La inteligencia artificial está generando una nueva categoría de infraestructura: las AI Factories. El nombre no es solamente una metáfora, porque la lógica industrial es bastante literal: si una fábrica tradicional recibe materias primas y produce bienes, una AI Factory recibe datos y energía y los transforma en entrenamiento, inferencia, modelos, agentes y, finalmente, inteligencia utilizable por el negocio. La diferencia con un datacenter tradicional está justamente ahí: un datacenter aloja y ejecuta cargas muy diversas, mientras una AI Factory está diseñada desde el comienzo para producir IA de manera repetible, escalable y continua.
NVIDIA, uno de los principales impulsores del concepto, incluso define su producto final en una unidad muy concreta: tokens. Esa forma de medir no es menor, porque desplaza el foco desde la infraestructura física hacia la productividad del sistema completo. Ya no importa sólo cuántas GPUs, racks o megawatts tiene una instalación, sino cuánto trabajo de IA es capaz de producir con ellos.
Del proyecto de IA a la producción de IA
Durante la primera etapa de la IA generativa, muchas empresas trabajaron mediante proyectos aislados: un chatbot, un asistente interno, una prueba de concepto o un modelo específico. El problema aparece cuando esos experimentos pasan a producción, porque hay que ingerir datos, limpiarlos, entrenar o ajustar modelos, desplegarlos, realizar inferencia, monitorear resultados, gestionar accesos y repetir el proceso constantemente. Ese ciclo exige una infraestructura mucho más amplia que un servidor con algunas GPUs.
La AI Factory busca organizar todo ese proceso como una línea de producción. Los datos entran, se procesan, los modelos entrenan o se ajustan y luego se ejecutan a escala para generar resultados que alimentan aplicaciones empresariales. El objetivo deja de ser simplemente ‘hacer un modelo’ y pasa a ser producir inteligencia continuamente, con una infraestructura preparada para repetir ese ciclo sin reconstruir cada proyecto desde cero.
Cinco capas que deben funcionar juntas
Una AI Factory tampoco puede reducirse a un cluster de GPUs. Su funcionamiento depende de varias capas estrechamente integradas: energía para alimentar el sistema, chips para ejecutar procesamiento acelerado, infraestructura de servers, storage, networking y cooling, software y modelos para entrenar y desplegar IA, y finalmente aplicaciones capaces de convertir ese cómputo en una capacidad útil para la organización.
La clave está en la integración entre esas capas. Una empresa puede disponer de GPUs extremadamente potentes y obtener malos resultados si storage no alimenta suficientemente rápido al cluster, la red genera congestión, el cooling limita la densidad o el software utiliza mal los aceleradores. Por eso, la performance se evalúa cada vez menos por componente aislado y cada vez más como comportamiento del sistema completo.
El nuevo KPI: tokens por watt
Este cambio también modifica la forma de medir una instalación. En el datacenter convencional, buena parte de la conversación de eficiencia giraba alrededor del PUE: cuánta energía total consume la instalación respecto de la utilizada directamente por IT. En una AI Factory ese indicador sigue siendo relevante, pero empieza a convivir con una pregunta más vinculada al resultado: cuánto trabajo de IA produce cada unidad de infraestructura y energía.
NVIDIA utiliza explícitamente el concepto de tokens per watt. La razón es económica: si dos clusters consumen una cantidad similar de electricidad pero uno genera muchas más inferencias útiles por segundo, el segundo tiene una ventaja estructural. La optimización deja entonces de depender únicamente del consumo del edificio y pasa a involucrar hardware, networking, cooling, software, utilización real y productividad del conjunto.
¿En qué se diferencia de un Neocloud?
La confusión es comprensible porque ambas categorías crecieron juntas, pero no son exactamente lo mismo. Un Neocloud es un proveedor, es decir, una empresa especializada en ofrecer cómputo acelerado —muchas veces GPUaaS— como servicio. Una AI Factory es una infraestructura y un modelo operativo construido específicamente para producir IA.
Un Neocloud puede operar una o muchas AI Factories, pero también puede construir una AI Factory una empresa para uso propio, un gobierno para desarrollar IA soberana, una telco, una universidad o un hyperscaler. La diferencia es similar a distinguir entre ‘cloud provider’ y ‘datacenter’: están estrechamente relacionados, pero uno describe principalmente un modelo de negocio y el otro una infraestructura y una forma de operación.
Tampoco es simplemente un datacenter de alta densidad
Tener racks de 100 o 200 kW tampoco convierte automáticamente una instalación en AI Factory. La densidad es una consecuencia del tipo de cómputo, no su definición. Una AI Factory necesita que compute, datos, networking y software estén preparados para todo el ciclo de IA y funcionen como una plataforma integrada.
Por eso las nuevas arquitecturas de referencia incorporan desde topologías de red y nodos GPU hasta observabilidad, scheduling, seguridad y software de ejecución. El datacenter aporta el edificio y los servicios críticos; la AI Factory agrega la línea de producción digital que vive dentro de él y transforma capacidad técnica en resultados repetibles.
