Durante un tiempo, hablar de inteligencia artificial era casi entrar en un territorio de inevitabilidad. Todo parecía apuntar a lo mismo: la IA iba a transformar por completo la economía, reemplazar una enorme cantidad de tareas humanas y obligar a todas las empresas a adoptarla, quisieran o no.

Era difícil escapar de esa narrativa.

En cada conversación aparecía la misma sensación de urgencia: si no te subías ahora, te ibas a quedar atrás. Si no integrabas IA en tus productos, tu empresa iba a perder relevancia. Si no entendías este cambio, ibas a volverte obsoleto.

Pero con el paso del tiempo, y quizá también con un poco menos de ruido, empiezo a ver una pregunta mucho más interesante que todas las anteriores:

¿Cuánto cuesta realmente sostener la IA en producción?

Y para mí, ahí empieza la conversación importante.

La distancia entre una demo y un sistema real

Hay algo que la industria tecnológica repite mucho: primero aparece la promesa, después llega la operación.

Y entre ambas cosas suele haber una distancia enorme.

Una demo puede ser brillante.
Una prueba de concepto puede impresionar.
Un benchmark puede verse espectacular en una presentación.

Pero cuando una tecnología entra al mundo real, deja de ser solo una idea poderosa y se convierte en un sistema que alguien tiene que operar, monitorear, mantener, asegurar, justificar y pagar.

Eso cambia todo.

Por eso hay una frase que últimamente me resuena mucho:

Operar tecnología en producción siempre cuesta más de lo que promete el marketing.

Mientras más pienso en ella, más me convence de que aplica de forma casi perfecta al momento actual de la IA.

El costo que no siempre aparece en la conversación

Cuando se habla de inteligencia artificial, muchas veces el foco está en lo visible: qué tan capaz es el modelo, qué tan bien responde, cuánto sorprende, qué tareas puede automatizar.

Pero operar IA en serio implica mucho más que usar un modelo.

Implica también:

• infraestructura
• cómputo especializado
• consumo energético
• almacenamiento
• latencia
• observabilidad
• evaluación continua
• seguridad
• integración con sistemas existentes
• mantenimiento
• corrección de errores
• personas capaces de sostener todo eso

Y ahí es donde muchas promesas empiezan a chocar con la realidad.

Porque una cosa es decir que una tecnología puede hacer algo.
Otra muy distinta es demostrar que puede hacerlo de forma consistente, segura, rentable y sostenible.

Del miedo al reemplazo a la discusión sobre el costo

Recuerdo que una parte importante del discurso inicial sobre IA estaba atravesada por una idea muy específica: el reemplazo.

Parecía que la conversación entera giraba alrededor de cuántos empleos desaparecerían, cuántas tareas dejarían de necesitar personas y qué tan rápido iba a ocurrir todo eso.

No digo que no vaya a haber cambios profundos. Los hay y los seguirá habiendo.

Pero la realidad parece bastante más compleja que esa versión simplificada.

Sí, la IA puede automatizar tareas.
Sí, puede aumentar productividad.
Sí, puede ser útil de maneras muy concretas.

Pero también necesita supervisión.
También se equivoca.
También introduce riesgos.
También cuesta dinero.
También exige infraestructura.
También requiere personas que entiendan lo que están haciendo.

Y en ese punto la narrativa cambia por completo.

Ya no se trata de una tecnología mágica que reemplaza.
Se trata de una tecnología compleja que hay que integrar con criterio.

Por qué creo que esto puede abrir espacio al software libre

Aquí es donde mi interés personal por el software libre y por la operación de sistemas empieza a conectarse con todo esto.

Si el uso intensivo de IA se vuelve cada vez más costoso, si las empresas empiezan a revisar con más cuidado su dependencia de grandes proveedores, y si el retorno real de muchos proyectos no es tan claro como se prometía, entonces el mercado probablemente va a buscar otras rutas.

Y una de esas rutas, en mi opinión, será el software libre.

No porque sea gratis.
No porque todo lo abierto sea automáticamente mejor.
No porque desplegar modelos abiertos elimine los costos.

Sino porque ofrece algo que, cuando el hype baja, se vuelve extremadamente valioso:

• control
• flexibilidad
• independencia
• auditabilidad
• posibilidad de adaptar soluciones al contexto propio
• más margen para optimizar infraestructura y costos

Además, no todos los problemas requieren el modelo más grande del mercado.

Hay una enorme cantidad de casos de uso donde probablemente tenga más sentido pensar en:

• modelos más pequeños
• soluciones especializadas
• despliegues privados
• integración con tooling abierto
• arquitecturas híbridas más sobrias

Y ahí el software libre puede ser no solo una alternativa ideológica, sino una decisión pragmática.

Cuando baja el marketing, sube la operación

Creo que eso es, en el fondo, lo que más me interesa de esta discusión.

A medida que baja la narrativa exagerada, empiezan a ganar importancia cosas menos vistosas pero mucho más reales:

• observabilidad
• costos operativos
• consumo de recursos
• latencia
• trazabilidad
• resiliencia
• mantenimiento
• eficiencia
• soberanía tecnológica

Es decir: empieza a importar la ingeniería.

Y ese es un terreno donde el ecosistema open source siempre ha sido especialmente fuerte. Linux, contenedores, monitoreo, automatización, plataformas de observabilidad, herramientas de despliegue, servidores, bases de datos, orquestación… gran parte de la infraestructura que sostiene el mundo moderno ya vive ahí.

Por eso no me parece descabellado pensar que, si la IA entra en una etapa más madura, el software libre podría beneficiarse enormemente.

No creo en los extremos

Tampoco creo que la conclusión correcta sea decir: la IA fue una mentira o todo terminará siendo open source.

No lo veo así.

Lo que sí creo es que el mercado se volverá más selectivo, más exigente y menos ingenuo.

Habrá soluciones cerradas que seguirán siendo muy valiosas.
Habrá soluciones abiertas que crecerán con fuerza.
Habrá modelos híbridos.
Habrá especialización.
Habrá consolidación.

Pero al final, creo que sobrevivirá mejor aquello que realmente pueda sostenerse en producción de manera razonable.

No solo lo que impresiona.
No solo lo que se vende bien.
No solo lo que genera titulares.

Sino lo que funciona, se puede mantener, se puede pagar y aporta valor de verdad.

---

Tal vez el punto más interesante de todo esto no sea si estamos o no ante una burbuja de IA.

Tal vez la pregunta más útil sea otra:
¿qué pasa cuando dejamos de mirar la IA como promesa y empezamos a verla como infraestructura?

Porque en ese momento cambian los criterios.

Y cuando cambian los criterios, cambian también los ganadores.

Por eso cada vez me parece más plausible que el software libre gane espacio en esta nueva etapa: no como reacción emocional al hype, sino como respuesta práctica a una realidad muy conocida en tecnología.

La realidad de que construir algo es una cosa, pero sostenerlo en producción es otra muy distinta.

Y casi siempre, mucho más costosa de lo que parecía al principio.