Una “factoría de IA”, también llamada “Fábrica de IA” o “AI factory” en inglés, es un entorno tecnológico diseñado para producir soluciones de de inteligencia artificial de forma industrializada, repetible y a gran escala. Su principal objetivo es automatizar y acelerar todo el ciclo de vida de la IA: desde la ingestión de datos hasta el despliegue y mejora continua de los modelos en producción. En una factoría de IA, se construye una línea de producción que permite lanzar muchos casos de uso de forma más rápida, homogénea y gobernada. Descubre en este reportaje una completa guía sobre estas factorías, por qué son tan importantes y se habla tanto de ellas últimamente, sus desafíos y principales proyectos europeos y nacionales.
Qué son las fábricas de IA o AI factories
Una fábrica de IA es un modelo organizativo y tecnológico diseñado para producir soluciones de inteligencia artificial de forma sistemática, escalable y repetible, igual que una fábrica tradicional produce bienes físicos. No estamos hablando de un edificio específico, sino de una forma estructurada de desarrollar, entrenar, desplegar y mantener modelos de IA dentro de una empresa o ecosistema.
Así como una fábrica industrial transforma materias primas en productos, una AI Factory transforma datos en modelos de IA que se convierten en soluciones automatizadas y productos inteligentes. Parece un proceso sencillo, pero estamos hablando de un sistema que permite a una empresa convertir datos en soluciones de IA de manera industrializada y continua.
Antecedentes de esta industria
En 2020, los profesores de Harvard, Marco Iansiti y Karim Lakhani describen la empresa moderna como una “fábrica de inteligencia”, basada en datos, algoritmos y que, por tanto, ya no deberían organizarse en silos tradicionales, sino alrededor de un «núcleo operativo» al que llamaron AI Factory. Desde 2022, Jensen Huang, presidente y director ejecutivo de NVIDIA, lleva esa idea al terreno físico al proponer convertir los data centers en “AI factories” que producen inteligencia como si fuese un bien manufacturado. En definitiva, el término nació como una evolución y desarrollo de varios conceptos previos, como “empresa dirigida por datos”, “DevOps/MLOps”, y “centros de datos intensivos con altas exigencias y cargas de trabajo por el uso de la inteligencia artificial”. Según Huang, los centros de datos son «fábricas» donde la entrada es la ingesta de datos, y la salida es «Inteligencia» (toma de decisiones).
Por qué son importantes las fábricas de IA: principales beneficios
Porque son entornos diseñados específicamente para “producir inteligencia” de forma industrial: es útil para entrenar modelos, afinarlos y ponerlos a trabajar. Son importantes porque permiten que la IA deje de ser considerada como una serie de “proyectos sueltos” para que se convierta en una capacidad estratégica y escalable dentro de empresas y países.
Una AI factory permite desplegar inteligencia artificial en muchos procesos, áreas y geografías, al tiempo que supone una innovación continua: al tener equipos, datos y herramientas orquestados, se pueden experimentar e iterar rápido sobre modelos y productos de IA. Suponen, además, una considerable agilidad para el negocio, ya que contribuye a que la organización responda antes a cambios de mercado y necesidades de los clientes, integrando IA en la toma de decisiones diaria. A continuación, pasamos a detallar algunas de sus ventajas.
Entrenamiento de grandes modelos
Los modelos modernos de inteligencia artificial necesitan una cantidad muy considerable de cómputo. Sin estas fábricas, simplemente no podrían existir sistemas avanzados de lenguaje o modelos como ChatGPT-4 o Gemini, puesto que requieren:
- Miles de GPU o aceleradores
- Paralelización distribuida (data/model/pipeline parallelism)
- Redes de alta velocidad para sincronización de gradientes
Sin esta infraestructura, el entrenamiento sería demasiado lento o directamente inviable económicamente.