Arquitecturas repetibles
Otra diferencia importante de 2026 es que la industria intenta dejar atrás los proyectos completamente artesanales. NVIDIA comenzó a formalizar arquitecturas de referencia empresariales que permiten construir AI Factories mediante configuraciones validadas y repetibles, combinando nodos certificados, redes de alta velocidad y diseños específicos de cluster.
Esto apunta a resolver uno de los grandes problemas actuales: desplegar infraestructura IA es complejo y cada incompatibilidad entre server, red, cableado, storage, cooling o software puede retrasar meses un proyecto. La arquitectura de referencia busca convertir una implementación excepcional en algo progresivamente más industrializado, con componentes probados que reduzcan riesgo y aceleren puesta en marcha.
Del rack al campus
En el extremo superior, AI Factory ya no describe solamente un cluster empresarial. Las nuevas generaciones están evolucionando hacia instalaciones completas diseñadas alrededor de IA, donde cómputo, diseño eléctrico, cooling, construcción y simulación se planifican como una sola arquitectura desde el comienzo.
En marzo de 2026, NVIDIA presentó su diseño Vera Rubin DSX AI Factory, integrando infraestructura de cómputo, energía, cooling y simulación mediante gemelos digitales. En torno a este tipo de proyectos aparecen empresas provenientes de mundos muy diferentes —Schneider Electric, Siemens, Vertiv, Trane, Eaton, Jacobs y proveedores energéticos, entre otros—, lo que demuestra que construir IA a gran escala ya no es solamente un proyecto IT. Involucra ingeniería eléctrica, generación, red, refrigeración, construcción, software y planificación física en un mismo conjunto.
El cuello de botella está antes de encender las GPUs
A medida que crece la escala, el principal problema puede aparecer incluso antes de comprar el hardware. Una AI Factory necesita tierra, conectividad, transformadores, permisos, agua o sistemas alternativos de rechazo térmico y, sobre todo, acceso a energía suficiente y confiable. Los nuevos proyectos requieren cientos de MW y, en los casos más ambiciosos, avanzan hacia escalas medidas en gigawatts.
Por eso los fabricantes de infraestructura eléctrica y cooling pasaron a integrar el ecosistema IA casi al mismo nivel que los fabricantes de chips. El nuevo cuello de botella no es solamente conseguir GPU, sino lograr que todos los elementos físicos estén disponibles al mismo tiempo para que esas GPUs puedan encenderse y operar con alta utilización.
AI Factory empresarial: no todo tiene que ser gigante
El concepto tampoco está reservado a Meta, Microsoft o los grandes proveedores cloud. Las arquitecturas empresariales permiten construir AI Factories mucho menores, destinadas a organizaciones que necesitan controlar sus datos, ejecutar modelos sensibles, reducir latencia o mantener costos previsibles para workloads permanentes.
Finanzas, salud, gobierno, telecomunicaciones e industria aparecen como candidatos naturales. En ese punto emerge además otra tendencia: Sovereign AI. Países y grandes organizaciones quieren desarrollar capacidades de IA sin depender completamente de infraestructura, datos y modelos operados desde otros territorios, y la AI Factory ofrece una forma concreta de materializar esa soberanía tecnológica.
América Latina: ¿consumir IA o producirla?
La discusión resulta especialmente relevante para América Latina. Hasta ahora, buena parte de la región consumió las grandes olas tecnológicas mediante infraestructura creada en otros mercados, y la IA vuelve a abrir esa disyuntiva entre utilizar capacidad externa o desarrollar una base propia.
Brasil anunció inversiones públicas en supercomputación IA por alrededor de USD 444 millones, distribuidas entre proyectos basados en tecnología estadounidense y china, y uno de ellos apunta a convertirse en uno de los supercomputadores para IA más potentes del mundo. No significa que cada proyecto de supercomputación sea automáticamente una AI Factory, pero sí señala un cambio de enfoque: los países empiezan a considerar la capacidad computacional acelerada como infraestructura estratégica.
La presencia de energía renovable, datacenters en expansión y una gran base de usuarios puede generar oportunidades regionales. La pregunta ya no es sólo cuánto IA consumirá América Latina, sino cuánto de esa inteligencia podrá producirse también dentro de la región y bajo qué modelos de inversión, soberanía y cooperación.
El negocio pasa de GPUs a producción
El cambio conceptual puede resumirse en una evolución bastante clara. Primero, el mercado buscaba GPUs; después buscó clusters y ahora empieza a buscar capacidad de producción de IA. La AI Factory representa esa tercera etapa, donde el valor no está en poseer aceleradores, sino en mantenerlos ocupados, alimentarlos con datos, generar resultados rápidamente y repetir el proceso a escala.
En ese sentido, una GPU apagada se parece mucho a una máquina industrial detenida: es capital improductivo. Y cuanto más cara y energética sea la infraestructura, mayor será la presión por medir no sólo cuántos chips tiene una organización, sino cuánto valor consigue fabricar con ellos. La fábrica de IA empieza justamente ahí.