En muchas empresas, las inversiones en IA están directamente ligadas a resultados como la mejora en la toma de decisiones, la aceleración del desarrollo de productos y la entrega de experiencias de usuario más personalizadas.
Piensa en cómo las empresas desarrollan productos en plataformas y servicios basados en la nube. La ventaja competitiva no proviene de una sola idea, sino de la acumulación de conocimiento a lo largo de años de interacciones con los clientes, pruebas, fracasos, comentarios y mejoras. Cuanto más conocimiento institucional pueda retener y aplicar una empresa, más rápido podrá mejorar.
Los sistemas de IA están empezando a funcionar de la misma manera. Al principio, el reto consistió en entrenar el modelo. A medida que las implementaciones maduran, su valor depende cada vez más de la eficacia con la que puedan retener, acceder y reutilizar los datos acumulados a través de interacciones y resultados previos. Al principio, el trabajo parece manejable, pero las expectativas van aumentando a medida que las implementaciones maduran. Ya no basta con que los sistemas analicen lo que ya ha sucedido. Se espera que sigan aprendiendo, perfeccionando las recomendaciones y adaptando las experiencias a medida que se incorporan nuevos datos. El modelo sigue siendo importante, pero también lo es la capacidad del sistema para retener la información ya recopilada y recuperarla cuando sea necesario.
El comportamiento del cliente, los resultados anteriores y los patrones en evolución deben persistir y seguir siendo accesibles, y eso cambia la conversación. El rendimiento del modelo sigue siendo importante, pero ya no lo es todo. La cuestión más importante es si el propio sistema puede mantener ese contexto a medida que evoluciona.
Durante años, los debates sobre IA se centraron en los modelos y la computación. Las organizaciones invirtieron en GPU, contrataron científicos de datos y se centraron en la formación. El almacenamiento respaldó el proceso, albergando conjuntos de datos y funcionando en gran medida en segundo plano.
Ahora que estos sistemas están ampliamente implementados, está apareciendo algo más. Los modelos se ejecutan de forma continua y el trabajo ha pasado de crear inteligencia a escalarla. Esto se suele describir como IA con capacidad de gestión: sistemas que no solo responden a las peticiones, sino que también mantienen el contexto y se basan en lo que ya han hecho.
Generan resultados, extraen información de los datos almacenados y se basan en interacciones anteriores. Lo que parece una simple solicitud suele ser solo un paso en un ciclo continuo de recuperación de contexto, refinamiento de respuestas e introducción de nueva información en el sistema.
Cada vez más, la mejora del sistema depende de la eficacia con la que se retienen, se accede a y se reutilizan esos datos en los distintos flujos de trabajo. En entornos de hiperescala —infraestructuras en la nube masivas y distribuidas globalmente donde operan estos sistemas— el almacenamiento de objetos se convierte en el sistema de registro de esos datos acumulados. Construida a gran escala sobre discos duros, proporciona la base duradera y económica que permite a los sistemas de IA preservar el contexto, extenderlo a lo largo del tiempo y mejorar continuamente.
Del archivo al sistema de registro
Una vez que los sistemas comienzan a funcionar de esta manera, el papel del almacenamiento empieza a cambiar. En el desarrollo de productos, los comentarios de los clientes, los resultados anteriores, los datos de las pruebas y las interacciones previas siguen sirviendo de base para determinar qué se mejorará a continuación. Este mismo patrón se repite en todos los sectores donde los sistemas de IA dependen de la retención y reutilización de datos.
El almacenamiento de objetos se ha considerado durante mucho tiempo como un destino al que van a parar los datos una vez que dejan de estar en uso activo. Ese modelo funcionaba cuando las cargas de trabajo eran episódicas. Pero los sistemas de IA que aprenden y evolucionan continuamente no tienen un punto final definido.
Cada interacción deja algo atrás. Los resultados se acumulan y, cuando se conservan, pasan a formar parte del contexto de funcionamiento del sistema. En lugar de desaparecer, esos resultados permanecen disponibles junto con todo lo que vino antes y dan forma a lo que sucederá después. A medida que estos sistemas se desarrollan con el tiempo, el almacenamiento de objetos adquiere un papel más central, no solo como repositorio, sino como la capa donde persisten los datos acumulados, permanecen accesibles y pueden reincorporarse a flujos de trabajo activos para obtener resultados futuros.