Reducción del tiempo de entrenamiento
El tiempo de entrenamiento (time-to-train) es crítico. Una fábrica de IA permite:
- Ejecutar entrenamiento distribuido en miles de nodos
- Minimizar cuellos de botella de red (all-reduce eficiente)
- Optimizar I/O y acceso a datasets masivos
Reducir semanas a días cambia completamente la velocidad de iteración en investigación y desarrollo.
Optimización de los costes
Aunque la inversión inicial es alta, estas infraestructuras:
- Mejoran la utilización de hardware
- Permiten compartir recursos entre múltiples equipos
- Reducen el coste por token entrenado o inferido
En términos prácticos, hacen viable experimentar más sin multiplicar el presupuesto proporcionalmente.
Habilitar modelos más grandes y complejos
Al escalar cómputo y memoria distribuida, permiten entrenar:
- Modelos con cientos de miles de millones de parámetros
- Arquitecturas multimodales (texto, imagen, audio)
- Sistemas con fine-tuning continuo
Sin ese nivel de infraestructura, el límite técnico sería mucho más bajo.
Soportan inferencia a gran escala
No solo sirven para entrenar modelos. También permiten:
- Baja latencia en producción
- Alto volumen de consultas simultáneas
- Escalado automático según demanda
Eso es clave cuando millones de usuarios interactúan con un modelo en tiempo real.
Características y componentes de una fábrica de IA
A continuación, pasamos a detallar qué elementos deben estar presentes para consolidar una fábrica de inteligencia artificial.
1. Infraestructura de cómputo y red
- Cómputo acelerado: clústeres de GPU, TPU u otros aceleradores (NPU, ASIC, FPGA…) para entrenamiento e inferencia intensivos.
- Redes de alta velocidad: interconexiones rápidas entre nodos (InfiniBand, Ethernet avanzada) para mover grandes volúmenes de datos y parámetros de modelos.
- Almacenamiento: sistemas de alto rendimiento para datos de entrenamiento, features, checkpoints de modelos y logs.
2. Capa de datos
- Ingesta y preparación: pipelines que capturan datos desde sistemas fuente, los limpian, normalizan y anonimizan.
- Lago / lakehouse de datos: repositorio central (data lake o lakehouse) donde se almacenan datos brutos y procesados listos para IA.
- Catálogo y gobierno: metadatos, linaje, calidad de datos y políticas de acceso, clave para seguridad y cumplimiento.
3. Desarrollo de modelos
- Frameworks de IA: Como TensorFlow, PyTorch, etc., para entrenar modelos de machine learning, deep learning e IA generativa.
- Entrenamiento y ajuste: scripts, notebooks y jobs orquestados para entrenar, reentrenar y hacer fine‑tuning de modelos.
- Gestión de versiones: registro de versiones de datasets, modelos, hiperparámetros y resultados de experimentos.
4. MLOps / LLMOps
- Orquestación de pipelines: herramientas tipo CI/CD de modelos para automatizar desde el preprocesado hasta el despliegue (Airflow, Kubeflow, etc.).
- Despliegue de modelos: servicios de serving (APIs, microservicios, endpoints en Kubernetes) para ofrecer predicciones en batch o tiempo real.
- Monitorización: métricas de rendimiento del modelo (precisión, deriva, latencia) y de la infraestructura, alertas y logging centralizado.
5. Seguridad, gobierno y cumplimiento
- Seguridad de datos y modelos: controles de acceso, cifrado, aislamiento de entornos y protección frente a ataques a modelos.
- Cumplimiento normativo y ética: procesos para explicar modelos, gestionar sesgos y cumplir regulaciones (por ejemplo, en IA generativa).
6. Capa de negocio y aplicaciones
- Casos de uso empaquetados: librerías de plantillas para casos típicos (fraude, recomendación, mantenimiento predictivo, asistentes, etc.).
- API y SDK: interfaces para que equipos de producto y negocio consuman fácilmente los modelos y agentes generados por la fábrica.
