2026 será el año de las plataformas de IA.

Este año no he tenido la oportunidad de hacer mi predicción de tendencias 2026 por lo que, aprovechando la oportunidad, me gustaría compartir una serie de 3 post acerca de lo que veo como tendencia en lo relativo, cómo no, a la Inteligencia Artificial.

De la carga cognitiva a la carga del modelo

Si has seguido lo que hemos estado publicando en Paradigma, ya conocerás nuestro mantra y nuestra serie de posts sobre Platform Engineering: la disciplina nació para sacar a los equipos de desarrollo del infierno operativo.

¿Recuerdas esa "condena" del You Build It, You Run It? Nos generó una carga cognitiva insoportable. Montones de equipos que, en lugar de inventar la próxima feature que da valor al negocio, pasaban el día peleándose con Kubernetes, Prometheus, o mil herramientas más.

La verdad, Platform Engineering ha sido nuestra gran palanca para poner orden en ese caos y decir a los equipos de desarrollo: “Centraos en la salsa secreta, nosotros nos ocupamos de la cocina”.

El patrón es siempre el mismo cuando hay un cambio tecnológico o la incursión de una nueva tendencia tecnológica, comenzamos a probarlo, comenzamos a aplicarlo en casos de uso y luego tenemos la necesidad de escalar y llegar cuanto antes a ponerlo en uso en producción.

Pero, ¿sabes qué? Justo cuando empezamos a respirar, aparece la siguiente gran ola, y es… aún más compleja.

En este caso, hablo (como no puede ser de otra manera) de la Inteligencia Artificial y el Machine Learning. No se trata de solo código e infraestructura; se trata de datos, modelos que caducan, versionado, explicabilidad y un ciclo de vida MLOps que, francamente, es un “superset” de lo que ya teníamos en DevOps. Por esto, mi apuesta es clara: 2026 no continuará con IA en todos lados, 2026 es el año en que la Plataforma de IA será un imperativo estratégico para negocio y tecnología dentro de las empresas, y no una opción.

La herencia de Platform Engineering, reducción de fricción, la base para MLOps

Platform Engineering es nuestro recetario de éxito: el uso de Golden Paths para estandarizar, la Internal Developer Platform (IDP) como punto de autoservicio para que nadie tenga que rellenar un ticket para montar un entorno.

Pero ahora le sumamos el ML. Y el problema es que el data scientist no puede estar configurando pipelines de CI/CD para un modelo, ni lidiando con networking. Simplemente, no puede (y si puede, no debe).

MLOps necesita los mismos Golden Paths que creamos para el software tradicional, pero extendidos a tareas algo más delicadas. Piensa en: un Golden Path que te guíe desde el notebook de prueba donde juegas con los diferentes algoritmos y modelos, hasta el despliegue en producción, con trazabilidad, feature stores (sistemas de almacenamiento de datos usado para el entrenamiento y predicción de modelos de Machine Learning) y monitorización del modelo... ¡todo de golpe!

Y aquí es donde vemos la primera gran especialización. Creo que en los próximos años veremos un auge del rol de Data Platform Engineer. Este rol no solo gestiona la IDP (Internal Developer Platform), sino que se centra en asegurar la confiabilidad y gobernanza del dato que alimenta al modelo. Si el modelo es una caja negra, al menos, ¡aseguremos que los input de datos que lo alimentan son impecables! Esto no es un detalle o capricho técnico, es un tema de confianza y compliance de la compañía.

Distinción fundamental: Plataformas con IA vs. Plataformas para IA

A nivel de CxO, hay que ser quirúrgicos con la terminología. Porque no es lo mismo usar IA para hacer mejor tu plataforma que construir una plataforma para hacer IA. La diferencia, créeme, marca dónde pondrás, o deberías poner, el grueso de tus presupuestos relativos a la inteligencia artificial.

• Plataformas con IA (AI-Powered Platforms). Esto es “cool”, está de moda (y, como toda moda, terminará pasando porque no impacta de lleno en el negocio, se volverá BAU), es usar la IA dentro de la propia plataforma para mejorar la experiencia del equipo de desarrollo. Pensemos en una resolución de problemas automatizada o un auto-scaling que predice la demanda antes de que pase. Es genial, sí, pero es un accesorio que mejora la DevEx.
• Plataformas para IA (Plataforma de IAs). Este es el foco. Esto es construir la infraestructura, las herramientas y los Golden Paths específicamente para soportar el ciclo de vida MLOps de cabo a rabo. Es la fábrica que permite que pasemos de tener tres modelos en producción a tener cincuenta. Es la capa que genera el nuevo valor de negocio.

Si tu inversión en IA supera los diez proyectos anuales, necesitas la segunda. No te queda otra.

Por qué 2026 es el punto de inflexión

¿Por qué digo 2026 y 2027? Porque el mercado va a forzarnos. Estamos en un punto de inflexión impulsado por el riesgo y la ambición.

El “día de la marmota” de la prueba de concepto (y el miedo del C-Level)

Muchas empresas se quedan atrapadas en un bucle sin fin con las PoCs: proyectos de IA que funcionan de maravilla en un sandbox, en un entorno controlado, pero que tardan meses en llegar a producción, o peor aún, que llegan y fallan por falta de monitorización o incumplimiento de políticas de seguridad.

Aquí es donde el reivindicador que llevo dentro se revela: la plataforma de IA es la única respuesta para escalar y demostrar el ROI. Cuando el negocio exige velocidad, la plataforma debe garantizar que ese modelo pase a producción en horas, no semanas.

Y por supuesto, no tenemos que olvidarnos del tema de la gobernanza. A medida que la IA toma decisiones críticas, la necesidad de auditabilidad y explicabilidad es vital. Necesitas una plataforma que te fuerce a documentar el dataset de entrenamiento y a monitorear el sesgo. No se puede confiar esto a la buena voluntad de cada equipo. El riesgo es, simplemente, demasiado alto.

Por si todo esto no fuera ya un auténtico dolor de cabeza, el futuro de la IA no son solo modelos estáticos que clasifican. Son los agentes de IA: aplicaciones que mantienen un estado, tienen memoria, planifican y actúan y sus arquitecturas, como no puede ser de otra manera, son increíblemente complejas.

¿Quién va a orquestar el estado, la persistencia y la interacción de esos agentes? Para mí está claro: Kubernetes. Pero, ¿quién hará que Kubernetes sea consumible para el equipo de IA? Exacto, la plataforma de IA. Este es, sin ningún tipo de duda, el catalizador final que hará que la plataforma se convierta en un requisito fundamental.

Recapitulando y poniendo todo encima de la mesa

Hemos llegado al punto donde ya no podemos poner parches o continuar con experimentos que no traen retorno alguno al negocio. Continuando con el mindset de Platform Engineering y extendiéndolo, la Plataforma de IA nos enseñará a dominar la IA a escala. Es una cuestión de supervivencia competitiva y gestión de riesgo.

La Plataforma de IA nos permite construir la fábrica de modelos con seguridad, control y la velocidad que el mercado demanda.

Pero claro, si esto fuera fácil, ya lo habríamos hecho, ¿no? En el próximo post quiero ser más concreto y vamos a explorar los puntos de dolor reales, crudos y diarios que enfrentan hoy los equipos de data scientists y MLOps, y cómo esa Plataforma de IA se convierte, por fin, en la necesidad que negocio y tecnología se van a ver obligados a impulsar. ¡Te leo en comentarios! 👇