Los datos siguen transfiriéndose a través de otros niveles. Se almacena en la memoria, se incorpora a las capas de procesamiento y se utiliza en tiempo real, a menudo más de una vez dentro de un mismo flujo de trabajo. Pero, en última instancia, tiene que persistir en algún lugar. Debe seguir siendo accesible, duradero y estar listo para ser utilizado de nuevo.
Esa función recae cada vez más en el almacenamiento de objetos, que en las nubes a hiperescala se basa en discos duros. De hecho, más del 90 % de la capacidad de los centros de datos en la nube reside en discos duros, lo que refleja no solo dónde se colocan los datos, sino también dónde deben residir a gran escala.¹ El almacenamiento es la forma en que la IA conserva el contexto. A gran escala, deja de ser una consideración secundaria y pasa a formar parte de lo que define las capacidades del sistema.
La pregunta sobre los datos ha cambiado.
En la era del entrenamiento, la pregunta sobre los datos era sencilla: ¿tenemos suficientes datos para construir un modelo útil?
En sistemas como estos, comienza a surgir una pregunta diferente: ¿puede el sistema acceder a los datos correctos, en el momento adecuado, a menudo de forma repetida mientras se ejecuta?
Aquí es donde deja de ser teórico. Se observa cómo los sistemas extraen datos almacenados una y otra vez, refinando los resultados a medida que se añade más contexto. Lo que parece ser una sola consulta suele ser una serie de búsquedas que se realizan en segundo plano, cada una dependiendo de la información que ya se haya almacenado. A medida que estos sistemas maduran, los datos adquieren un nuevo papel. Lo que permanece almacenado entre usos activos no está inactivo. Forma parte de lo que el sistema sabe: resultados, interacciones y señales previas que dan forma a lo que sucede a continuación. Ese contexto acumulado empieza a importar tanto como el modelo en sí. A gran escala, las cargas de trabajo de IA siguen generando enormes volúmenes de datos, pero gran parte de ellos todavía se tratan como transitorios —se usan una vez y se descartan— en lugar de conservarse como algo sobre lo que el sistema pueda construir.
Ahí es donde aparece una nueva restricción. A medida que los datos se convierten en un activo a largo plazo, el desafío ya no radica simplemente en cuánto se puede almacenar, sino en cuánto de ellos puede permanecer accesible, duradero y reutilizable a medida que los sistemas continúan creciendo.
El mercado ya se está adaptando a esa realidad. IDC prevé que la capacidad de almacenamiento de objetos crecerá a una tasa de crecimiento anual compuesta (TCAC) del 25,6 %, lo que refleja la creciente demanda de datos persistentes y accesibles a gran escala.²
Cuando el almacenamiento y el procesamiento se desincronizan
En teoría, los sistemas de IA están diseñados para ser eficientes. En la práctica, esa eficiencia se vuelve más difícil de mantener a medida que aumentan de tamaño. La computación sigue avanzando con modelos cada vez más capaces y sofisticados. A medida que las implementaciones maduran, la cantidad de datos que estos sistemas retienen y de los que dependen crece aún más rápidamente.
Las organizaciones están mejorando en la recuperación y el uso de la información, incorporando los datos correctos a los flujos de trabajo en el momento preciso. Pero al mismo tiempo, el volumen de lo que desean conservar sigue aumentando. Los datos históricos de la empresa, los resultados anteriores, las interacciones con los clientes y el conocimiento organizacional acumulado adquieren mayor valor a medida que los sistemas maduran. Cada vez más, la calidad del resultado de un sistema de IA refleja la profundidad y la amplitud de la información a la que puede acceder.
Cuando el rendimiento es insuficiente, el instinto sigue siendo añadir más capacidad de procesamiento. Pero eso no siempre resuelve el problema de fondo. Más allá del procesamiento de datos, el problema más complejo reside en mantener el acceso a los datos acumulados que dan contexto a los sistemas, y en garantizar que puedan conservarse, recuperarse y reutilizarse a medida que los sistemas evolucionan.