- Portal / plataforma interna: consola donde los equipos ven modelos disponibles, documentaciones, SLAs y estado de los pipelines.
7. Factor humano y procesos
- Equipos multidisciplinares: científicos de datos, ingenieros de machine learning, ingenieros de plataforma, expertos de Seguridad, etc. trabajando sobre el mismo stack.
- Procesos estandarizados: buenas prácticas compartidas para desarrollo, revisión, puesta en producción y retirada de modelos.
Cómo funcionan las AI factories o fábricas de IA
Una Fábrica de IA funciona como un sistema de producción automatizada y continua, donde los datos brutos se limpian y organizan en un almacén de características centralizado para alimentar los algoritmos de forma coherente. Utiliza una infraestructura de computación de alto rendimiento (clústeres de tarjetas gráficas) para entrenar modelos a gran escala, organizando todo el ciclo de vida mediante operaciones de aprendizaje automático. El sistema no solo lanza el modelo, sino que lo supervisa constantemente para detectar si pierde precisión o si los datos de entrada han cambiado, permitiendo un reentrenamiento autónomo. Básicamente, transforma flujos masivos de información en inferencias o predicciones listas para ser consumidas por las aplicaciones de la empresa.
Relación entre las fábricas de IA y los data centers
Conviene aclarar que toda AI factory necesita ser un data center, pero no todo data center es una AI factory: la diferencia está en que el segundo está optimizado técnica y organizativamente para producir IA como output principal. Una fábrica de IA es, en esencia, un tipo especializado de centro de datos diseñado y operado específicamente para consolidar modelos y servicios de IA a escala; y por tanto cambia la arquitectura técnica y el modelo de negocio del data center tradicional.
Aspectos técnicos
- Arquitectura: una fábrica de IA se construye sobre un data center, pero con prioridad absoluta del cómputo acelerado (GPU/ASIC), redes de muy baja latencia y altísimo ancho de banda, y almacenamiento paralelo para alimentar entrenamiento e inferencia masiva.
- Diseño físico: frente al CPD tradicional, la potencia instalada y la refrigeración se dimensionan para densidades de 50–150 kW por rack, con liquid cooling, y módulos tipo “campus” de cientos de MW.
- Operación: el data center clásico orquesta máquinas virtuales/contenedores; mientras que la fábrica de IA integra infraestructura datos + modelos (MLOps/LLMOps) como un sistema único que convierte datos y energía en “inteligencia” de forma continua.
- Rol del CPD heredado o legacy: muchos data centers existentes se están modernizando como AI factories mediante mejoras considerables de la red, almacenamiento y pods GPU, pero con referencia de diseño, operación y mantenimientos distintos a los de un simple hosting tradicional.
Aspectos de negocio
- De centro de coste a línea de producto: el CPD clásico se ve como una infraestructura de soporte; la fábrica de IA se concibe como una planta productiva que genera productos (modelos, APIs de IA, agentes) y, por tanto, ingresos directos o ventaja competitiva clara.
- Nuevos servicios: operadores e hiperescalares ofrecen “AI factory as a service”: clusters GPU, entornos de entrenamiento gestionados, MLOps y datos como servicio, empaquetados en ofertas específicas para startups, pymes y grandes cuentas.
- Diferenciación: en el mercado de colocation/CPD tradicional, disponer de blueprint de “AI data center” validado por vendors como NVIDIA y socios industriales se convierte en un factor clave de atracción de cargas de trabajo de alto valor.
- Riesgo e inversión: una fábrica de IA implica CAPEX muy superior (campus de hasta GW, cientos de miles de GPUs), pero también tickets de cliente más altos y contratos a largo plazo ligados a capacidades de IA, no solo a espacio y energía.
