La expansión del cloud había devuelto protagonismo a servers y storage dentro de la infraestructura empresarial. La Inteligencia Artificial profundiza ahora ese proceso y modifica, al mismo tiempo, las características de ambos mercados. Las nuevas cargas requieren mucha mayor capacidad de cómputo, memoria de alto rendimiento y movimiento de datos, pero también obligan a que componentes que tradicionalmente podían adquirirse y administrarse como silos funcionen como partes de una misma arquitectura.
El cambio se percibe especialmente en los datacenters preparados para IA, donde la densidad de cómputo crece a un ritmo muy superior al de la infraestructura convencional. Esto aumenta las exigencias sobre energía y cooling, pero también sobre almacenamiento y networking: invertir en GPUs de última generación tiene poco sentido si el resto de la infraestructura no puede alimentarlas con datos a la velocidad necesaria.
Servers: del CPU al cómputo acelerado
El mercado de servidores atraviesa una transición desde arquitecturas centradas fundamentalmente en CPU hacia sistemas de cómputo acelerado. El CPU continúa siendo indispensable para la operación general, pero training, inferencia, simulación y otras cargas intensivas incorporan GPUs y aceleradores especializados como componentes centrales.
La consecuencia es un aumento significativo de la capacidad instalada dentro de cada sistema. Las arquitecturas empresariales de referencia actuales ya contemplan nodos con ocho GPUs, más de 1 TB de memoria DDR5 y múltiples interfaces de red de 400 Gb/s. En los ambientes de mayor escala, estos nodos se combinan para formar clusters de decenas, cientos o incluso más de mil aceleradores, de modo que el server individual pierde relevancia frente al rendimiento del sistema completo.
Esto también modifica la economía del hardware. El valor de un servidor IA no está determinado solamente por procesador, memoria y almacenamiento local, sino por la cantidad y generación de sus aceleradores, el ancho de banda entre ellos y su capacidad para integrarse eficientemente con el resto del cluster. Los fabricantes tradicionales están respondiendo con portfolios específicamente orientados a IA, mientras NVIDIA, AMD e Intel compiten en una capa de aceleración que concentra una porción creciente del valor.
La tendencia continúa acelerándose en 2026. HPE, por ejemplo, presentó sistemas basados en la generación Rubin capaces de alojar hasta 128 GPUs por rack, duplicando la densidad de su generación anterior. El avance permite aumentar capacidad sin ampliar proporcionalmente el espacio físico, pero traslada la presión hacia alimentación eléctrica, cooling y redes de alta velocidad.
Más densidad, nuevos límites
La densidad se convierte así en una de las principales variables del nuevo mercado de servers. Durante años, agregar capacidad significaba fundamentalmente agregar equipos y racks; ahora es posible concentrar una cantidad de cómputo mucho mayor dentro de una superficie relativamente reducida.
Para los datacenters esto genera una oportunidad y una restricción. Una instalación puede alojar mucho más poder computacional por metro cuadrado, pero sólo si dispone de energía, distribución eléctrica y refrigeración suficientes. Por eso el crecimiento de servers IA está directamente relacionado con el auge de Liquid Cooling y con el rediseño de la infraestructura física.
También cambia la lógica de compra empresarial. No todas las organizaciones necesitan la máxima densidad disponible ni tiene sentido utilizar GPUs para cualquier workload. Los entornos que se están consolidando combinan servidores convencionales para aplicaciones generales con nodos acelerados para IA, analytics y HPC, distribuyendo cada carga según sus necesidades y costo.
Storage vuelve al primer plano
Si las GPUs son el componente más visible de la infraestructura IA, storage es uno de los lugares donde pueden aparecer los principales cuellos de botella. Los modelos necesitan acceder continuamente a enormes volúmenes de información durante entrenamiento, fine-tuning, inferencia y procesos de Retrieval-Augmented Generation —RAG—. A esto se suma el crecimiento de la IA agéntica, donde los sistemas necesitan mantener y recuperar contexto durante procesos que pueden involucrar múltiples pasos y fuentes de información.
La consecuencia es que ya no alcanza con disponer de gran capacidad. El almacenamiento debe entregar los datos con suficiente velocidad y baja latencia para evitar que los aceleradores permanezcan esperando información. Meta, por ejemplo, señaló este año que los bottlenecks de storage continúan siendo una de las principales causas de pausas de GPU en sus workloads de IA, afectando directamente tanto el costo del cómputo como la velocidad de desarrollo.
La relación puede cuantificarse. Las arquitecturas empresariales de NVIDIA utilizan como guía alrededor de 12,5 Gb/s de ancho de banda de storage por GPU. Bajo esa referencia, un cluster relativamente pequeño de 16 GPUs ya requiere alrededor de 200 Gb/s agregados sólo para almacenamiento. A medida que los clusters escalan, storage deja de ser un repositorio pasivo y se convierte en parte directa de la performance del sistema.
