los componentes se están resintiendo y creciendo, con empresas cerrando marcas de consumo, como ha sucedido con Micron y Crucial, y otras priorizando las líneas de fabricación para centros de datos.
En la actualidad, por tanto, hay un negocio importante en el sector de la infraestructura para IA, pero una vez pasada esta fase de adopción de la IA, como se ha mencionado, los fabricantes tendrán que ajustar de nuevo su producción, porque como hemos mencionado, en gestión empresarial de IA, después, llegará la fase de ajuste de costes y reducción de inversión. Algo que deben tener presente.
Por otro lado, las empresas están dejando atrás la dependencia de un solo proveedor para la gestión empresarial de IA, y avanzan hacia una etapa de uso de un ecosistema de modelos especializados. Se tenderá a la combinación de modelos optimizados para análisis documental con otros centrados en generación de código y alternativas locales para tratar datos sensibles. Esta diversificación, cada vez más extendida, aumenta la necesidad de una capa de abstracción que simplifique la gestión y unifique las políticas de acceso.
A la vista de las tendencias en gestión empresarial de IA, y para las empresas que están avaluando su estrategia de IA, KrakenD recomienda dar tres pasos: inventariar los accesos actuales a servicios de IA e identificar qué equipos usan cada servicio, definir políticas claras de acceso y uso con el establcimiento de qué datos pueden compartirse con qué modelos, e implementar un punto de control centralizado (API Gateway o una solución que permita aplicar estas políticas).