Desafíos para la creación de fábricas de IA
Crear una fábrica de IA no supone simplemente ampliar un centro de datos; implica diseñar una infraestructura altamente especializada para cargas de trabajo intensivas en cómputo, con fuertes dependencias en hardware avanzado, redes de baja latencia y gestión eficiente de energía y datos. El reto no es solo técnico, sino también económico, operativo y estratégico. Estos son los principales desafíos.
1. Inversión de capital extremadamente alta
El despliegue inicial requiere miles de aceleradores (GPU o ASIC), redes de alto rendimiento e infraestructura eléctrica y térmica avanzada. La barrera de entrada es elevada y el retorno de inversión puede tardar años en materializarse. Además, la obsolescencia tecnológica es rápida, lo que incrementa el riesgo financiero.
2. Disponibilidad y cadena de suministro de hardware
Los aceleradores de alto rendimiento no siempre están disponibles en volumen suficiente. La dependencia de pocos fabricantes globales como NVIDIA genera riesgos de suministro, precios volátiles y retrasos en despliegue.
3. Consumo energético y sostenibilidad
Las cargas de entrenamiento distribuido demandan enormes cantidades de energía. Los desafíos incluyen:
- Garantizar capacidad eléctrica estable
- Optimizar el PUE (Power Usage Effectiveness)
- Implementar sistemas de refrigeración avanzados (a menudo refrigeración líquida)
El coste energético impacta directamente en el coste por modelo entrenado.
4. Complejidad de red y escalabilidad
El entrenamiento distribuido requiere una comunicación constante entre distintos nodos. Diseñar redes de alta velocidad y baja latencia que escalen eficientemente es técnicamente complejo y costoso. Un diseño deficiente convierte la red en el principal cuello de botella.
5. Gestión de datos a gran escala
El almacenamiento, versionado y acceso eficiente a datasets masivos es crítico. Se necesitan sistemas distribuidos capaces de alimentar miles de aceleradores sin generar saturación de I/O. Además, surgen retos de gobernanza, seguridad y cumplimiento normativo.
6. Orquestación y confiabilidad
Los entrenamientos pueden durar semanas. Fallos en nodos, redes o almacenamiento pueden provocar pérdidas significativas de cómputo si no existen mecanismos robustos de checkpointing, tolerancia a fallos y reprogramación automática de cargas.
7. Talento especializado
Operar y optimizar una fábrica de IA requiere perfiles expertos en HPC, redes, sistemas distribuidos, MLOps y optimización de rendimiento. La escasez de este talento es un desafío real.
En conjunto, el principal desafío no está en solamente construir la infraestructura, sino en integrarla de forma eficiente, escalable y económicamente sostenible. Una fábrica de IA mal diseñada no solo es costosa; puede convertirse en un cuello de botella estratégico.
Aplicaciones actuales de las Fábricas de IA
Muchos pueden ser los usos y aplicaciones de una Factoría de Inteligencia Artificial. Y se pueden mirar tanto desde un punto de vista técnico como de negocio. Pasemos a detallar tan solo algunas.
- Entrenamiento de modelos fundacionales y soberanos: Las empresas ya no solo usan APIs externas; construyen sus propios modelos con datos sensibles. Las fábricas de IA permiten entrenar modelos de lenguaje (LLMs) o de visión específicos de un sector (medicina, legal, ingeniería) con seguridad total de datos.
- Gemelos Digitales (Digital Twins): Integración de IA con simulaciones físicas. Por ejemplo, fábricas que simulan toda su cadena de montaje en un entorno virtual antes de mover un solo brazo robótico, optimizando el flujo de trabajo mediante aprendizaje por refuerzo.
- IA Agéntica (Agentic AI): El paso de «chatbots» a «agentes», lo que implica orquestar múltiples modelos que pueden tomar decisiones, ejecutar código y usar herramientas externas de forma autónoma.
- Mantenimiento Predictivo 2.0: Procesamiento en tiempo real de miles de sensores IoT para detectar anomalías antes de que ocurran fallos, utilizando modelos de aprendizaje profundo que superan con creces las reglas estadísticas tradicionales.
