El cloud computing ha cambiado la forma en que las empresas compran y consumen recursos IT. Sin embargo, la posibilidad de aprovisionar capacidad rápidamente y escalarla según se necesite tiene una consecuencia inevitable: no todo lo que se compra se utiliza de forma eficiente.

Aquí entra en juego el cloud waste, un tema central desde hace años en las estrategias de optimización y en las prácticas FinOps. En 2026, el problema se entiende y se gestiona sin duda mejor que en el pasado, pero está lejos de estar resuelto. Al contrario, el paso de la IA de la experimentación a la producción está introduciendo nuevas variables de coste y nuevas complejidades que gestionar. Veámoslo con más detalle.

Puntos clave

• El cloud waste es el gasto en cloud que no se traduce en un uso proporcional de los recursos. Puede deberse al sobreaprovisionamiento o a modelos de compra que no se ajustan al perfil real de la carga de trabajo.
• El problema crece, y la IA añade nuevas capas de complejidad. El entrenamiento, la inferencia y los sistemas agénticos hacen más difícil prever el consumo con precisión.
• La optimización debe empezar por la arquitectura de la solución. El dimensionamiento, los métodos de inferencia, el autoscaling, el uso de los recursos y los modelos de consumo son factores decisivos.

Cloud waste del 29% en 2026: ¿qué significa realmente?

Según el informe de Flexera State of the Cloud 2026, el 29% del gasto en IaaS y PaaS de las organizaciones se desperdicia.

Antes de interpretar esta cifra, sin embargo, conviene aclarar qué abarca realmente el cloud waste. No se trata solo de máquinas virtuales olvidadas que siguen encendidas o de almacenamiento que nadie utiliza. El desperdicio puede surgir, por ejemplo, de:

• Recursos sobredimensionados respecto a la carga de trabajo real.
• Servicios duplicados.
• Entornos de pruebas que permanecen activos más tiempo del necesario.
• Recursos ociosos o sin uso que siguen generando costes.
• Modelos de compra poco rentables para las necesidades reales de las cargas de trabajo.

El sobreaprovisionamiento, un fenómeno anterior al cloud computing, sigue siendo una de las manifestaciones más evidentes del cloud waste. El 2026 State of Kubernetes Optimization Report de CAST AI registra un uso medio de CPU del 8% y de memoria del 20% en los clústeres analizados, mientras que el sobreaprovisionamiento de CPU ha subido hasta el 69%. Un patrón similar se desprende del informe State of Cloud Cost de Datadog, que indica que una parte muy importante de los costes de contenedores (más del 80%) está asociada a recursos ociosos o a solicitudes de capacidad que superan el uso real.

Es importante subrayar que cierto exceso de capacidad cumple una función concreta: absorber picos, garantizar el rendimiento, mantener márgenes de seguridad o permitir que el autoscaling responda con rapidez. Por tanto, no toda diferencia entre la capacidad comprada y la utilizada es desperdicio; el problema aparece cuando ese margen no es intencionado, medido ni justificado por el valor que aporta.

Así, la cifra del 29% de cloud waste mencionada antes debe interpretarse como la suma de un overhead operativo normal y muchas formas distintas de ineficiencia, que pueden estar relacionadas con el aprovisionamiento, el uso real y los modelos de compra.

La estrecha relación entre la IA y el desperdicio de recursos

La carrera por adoptar la IA añade una nueva capa de complejidad a la gestión de costes cloud. No tanto porque la IA sea ineficiente por naturaleza, sino porque introduce cargas de trabajo variables, infraestructura cara y patrones de consumo extremadamente difíciles de prever.

El primer factor es la capacidad necesaria. Gartner estima que en 2026 el gasto mundial en IaaS optimizado para IA crecerá un 96,4%, impulsado tanto por el entrenamiento como por la inferencia. Esta última es la que más cambia el panorama: el entrenamiento se concentra en fases concretas, mientras que la inferencia consume recursos cada vez que se utiliza un modelo en producción. Más usuarios, peticiones, agentes y automatizaciones suponen, por tanto, un mayor consumo continuo de capacidad cloud.

Para garantizar el rendimiento y los tiempos de respuesta, las empresas pueden adquirir más capacidad de GPU de la necesaria, elegir instancias sobredimensionadas o mantener recursos disponibles incluso cuando los niveles de uso no lo justifican.

