La partida de almacenamiento en la nube del presupuesto de un proyecto de IA casi nunca es la causa del sobrecoste. El almacenamiento es predecible: sabes el tamaño del conjunto de datos, conoces la tarifa por GB y puedes calcular el coste mensual antes de que empiece el proyecto. La partida que pilla por sorpresa a los equipos es la que no aparece en el presupuesto inicial: la transferencia de datos.
Las facturas de la nube por las cargas de trabajo de IA en 2026 están superando las previsiones entre un 30 y un 40 por ciento. No es porque el almacenamiento se haya encarecido, sino porque el entrenamiento genera un movimiento de datos que nadie había tenido en cuenta en el presupuesto. El gasto en sí no es nuevo. Lo que sí es nuevo es su magnitud.
¿Por qué las cargas de trabajo de IA generan cargos inesperados por tráfico de salida de la nube?
Las tarifas de salida de la nube —que os cuestan entre 0,08 y 0,12 dólares por gigabyte en AWS, Azure y GCP— se aplican cada vez que los datos salen del almacenamiento en la nube hacia el entorno de computación. El entrenamiento de IA no lee un conjunto de datos una sola vez, sino que lo lee repetidamente en cada época, cada guardado de punto de control, cada restauración de punto de control y cada pasada de validación. Un conjunto de datos de entrenamiento de 10 TB con repeticiones periódicas puede generar 4.000 dólares al mes en tarifas de salida antes de que el modelo esté listo.
El límite de facturación es un hecho arquitectónico, no una anomalía en los precios
Las tarifas de salida no son una rareza en los precios de los proveedores de servicios en la nube. Son el resultado lógico de una condición arquitectónica concreta: los datos de entrenamiento y la capacidad de cálculo para el entrenamiento están separados por un límite de facturación de red.
Cuando el sistema de IA extrae datos de entrenamiento del almacenamiento de objetos en la nube —AWS S3, Azure Blob, GCP Cloud Storage—, cruza ese límite. El proveedor de la nube registra la transferencia y te la cobra: 0,087 $/GB en Azure, 0,09 $ en AWS y entre 0,08 $ y 0,12 $ en GCP, dependiendo del destino. No se trata de recargos punitivos, sino de la forma en que los proveedores de la nube te cobran por el uso de la red que realiza tu tarea de entrenamiento.
En la mayoría de los planes de infraestructura de IA, el tráfico de salida se considera insignificante: un error de redondeo que se suma a los costes de computación y almacenamiento. Pero la arquitectura garantiza que el tráfico de salida será considerable. No se trata de una anomalía en la facturación, sino del resultado previsible de una decisión de diseño sobre dónde se almacenan los datos.
Cómo el entrenamiento potencia la transferencia
La razón por la que el egress es mayor de lo esperado no es el tamaño del conjunto de datos. Es el número de veces que el proceso de entrenamiento procesa los datos.
El entrenamiento de un modelo con un conjunto de datos de 10 TB no implica mover 10 TB. Se mueven 10 TB por época, y la mayoría de las ejecuciones de entrenamiento necesitan entre 10 y 50 épocas para converger. Cada época es una pasada completa por el conjunto de datos. Cada vez que se guarda un punto de control, se guarda el estado del modelo en el almacenamiento. Cada vez que se restaura un punto de control —cuando falla o se reinicia una ejecución distribuida—, se recupera ese estado. Las pasadas de validación leen una parte independiente. El ajuste de hiperparámetros vuelve a ejecutar la secuencia a partir de puntos de control anteriores.
El volumen total de datos que se mueve en una sola ronda de entrenamiento con un conjunto de datos de 10 TB suele oscilar entre 100 TB y 500 TB. A 0,09 $/GB, eso supone entre 9.000 $ y 45.000 $ por ronda. Los equipos que calcularon el coste de la nube como «10 TB × tarifa de almacenamiento» se equivocaron por un orden de magnitud antes incluso de que terminara la primera época.
Incluso en un escenario más modesto —un conjunto de datos de 10 TB, con cuatro o cinco pasadas completas a la semana— se siguen generando unos 4.000 dólares al mes en tráfico de salida. El coste de almacenamiento para el mismo conjunto de datos en AWS S3: unos 230 dólares al mes. La partida de salida de datos es más de 17 veces superior a la de almacenamiento, y es la que no se había tenido en cuenta en el presupuesto.
Cómo es «el lugar adecuado»
Negociar mejores tarifas de salida no resuelve esto. Tampoco lo hace cambiarte a un proveedor con costes de transferencia por gigabyte más bajos. Ambos enfoques dan por hecho que el límite de facturación es fijo e intentan reducir lo que te cobran.
La alternativa arquitectónica consiste en una configuración en la que no existe el límite de facturación. Cuando los datos de entrenamiento se guardan en el almacenamiento local y la potencia de cálculo se obtiene de la misma red, no hay ningún evento de transferencia que facturar. La partida de salida no se reduce. Simplemente no existe.
Unity™ NV-Series™ está diseñada precisamente para esto: almacenamiento local basado en NVMe al que las cargas de trabajo de entrenamiento de la GPU acceden directamente a través de una red local. El conjunto de datos se almacena en Unity™ NV-Series. El procesamiento se ejecuta en la misma red. Cada época, cada guardado y restauración de puntos de control, cada pasada de validación… todo ello se ejecuta en el almacenamiento local con unos costes de infraestructura fijos que no varían en función de la frecuencia de entrenamiento ni del número de repeticiones.
El 64 % de las empresas están implementando ahora almacenamiento híbrido para la IA. La lógica arquitectónica que hay detrás de esta adopción no es complicada: si el límite de facturación genera el coste, sacar los datos de entrenamiento fuera de ese límite elimina el coste.
Que la computación en la nube sea la solución adecuada para la inferencia, la ejecución de modelos o la capacidad de picos es otra cuestión. Para los conjuntos de datos de entrenamiento que las cargas de trabajo de IA leen repetidamente y a gran escala, la ubicación que ofrece un coste de infraestructura predecible es aquella en la que el tráfico de salida no supone un coste.
El contenido detallado solo está disponible en inglés.