- Smart factories / Industria 4.0: Integración IoT + edge + cloud para visión artificial, control de calidad, optimización de procesos, etc. Modelos edge para inferencia en tiempo real y cloud.
- Soberanía de datos y cumplimiento: Especialmente en Europa, las empresas utilizan fábricas de IA locales (como las impulsadas por la Comisión Europea y empresas privadas) para garantizar que su propiedad intelectual no salga de su jurisdicción.
- Hiper-personalización a escala: En retail y banca, permite crear experiencias únicas para millones de clientes simultáneamente. No es solo «recomendar un producto», sino generar interfaces y ofertas dinámicas basadas en el comportamiento actual.
- Reducción del Time-to-Market: En la industria farmacéutica, las fábricas de IA están acortando el descubrimiento de nuevos fármacos de años a meses, simulando interacciones moleculares masivas.
- Optimización de la cadena de suministro: Capacidad de reaccionar en milisegundos a cambios globales (clima, huelgas, precios de energía) para ajustar la logística de forma automática, minimizando el desperdicio.
Las primeras fábricas de IA
El paso de la IA como un software experimental a una potencia industrial ha llevado a la consolidación actual de lo que hoy conocemos como una AI Factory. Desde las visiones arquitectónicas de NVIDIA hasta la escala sin precedentes de proyectos como Stargate, las primeras fábricas de IA modernas han marcado el inicio de una era donde la capacidad de cómputo se mide en gigavatios y el éxito de las naciones y empresas depende de su capacidad para fabricar «pensamiento» a escala masiva.
La pionera conceptual: NVIDIA (2023-2024)
Aunque NVIDIA no es una empresa de centros de datos, su CEO Jensen Huang fue quien acuñó el término. En octubre de 2023, durante su colaboración con Foxconn, presentaron el plano de lo que llamaron la «primera fábrica de IA» de Taiwán. No era solo un centro de datos para la nube, sino una instalación diseñada específicamente para el entrenamiento masivo de vehículos autónomos y robots industriales.
La primera «superfábrica» privada: Microsoft «Fairwater» (2024)
Antes de que se hablara masivamente de Stargate, Microsoft construyó su primera infraestructura de clase «Superfábrica de IA» bajo el nombre en clave Fairwater. Fue la primera en usar un diseño de dos plantas con refrigeración líquida masiva y una densidad de potencia sin precedentes para albergar clusters de chips NVIDIA H100 y Blackwell. Está ubicada en Mount Pleasant, Wisconsin (EE. UU.) y tiene expansiones en Atlanta. Fue el banco de pruebas real para lo que luego se convertiría en el plan Stargate.
La Red Soberana: European AI Factories (Diciembre 2024)
La Unión Europea fue la primera entidad gubernamental en oficializar una red bajo este nombre exacto para competir con las Big Tech estadounidenses. En diciembre de 2024, el EuroHPC seleccionó las primeras siete sedes oficiales:
- EuroHPC MeluXina-AI (Luxemburgo): Fue una de las primeras en actualizarse con nodos específicos para IA para startups y sector público.
- MareNostrum 5 (Barcelona, España): Aunque es un supercomputador, su partición de IA fue de las primeras en Europa en operar bajo el modelo de «Fábrica de IA» para entrenar modelos de lenguaje abiertos (como los modelos OpenGPT-X).
- Otras sedes iniciales: Finlandia (LUMI-AI), Alemania, Italia, Grecia y Suecia.
El «Mega-Proyecto»: Stargate LLC (enero 2025)
Como mencionamos antes, Stargate es la evolución definitiva. En enero de 2025, se formalizó como una empresa independiente (Stargate LLC) liderada por OpenAI, SoftBank y Oracle. Es considerada la primera fábrica de IA a escala masiva, con una inversión de 500 mil millones de dólares.
