El pánico por la capacidad de la nube se ha desbordado: «agotada» no es lo mismo que «escasa»

David Linthicum, en su blog Cloud Insider de InfoWorld (artículo de opinión del 10 de noviembre de 2026), sostiene que el debate sobre la capacidad de computación para IA se ha vuelto confuso y exagerado. Su punto de partida es un reciente artículo según el cual la capacidad de AWS estaría «prácticamente agotada» hasta 2027. Su reacción irónica es que, si fuera literal, dejaría de recomendar AWS para cargas de IA. Pero apunta que probablemente aún puede iniciar sesión en la consola de AWS y aprovisionar algún tipo de cómputo para IA.

La tesis central es que «la capacidad es limitada» y «la capacidad está agotada» no son lo mismo. El autor reconoce que la demanda es alta, la oferta está restringida, las GPU son caras, la energía es un problema y los centros de datos no aparecen por arte de magia. Lo que no hay, según él, es capacidad nula: puede que no existan grandes asignaciones de GPU plurianuales a escala de hiperescalador, aptas para entrenar un modelo de frontera, o bloques de capacidad reservada concretos que un gran laboratorio de IA quiera asegurar hasta 2028. Eso, subraya, no equivale a que el proveedor esté «agotado».

Linthicum interpreta que muchos proveedores de nube y de infraestructura tienen interés en decir que su capacidad de IA está comprometida durante años: señala demanda, tranquiliza a los inversores y refuerza la narrativa del auge de la IA. Lo compara con un restaurante que anuncia estar lleno durante meses: impresiona, crea urgencia y desanima a quien pensaba reservar. El problema es que los líderes empresariales entienden algo distinto de lo que se quiso decir: que no pueden ejecutar cargas de IA, que sus proyectos están bloqueados o que han perdido su oportunidad si no han firmado ya un gran acuerdo de capacidad reservada. A él le toca después explicar qué se quiso decir realmente y qué importa para su arquitectura.

El autor recuerda que los arquitectos empresariales ya lidian con selección de modelos, gobernanza de datos, seguridad, integración, latencia, costes inciertos y falta de personal con experiencia. Añadir afirmaciones poco claras sobre capacidad empeora el panorama. Además, la mayoría de las empresas no entrena modelos de frontera desde cero: construyen sistemas RAG, ajustan modelos pequeños, despliegan inferencia, prueban copilotos y agentes y buscan valor sin crear un desastre de gobernanza. Esas cargas necesitan capacidad, pero no del mismo tipo. Un banco que ejecuta inferencia con un modelo interno gobernado no tiene el mismo perfil que una startup que entrena un modelo gigante en miles de GPU, ni un fabricante que integra IA en su cadena de suministro se parece a un laboratorio que preentrena desde cero. Reducir todo a «la capacidad de IA está agotada» es, en sus palabras, «niebla», no análisis.

Linthicum compara el momento actual con la era puntocom, pero considera que el mercado de la IA ha llevado la exageración a un nivel que rara vez ha visto: todo producto es «con IA», todo proveedor tiene una plataforma y toda empresa de infraestructura está «agotada». Las empresas toman decisiones reales con dinero real y necesitan saber qué capacidad existe, cuánto cuesta, qué compromisos exige, qué rendimiento cabe esperar y qué alternativas evaluar, no «teatro de mercado» disfrazado de guía de infraestructura. Pide precisión: si hay disponibilidad limitada de ciertos tipos de instancia de GPU en determinadas regiones y modelos de compromiso, o si la capacidad reservada a largo plazo para clústeres de entrenamiento está mayormente comprometida, o si la capacidad bajo demanda existe pero puede estar restringida en horas punta, que se diga así.

También advierte de que ignorar las restricciones sería igual de irresponsable. Algunas cargas exigen planificación anticipada, algunos tipos de GPU pueden ser difíciles de conseguir, ciertas regiones pueden no tener lo necesario y algunos proveedores pueden imponer compromisos que cambian la economía del proyecto. Ambas cosas pueden ser ciertas: el mercado está limitado y los titulares están sobrecalentados. Por eso él debe explicar a sus clientes que AWS no está cerrado a la IA, que no hay que abandonar la estrategia de nube, que no toda carga debe migrar a otro proveedor y que no conviene firmar la primera reserva de capacidad por miedo a quedarse fuera.

Como recomendaciones, propone tres pasos. Primero, separar los tipos de carga antes de hablar de capacidad: entrenamiento, ajuste fino, inferencia, desarrollo, pruebas, procesamiento por lotes, aplicaciones en tiempo real y movimiento de datos, cada uno con su perfil de capacidad, modelo de costes y patrón arquitectónico. Segundo, validar la disponibilidad directamente con proveedores y socios, en lugar de basarse en declaraciones públicas, comentarios de analistas o fanfarronadas de ejecutivos, preguntando por tipos de instancia, regiones, cuotas de servicio, opciones de reserva, precios, plazos y alternativas, y obteniendo las respuestas por escrito cuando la carga sea crítica. Tercero, diseñar para la flexibilidad: evitar el bloqueo innecesario en la capa de capacidad, usar abstracción cuando ayude, mantener la arquitectura de datos portable cuando sea práctico, evaluar varios modelos de despliegue y evitar compromisos impulsados por el pánico que parecerán absurdos dentro de 12 meses.

Su conclusión es que la infraestructura de IA, la planificación de capacidad y las señales de los proveedores son importantes, pero el mercado necesita menos «vueltas de honor» y más claridad: hechos, contexto y arquitecturas que sobrevivan al contacto con la realidad. Cabe señalar que se trata de un artículo de opinión: no aporta cifras propias sobre la capacidad real de ningún proveedor y se apoya en otro texto, que no se detalla, para la afirmación sobre AWS.