Ese desequilibrio también está empezando a reflejarse en la planificación de infraestructuras. A medida que los sistemas de IA retienen y reutilizan más datos, la capa de datos se convierte en una parte más importante de las decisiones arquitectónicas que determinan la eficacia con la que esos sistemas pueden escalar.
Con el tiempo, los sistemas se ven limitados no por la velocidad a la que pueden ejecutarse, sino por la cantidad de su historial que pueden conservar como estado útil.
El hardware que se encuentra debajo del software
Las decisiones que tomen ahora las organizaciones en materia de infraestructura determinarán hasta dónde podrán llegar realmente sus sistemas de IA.
Gran parte de esto se describe como definido por software, y una porción considerable del comportamiento del sistema está determinada por cómo se distribuyen y se accede a los datos. Pero a medida que aumenta la escala de la implementación, otra realidad se vuelve más difícil de ignorar: el alcance del crecimiento de estos sistemas está determinado, en última instancia, por el hardware subyacente.
La infraestructura de IA opera en múltiples capas. La memoria respalda lo que está sucediendo ahora. La tecnología Flash permite un acceso de alta velocidad en situaciones donde la latencia es importante. Debajo de ambos, el almacenamiento de objetos a gran escala en discos duros proporciona la base sólida donde los datos permanecen disponibles para su uso a largo plazo.
A medida que los sistemas se vuelven más continuos, esa distinción se agudiza. Los niveles de rendimiento se encargan del procesamiento inmediato, mientras que el almacenamiento de objetos garantiza que lo que ya ha ocurrido permanezca disponible. Debido a que estos sistemas generan y reutilizan continuamente grandes volúmenes de datos no estructurados, no pueden sostenerse únicamente con niveles de rendimiento. A medida que la densidad, la durabilidad y la escala dejan de ser consideraciones secundarias para convertirse en limitaciones centrales, los discos duros siguen siendo fundamentales.
El software determina cómo se comporta el sistema. El hardware determina qué información puede obtener.
Por qué la densidad se convierte en el factor decisivo
En algún momento, toda inversión en IA se topa con la misma pregunta: ¿cómo puede el sistema seguir creciendo sin superar la infraestructura subyacente? La densidad de almacenamiento es donde se responde a esa pregunta. La verdadera limitación en la IA empresarial es la continuidad, no la capacidad de procesamiento. La capacidad de almacenar más datos sin ampliar la infraestructura necesaria afecta directamente al grado de escalabilidad de un sistema.
A gran escala, el efecto se acumula. En una implementación de un exabyte, la plataforma Mozaic™ 4+ de Seagate mejora la eficiencia de la infraestructura en aproximadamente un 47 % en comparación con las implementaciones estándar de 30 TB, al tiempo que reduce el espacio físico del centro de datos y el consumo de energía.3
La decisión sobre infraestructuras y la decisión empresarial resultan ser la misma. Los sistemas que retienen lo aprendido, lo recuperan de forma eficiente y lo reutilizan en millones de interacciones aumentarán su valor. Los sistemas construidos sobre infraestructuras que tratan los datos como transitorios acabarán por estancarse. No porque los modelos sean erróneos, sino porque la base sobre la que se sustentan no puede soportar el peso.
El almacenamiento es la forma en que la IA acumula conocimiento, y a gran escala, ese contexto retenido determina cuánto puede aprender el sistema de su propio pasado, adaptarse y aportar valor al negocio.
Aprenda cómo las arquitecturas de almacenamiento de múltiples niveles, impulsadas por discos duros, admiten el almacenamiento de objetos a escala.
Referencias
- Seagate Technology, “Cargas de trabajo de centros de datos de Seagate atendidas completamente por sistemas de almacenamiento híbridos y en disco duro”, Seagate EE. UU.,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC, Previsiones sobre almacenamiento de objetos, 2024-2028: Actualización y pronóstico del mercado mundial de almacenamiento basado en archivos y objetos, 2024.
- Seagate Technology, “Seagate ofrece los discos duros de mayor capacidad de la industria con la próxima generación Mozaic 4+”, 3 de marzo de 2026,
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