Lista de fábricas de IA de Europa
La Comisión Europea considera la creación de fábricas de IA como una prioridad estratégica, tal y como se anunció en el paquete de innovación en materia de IA de 2024. El Plan de Acción refuerza la inversión de la Unión Europea en fábricas de IA. Se prevé que, entre 2025 y 2026, estén operativas al menos quince fábricas de IA y varias antenas (asociadas a superordenadores optimizados para la IA en fábricas de IA existentes), lo que permitirá crear un ecosistema paneuropeo de IA y promover el crecimiento, dando prioridad al acceso de las empresas emergentes y las pymes dedicadas a la IA. En este contexto, se adquirirán y desplegarán próximamente al menos nueve nuevos superordenadores optimizados para la IA en toda la UE. Esto triplicará con creces la capacidad actual de computación de IA del EuroHPC.
Las fábricas de IA europeas están abiertas a usuarios europeos de diversos sectores, entre ellos la industria privada, la investigación, el mundo académico y las autoridades públicas. Además, para impulsar a Europa a la vanguardia del desarrollo de la IA, el organismo InvestAI incluirá un nuevo fondo europeo de 20.000 millones de euros para crear hasta cinco gigafábricas de IA adicionales. InvestAI fomentará las asociaciones público-privadas para garantizar una inversión segura y fomentar un ecosistema de IA competitivo e innovador en Europa.
Primera Oleada (seleccionadas en diciembre 2024)
Estas fueron las pioneras, construidas alrededor de supercomputadores ya existentes o en fase avanzada de optimización para IA.
- LUMI-AIF (Finlandia): Ubicada en Kajaani. Es una de las más potentes del mundo. Conformado por un consorcio masivo (República Checa, Dinamarca, Estonia, Noruega y Polonia). Se enfoca en el entrenamiento de modelos de lenguaje extremadamente grandes.
- BSC-AIF (España): Basada en el MareNostrum 5 en Barcelona. Se centra en actualizar su infraestructura para ofrecer una «plataforma experimental» donde las empresas pueden probar modelos antes de lanzarlos a producción. Colabora con Portugal, Rumanía y Turquía.
- LEONARDO / ITA4LIA (Italia): Situada en Bolonia. Utiliza el supercomputador Leonardo para aplicaciones de IA industrial y salud. Cuenta con la participación de Austria y Eslovenia.
- JUPITER AI Factory (Alemania): Es el primer supercomputador de escala exascale de Europa. Está diseñado específicamente para cargas de trabajo de IA masivas y simulaciones complejas.
- MeluXina-AI (Luxemburgo): Orientada a servicios para pymes y el sector financiero, aprovechando su ubicación estratégica como nodo de datos europeo.
- HERMES (Grecia): Utiliza el supercomputador Daedalus para fomentar la IA en sectores como el clima y la energía.
- MIMER (Suecia): Enfocada en la seguridad y soberanía de datos para modelos industriales nórdicos.
Segunda Oleada (seleccionadas en marzo de 2025)
Estas fábricas expandieron la red hacia el centro y este de Europa.
- AI2F (Francia): Liderada por el centro GENCI e Inria. Su objetivo es crear un puente entre la investigación académica francesa (muy fuerte en IA) y las startups del sector.
- BRAIN++ (Bulgaria): Basada en el supercomputador Discoverer, se especializa en robótica y visión artificial.
- AI:AT (Austria): Instalada en la TU Wien (Viena), se enfoca en el desarrollo de IA para la industria de manufactura avanzada.
- PIAST AIF (Polonia): Centrada en aplicaciones de ciberseguridad y servicios públicos digitales.
- SLAIF (Eslovenia): Gestionada por el instituto IZUM, apoya el ecosistema de IA en los Balcanes.
Antenas de Fábricas de IA (estructuras de apoyo)
La UE también ha creado «antenas», que son puntos de acceso regionales que conectan a las empresas locales con las grandes fábricas mencionadas arriba:
- BE-AIFA (Bélgica): Conectada a LUMI (Finlandia) y JUPITER (Alemania). Se especializa en biotecnología, defensa y espacio.