Cómo reducir el cloud waste en la era de la IA

Con la IA, la visibilidad del gasto y la monitorización del consumo no bastan. El verdadero salto se produce al diseñar las cargas de trabajo para que utilicen la capacidad más cara solo cuando es necesaria.

Por tanto, la optimización debe integrarse en las decisiones de arquitectura: métodos de inferencia, dimensionamiento de instancias, autoscaling, agrupación de peticiones (batching), selección de modelos y gestión inteligente de los pipelines de datos. Diseñar sistemas complejos relegando la sostenibilidad económica a un segundo plano puede dar lugar a sorpresas desagradables.

Elegir métodos de inferencia y capacidad en función de la demanda real

No todas las peticiones de IA deben gestionarse igual. Algunas requieren respuestas en tiempo real y baja latencia; otras pueden procesarse de forma asíncrona o por lotes. Del mismo modo, no todas las cargas de trabajo justifican mantener recursos activos de forma permanente o utilizar modelos frontier.

1. La primera palanca de optimización es, por tanto, alinear los métodos de inferencia, la capacidad activa y el perfil real de la demanda. Para cargas intermitentes, puede tener sentido adoptar servicios capaces de escalar a cero cuando no hay peticiones; para procesamientos aplazables, los recursos de cómputo pueden activarse solo cuando se inicia un trabajo.
   
2. Incluso cuando se requiere procesamiento en tiempo real, dimensionar el entorno para el pico máximo teórico supone el riesgo de dejar las GPU y otros recursos infrautilizados durante largos periodos. Por ello, el autoscaling y la planificación de capacidad deberían basarse en indicadores que reflejen fielmente el comportamiento real de la carga, como las peticiones concurrentes, las colas, el throughput y los tokens procesados.

Medir el coste por unidad de trabajo

Con la IA, fijarse solo en el gasto total puede llevar a engaño. Un aumento de costes puede reflejar simplemente que hay más usuarios, aplicaciones o procesos utilizando el servicio. En ese caso, gastar más no significa ser menos eficiente.

Es necesario introducir una nueva dimensión: el coste por unidad de trabajo. Según el caso de uso, puede ser el coste por petición procesada, documento analizado, conversación gestionada, ticket resuelto o tarea completada.

Esta comparación permite entender si la carga de trabajo escala de forma eficaz y con el coste adecuado. Si el gasto se duplica porque también se duplica el volumen de trabajo procesado, la eficiencia puede haberse mantenido. Si, en cambio, los costes crecen más rápido que el volumen de trabajo producido, significa que algo en la arquitectura, en el modelo utilizado o en el consumo de recursos está perdiendo eficiencia.

Construir un modelo de consumo sostenible

En el cloud, los costes no dependen solo de cuántos recursos se utilizan, sino también de cómo se compran. Mantenerlo todo bajo demanda ofrece la máxima flexibilidad, pero puede resultar muy caro cuando una parte de la carga de IA tiene un uso lo bastante estable y predecible.

Aquí entra en juego la capacidad de construir una combinación inteligente de consumo elástico y capacidad comprometida. La parte variable, sujeta a picos o difícil de prever, puede mantenerse bajo demanda; la parte más estable, en cambio, puede beneficiarse de opciones como Savings Plans, Reserved Instances, Committed Use Discounts o mecanismos equivalentes que ofrecen los proveedores cloud.

Obtener valor de la IA sin perder el control de los costes

En Kirey, trabajamos para que la transformación digital se convierta en un motor tangible de ventaja competitiva, capaz de generar valor a largo plazo, también a través de la sostenibilidad económica de los proyectos.

Con la IA, este equilibrio cobra aún más importancia. Es fácil dejarse llevar por el potencial de la tecnología y relegar la optimización de costes a un segundo plano. Esto se aplica a cargas de trabajo individuales, pero todavía más a arquitecturas complejas y sistemas agénticos, en los que modelos, componentes y agentes interactúan de forma continua, generando nuevos consumos de recursos cloud.

Nuestra experiencia nos permite abordar este reto desde las primeras decisiones de arquitectura y diseño, porque el coste de una solución de IA no depende solo de los recursos comprados y utilizados, sino también de cómo se dimensionan, orquestan e integran en la solución global.

Contáctanos para diseñar juntos una hoja de ruta que alinee innovación, control y resultados de negocio.