Flash, NVMe y Object Storage
Esta demanda favorece tecnologías de alto rendimiento como All-Flash y NVMe, particularmente en las capas donde training e inferencia necesitan acceso rápido a grandes conjuntos de información. Paralelamente, Object Storage gana espacio por su capacidad de escalar a grandes volúmenes de datos no estructurados y funcionar como repositorio para pipelines de IA.
No significa que una única tecnología vaya a absorber todo el mercado. Los datos atraviesan distintas etapas y no todas requieren el mismo nivel de performance. Información utilizada activamente para entrenar o ejecutar modelos puede justificar storage de muy alta velocidad, mientras datasets históricos, backups y archivos pueden permanecer en capas de mayor capacidad y menor costo.
El desafío para los responsables de infraestructura pasa entonces por definir correctamente esos tiers y evitar dos extremos: pagar storage de máxima performance para información que casi no se utiliza o colocar datos críticos para IA en sistemas incapaces de alimentar los aceleradores. La arquitectura se vuelve tan importante como la capacidad instalada.
La IA agéntica suma otra exigencia
Durante 2026 apareció además una nueva demanda alrededor del almacenamiento de contexto. Los agentes de IA no sólo consultan una base de conocimiento: pueden ejecutar procesos prolongados, utilizar herramientas, recordar interacciones y recuperar información generada durante pasos anteriores.
NVIDIA respondió a esta tendencia con su arquitectura BlueField-4 STX, orientada específicamente a context memory storage. Según la compañía, la arquitectura puede duplicar la velocidad de ingesta de datos y aumentar hasta cinco veces el throughput de tokens frente a configuraciones tradicionales en los workloads contemplados. CoreWeave, Crusoe, Lambda, Nebius, Oracle y Vultr figuran entre los primeros proveedores que trabajan con esta nueva capa.
El dato es significativo porque muestra hacia dónde evoluciona el mercado. Storage deja de pensarse únicamente como lugar donde conservar datasets y pasa a funcionar también como memoria persistente de sistemas de IA que operan continuamente.
El costo vuelve a importar
La expansión de IA no elimina la tradicional presión por optimizar costos; por el contrario, la aumenta. Los aceleradores son caros y las nuevas generaciones demandan cantidades crecientes de memoria de alto ancho de banda, mientras los grandes volúmenes de información elevan simultáneamente la inversión en almacenamiento.
Esto favorece arquitecturas que puedan mover los datos entre distintos niveles según su utilización. El objetivo es reservar los recursos de mayor performance para los workloads que realmente los necesitan y mantener el resto en opciones económicamente más eficientes, tanto on premise como en cloud.
También vuelve más importante calcular el costo total de mover la información. Una arquitectura puede ofrecer storage cloud aparentemente económico y resultar mucho más costosa cuando una aplicación de IA necesita recuperar y transferir grandes cantidades de datos constantemente. Para los compradores, precio por TB deja de ser una métrica suficiente: deben entrar en la cuenta performance, transferencia, disponibilidad, crecimiento y costo de acceso.
De productos separados a una arquitectura común
El mayor cambio de mercado quizá sea que las fronteras entre las distintas categorías de infraestructura empiezan a perder nitidez. Servers, storage y networking continúan siendo mercados con proveedores y tecnologías propias, pero en IA el rendimiento de cada uno depende mucho más del resto.
Una GPU puede ejecutar enormes cantidades de operaciones, pero necesita memoria para sostenerlas, storage capaz de entregar información y una red que comunique aceleradores y sistemas sin generar demoras. Si uno de esos componentes queda atrás, la inversión realizada en los demás pierde rendimiento.
Por eso están creciendo las arquitecturas validadas entre fabricantes. NVIDIA ya certifica soluciones de storage de compañías como Dell Technologies, HPE, IBM, NetApp, Nutanix, VAST Data, WEKA y DDN, entre otras, mientras los grandes OEM integran servidores, aceleradores, almacenamiento, redes y software en sistemas cada vez más preconfigurados.
Para el usuario empresarial, esto puede reducir complejidad y acelerar despliegues. Para el mercado, también modifica la competencia: cada vez resulta más difícil vender una pieza de infraestructura sin explicar cómo funcionará dentro del stack completo.
El nuevo mercado
Cloud había transformado servers y storage al convertir infraestructura física en capacidad consumida bajo demanda. IA introduce ahora una segunda transformación: vuelve a poner el rendimiento físico en primer plano.
Importan nuevamente el tipo de procesador, la memoria, el acelerador, la latencia del almacenamiento y el ancho de banda disponible. Pero ya no como especificaciones aisladas, sino por su impacto sobre el rendimiento y el costo de cada workload.
Eso abre oportunidades para fabricantes tradicionales, especialistas en storage, proveedores de aceleradores y nuevos jugadores, pero también obliga a los compradores a modificar sus criterios. La discusión deja de ser cuántos servers o cuántos terabytes comprar y pasa a centrarse en cuánto trabajo útil puede producir la infraestructura completa.
En Cloud + IA, servers y storage recuperan protagonismo precisamente cuando dejan de funcionar como mundos separados.