- Pharos-CY (Chipre): Enfocada en salud y preservación cultural/lingüística mediante IA.
- HunAIFA (Hungría): Proporciona soporte específico para agricultura y energía.
Fábricas de IA en España y contexto actual
España se ha posicionado como uno de los países europeos más activos en el despliegue de AI Factories, infraestructuras de supercomputación diseñadas específicamente para entrenar y desarrollar sistemas avanzados de inteligencia artificial. En el marco de la estrategia europea impulsada por la EuroHPC Joint Undertaking, el país alberga actualmente la BSC AI Factory en el Barcelona Supercomputing Center y tiene prevista una segunda instalación, 1HealthAI, en el Centro de Supercomputación de Galicia. Estas infraestructuras no solo refuerzan la capacidad científica y tecnológica nacional, sino que también buscan democratizar el acceso a recursos de IA para empresas, startups e instituciones públicas, consolidando a España como un nodo estratégico dentro de la red europea de inteligencia artificial.
Cabe destacar que estas factorías están alineadas con la Estrategia Nacional de Inteligencia Artificial y con el Plan de Recuperación, Transformación y Resiliencia (PRTR) español, lo que implica respaldo institucional y financiación pública para fortalecer el ecosistema de IA en España, fomentar startups tecnológicas, crear empleo cualificado e incrementar la soberanía digital.
Barcelona Supercomputing Center (BSC-CNS)
Situación: Presente / en despliegue
Ubicación: Barcelona, España
- Fue la primera AI Factory aprobada en España, seleccionada entre las siete primeras factorías europeas por la EuroHPC Joint Undertaking.
- Está integrada en el Barcelona Supercomputing Center – Centro Nacional de Supercomputación (BSC-CNS) y aprovecha la infraestructura del superordenador MareNostrum 5 para dotarlo de capacidades especializadas en IA.
- Su misión es democratizar el acceso a supercomputación avanzada para IA, extendiendo la capacidad de entrenamiento de modelos generativos y aplicaciones de IA a empresas, pymes, startups y la comunidad científica, y no solo a grupos de investigación tradicionales.
- El proyecto cuenta con una inversión significativa combinada de fondos europeos, nacionales y regionales, incluyendo aportaciones de la Generalitat de Catalunya y otros países socios.
- Ofrece servicios de supercomputación optimizada para IA, espacios de datos, librerías, soporte técnico avanzado y plataformas experimentales, además de programas de formación y aceleración.
Servicios actuales/planificados:
- Acceso a HPC optimizado para IA (entrenamiento de grandes modelos, generativa, etc.).
- Equipo de account managers que identifican oportunidades de IA en startups, pymes y sector público, hacen el onboarding y derivan a los servicios adecuados.
- Programas de formación y acompañamiento, acceso a un “hub” de networking para conectar empresas, centros de investigación y administraciones.
- Plataforma experimental para probar nuevas tecnologías de cómputo orientadas a IA conforme aparezcan en el mercado.
Centro de Supercomputación de Galicia (CESGA)
Situación: Prevista / en fase de instalación
Ubicación: Santiago de Compostela (Galicia), España
- Seleccionada en la tercera ola de factorías de IA europeas por la EuroHPC JU (octubre de 2025).
- Se trata de la segunda AI Factory en España, lo que convierte al país en uno de los pocos Estados miembros de la UE que alberga dos de estas infraestructuras (junto con Alemania y Polonia).
- Está orientada a desarrollar inteligencia artificial aplicada al ámbito sanitario y de la salud —un enfoque integral de la salud que conecta el bienestar humano, animal y medioambiental—, integrando datos y modelos en áreas como medicina personalizada, biotecnología, sistemas agroalimentarios sostenibles y salud ambiental.
