Cuando las GPUs devoran el presupuesto de SaaS
Los servidores y centros de datos crecen más rápido que el software: por qué los presupuestos de TI se dirigen hacia GPUs y qué palancas de FinOps…
Servidores y centros de datos crecerán en 2026 más de un 30 % según las previsiones del sector, mientras que el software lo hará a un ritmo más lento. Esto significa, dentro del mismo presupuesto de TI, que aumentan las horas de GPU y la capacidad de los clústeres, mientras que se recortan las partidas de SaaS y licencias.
Lo más importante en resumen
- Dos velocidades en el presupuesto. La infraestructura de IA y los centros de datos impulsan el motor de crecimiento, mientras que el software sigue creciendo, pero notablemente más despacio que la capa de hardware.
- Reasignación, no crecimiento global para todos. Quienes comparten el mismo presupuesto notan el trade-off: la inferencia y el entrenamiento suelen desplazar licencias por puesto, herramientas y presupuestos para consultoría.
- FinOps necesita un tercer eje. El etiquetado clásico en la nube ya no basta. Los equipos requieren estrategias de colocación de cargas de trabajo, reglas para instancias reservadas frente a bajo demanda y criterios claros para eliminar GPUs inactivas.
Relacionado:La carga del modelo devora la costosa hora de TPU / La cloud soberana fracasa por la conexión, no por el código
Qué dicen realmente las cifras
Gartner prevé para 2026 un fuerte crecimiento del gasto global en TI, impulsado sobre todo por la infraestructura de IA y los sistemas de centros de datos. En una reciente previsión, los sistemas de centros de datos crecerán más de un 50 %, y los servidores, más de un 30 %. El software también crece, pero en cifras de un solo dígito o bajas dobles, y en algunos casos incluso se ha revisado ligeramente a la baja. El mensaje no es «el software muere».el euro adicional en el presupuesto de TI se destina primero a capacidad de computación.
Paralelamente, el gasto global en IA aumenta hasta magnitudes que superan los presupuestos tradicionales de software, con un gran bloque dedicado a servidores e infraestructura optimizados para IA. Quien lo interprete solo como una historia de hyperscalers se pierde el efecto en las pymes: muchas organizaciones de la región DACH no aumentan su presupuesto total de TI al mismo ritmo. Reasignan.
En X y en la comunicación del sector, esto se condensa en una ley de mercado: una empresa tecnológica advierte de un descenso en sus ingresos, y el mercado lo interpreta como un trasvase de software a hardware de IA. Más allá de las cifras trimestrales, el mecanismo es tangible para los profesionales.
Por qué los costes de las GPU rompen la lógica SaaS
Las FinOps clásicas en la nube están optimizadas para cargas de trabajo elásticas y efímeras: instancias que se apagan, almacenamiento que se jerarquiza, licencias que se cuentan por puesto. La carga permanente de GPU rompe estos supuestos.
Tres diferencias estructurales:
- Granularidad. Una licencia SaaS es predecible por mes. Una hora de GPU fluctúa según la cola, el mercado spot, la región y el tamaño del modelo.
- Presión de CapEx. Quien asegura capacidad (Reserved, Committed Use, racks propios) compromete presupuesto antes de su uso. Quien permanece flexible paga una prima y arriesga brechas de utilización.
- Responsabilidad. El SaaS suele comprarlo el área de negocio. La capacidad de GPU recae en la plataforma, el Centro de Excelencia en la Nube o Ciencia de Datos -y choca con el presupuesto clásico de software de la IT departamental.
Por eso, el reajuste en la empresa suele percibirse como injusto: el equipo de IA escala, la unidad de negocio pierde una herramienta. FinOps debe hacer visible esta línea de conflicto, en lugar de ocultarla en una partida global de facturación en la nube.
Qué suele ceder en el presupuesto
Sin dramatismos, con patrones de la práctica:
- Suites de productividad duplicadas y puestos sin usar tras fusiones y adquisiciones o proliferación de herramientas
- Herramientas de observabilidad y desarrollo con solapamientos (tres licencias APM, dos sistemas CI)
- Consultoría e implementación en favor de «construimos internamente con agentes»
- Módulos de funciones en ERP/CRM que nadie ha adoptado
- Entornos no productivos sobreaprovisionados en la nube que de repente compiten con el pool de GPU por el mismo compromiso con el hiperescalar
No se trata de una recomendación para sacrificar software de forma indiscriminada. Es la observación de que los CFO y CIO solo pueden gastar el mismo euro una vez.