- La instalación incluirá un superordenador específico para IA y una plataforma avanzada de supercomputación optimizada para experimentación y desarrollo de modelos.
- La iniciativa está impulsada por una combinación de fondos europeos (EuroHPC JU) y aportaciones del Gobierno de España (Ministerio de Ciencia, Innovación y Universidades) y de la Xunta de Galicia, con un presupuesto total estimado de unos 82 millones de euros.
- Contará con una amplia colaboración académica y tecnológica (universidades gallegas, centros de investigación y hubs digitales) y ofrecerá acceso a servicios y soporte para empresas, startups e instituciones.
El futuro de las AI Factories: hacia dónde vamos
Las fábricas de IA representan la evolución natural del centro de datos en un mundo donde la “materia prima” son los datos y el producto final son modelos, agentes y servicios inteligentes. En los próximos años, las fábricas de IA dejarán de ser proyectos pioneros para convertirse en la nueva infraestructura crítica de la economía digital. En los próximos años evolucionarán hacia redes interconectadas, altamente automatizadas y energéticamente optimizadas, capaces de entrenar y operar modelos cada vez más complejos a escala industrial. Al mismo tiempo, se convertirán en piezas clave de la soberanía tecnológica y la competitividad económica, integrando regulación, seguridad y especialización sectorial.
1. Escalado masivo y gigafactorías de IA
- La demanda de capacidad “AI‑ready” crecerá una media de un 33% anual hasta 2030 y podría representar alrededor del 70 % de toda la capacidad de data centers, impulsada sobre todo por IA generativa, según un estudio de Goldman and Sachs.
- Se plantea ya una siguiente generación de AI Gigafactories: instalaciones aún mayores, diseñadas para entrenar modelos federados con la red actual de AI Factories de la Unión Europea.
2. De proyecto a “planta industrial” de modelos
- La visión de NVIDIA es que el data center deje de ser una mera sala de servidores para pasar a convertirse en una AI factory integrada, donde datos, modelos y cómputo acelerado se organizan como una línea de producción continua.
- Eso implica la estandarización de procesos para la ingestión, entrenamiento, evaluación, despliegue y operación de modelos, de forma muy similar a una planta industrial que convierte materia prima en producto terminado.
3. Hacia una infraestructura híbrida y federada
- Entre 60‑65% de las cargas de IA en Europa y EE. UU. seguirán produciéndose en una infraestructura de hiperescala, pero crecerá la porción on‑premise/nube privada para modelos propios y datos sensibles.
- Las AI Factories públicas (como las EuroHPC) se federarán entre sí y con las nubes comerciales, compartiendo capacidades y experiencia para ofrecer un tejido sólido de fábricas interoperables.
4. Cambio en el modelo de negocio
- Las AI Factories transformarán el CPD tradicional de centro de costes a motor de crecimiento: se pasa de vender espacio/energía a vender capacidad de fabricar y servir inteligencia artificial.
- Se espera un desajuste CAPEX/ingresos, lo que empujará consolidación, alianzas y mucha presión por demostrar ROI real de la IA.
5. Restricciones: energía, regulación y soberanía
- La potencia requerida podría crecer más del 160% de cara a 2030, con la IA llegando a representar una fracción muy significativa del consumo eléctrico global, lo que fuerza a elaborar diseños mucho más eficientes y más renovables.
- En Europa, las AI Factories se usan también como herramienta de soberanía digital: acceso propio a cómputo para modelos generales, con gobernanza, ética y seguridad integradas desde el diseño.
6. Evolución funcional: de modelos a sistemas agénticos
Las AI Factories tenderán a ofrecer no solo cómputo y MLOps, sino también “librerías” de agentes, herramientas y workflows listos para integrar en procesos de negocio.
La siguiente oleada apunta a sistemas agénticos (Agentic AI) y orquestaciones complejas de modelos, que necesitan infraestructura con redes de muy baja latencia y planos de control más inteligentes.