- Clases de carga de trabajo claras (entrenamiento, inferencia por lotes, inferencia en línea, experimentos)
- Estrategias de compromiso por clase en lugar de una tarifa plana de GPU
- Redimensionamiento de licencias en paralelo a la planificación de capacidad
- GPU inactivas sin propietario y sin parada automática
- «Cloud first» para carga permanente sin modelo de costes
- Recortes en SaaS sin datos de uso (solo intuición)
Lista de verificación FinOps para la fase de reasignación presupuestaria
Práctica, para resolver en una reunión de planificación:
- Una moneda común. Traducir horas de GPU, tokens y plazas de SaaS a euros por mes por equipo. Sin una unidad común, la discusión sigue siendo política.
- Ubicación de cargas de trabajo. ¿Qué debe ejecutarse bajo demanda en la nube pública, qué merece reservas/compromisos, y qué pertenece a colocación o racks propios una vez que la utilización es estable?
- Interruptor de corte para recursos inactivos. Detener instancias de portátiles y clústeres experimentales no utilizados después de X horas. Este es el acelerador más rápido antes de cualquier cancelación de licencia.
- Auditoría de plazas con datos. Uso de 90 días antes de la cancelación. De lo contrario, ahorras licencias y las recompras más caras en el trimestre siguiente.
- Separar compromiso vs. flexibilidad. Asegurar la carga base, picos flexibles. Un grupo de GPU 100 % bajo demanda rara vez es FinOps, a menudo es comodidad.
- Considerar energía y ubicación. La capacidad sin red y permisos es presupuesto muerto -véanse los riesgos de ubicación en proyectos de centros de datos.
- Documentar la salida. Si el modelo cambia o el clúster se reduce: ¿qué licencias y compromisos continúan y quién los paga?
// Definición
¿Qué es la reasignación presupuestaria en el contexto de IA? El desplazamiento del gasto en TI dentro de un presupuesto limitado, desde posiciones clásicas de software y servicios hacia capacidad de cómputo para entrenamiento e inferencia (GPU, servidores de IA, instancias especializadas en la nube, colocación). Es un problema de asignación, no una prueba de que el software se vuelva irrelevante.
Qué cambian ahora los equipos de plataforma
La respuesta operativa no es «más cuadros de mando». Es gobernanza con dientes:
Showback antes que chargeback. Primero visibilidad por equipo y clase de carga de trabajo, luego facturación. El chargeback sin showback solo genera cuentas en la sombra.
Cuotas en lugar de esperanza. Cada equipo de experimentación recibe un contingente de horas de GPU por sprint. Superarlo requiere aprobación, no un correo posterior a FinOps.
Software y cómputo en una misma revisión. Ronda trimestral conjunta: propietarios de licencias y propietarios de clústeres. Quien solo revisa SaaS ve la mitad de la verdad. Quien solo revisa GPU destruye sin darse cuenta herramientas de productividad.
El mercado puede seguir hablando de previsiones récord globales. En la sala de máquinas, lo que cuenta es si planificas la reasignación o la sufres.
Preguntas frecuentes
¿Qué es la reasignación de presupuesto en el contexto de la IA?
El desplazamiento de los recursos de TI de las licencias de software y los servicios clásicos hacia la infraestructura de GPU y IA dentro del mismo o solo ligeramente creciente presupuesto. La causa es el mayor crecimiento de la columna de infraestructura en comparación con muchas posiciones de software.
¿Significa eso que SaaS dejará de ser importante?
No. SaaS sigue creciendo, pero a menudo más lentamente que el hardware de IA y el centro de datos.
¿Por qué no son suficientes las etiquetas FinOps clásicas de Cloud?
Porque las cargas de trabajo de GPU tienen perfiles de costos diferentes: largos tiempos de ejecución, tiempo de inactividad costoso, confirmaciones y decisiones de ubicación. Las etiquetas ayudan en la asignación, pero no reemplazan las clases de carga de trabajo, las cuotas y los interruptores de apagado.
Cloud, colocation o GPUs propias – ¿qué es más barato?
Depende del uso, el tiempo de ejecución y la capacidad de operaciones. Experimentos de corta duración y picos a menudo en la nube pública.
¿Qué debería contener la próxima revisión de FinOps?
Horas de GPU e índice de inactividad por equipo, asientos de SaaS con un uso de 90 días, confirmaciones abiertas, decisiones de ubicación por clase de carga de trabajo y una lista explícita de qué posiciones de licencia se flexibilizan en favor de la capacidad – con propietario y fecha.
Consejos de lectura de la redacción
- Cargar el modelo consume la costosa hora de TPU
- La nube soberana falla en la conexión, no en el código
- Cuando el centro de datos respira con la red eléctrica
Más del network de MBF Media
Más de la red MBF Media
MyBusinessFutureCuándo un modelo de IA alemán realmente se pagaDigital ChiefsLa cuenta para diez años de soluciones aisladasSecurityToday¿Qué es KRITIS? Operadores, obligaciones y umbralesFuente de la imagen: generada por IA (julio de 2026)
