Cómo reducir los costes disparados optimizando el gasto tecnológico

No basta con entregarte un mapa en blanco y decirte: "Busca ineficiencias en tu pila de tecnología". Las ineficiencias se deben identificar, abordar y analizar. Y eso es lo que vamos a hacer aquí juntos. 

Existen ineficiencias en la nube, donde el exceso de aprovisionamiento, la infrautilización y las configuraciones incorrectas pueden proliferar y entorpecer la productividad. Existen herramientas de datos ineficientes que se utilizan (o no se utilizan) en todo el entorno de TI, lo que afecta a las tasas de adopción (la fatiga tecnológica es real). Y luego están los gastos en el uso de datos, tanto previstos como imprevistos, que diezman los presupuestos sin parar.   

Sin un enfoque proactivo, las iniciativas de datos siempre se enfrentarán a obstáculos y se atascarán, lo que las convertirá en objetivos prioritarios para su recorte presupuestario o cancelación. Como líder de datos, debes conocer esas áreas problemáticas y saber cómo abordarlas. 

Afortunadamente, independientemente de tu sector, hay una serie de áreas de las que se puede recabar información. Pero antes, nuestro siguiente caso de líder de datos contiene una valiosa demostración.

Herramientas de datos: muy bien. Herramientas de datos fragmentadas y duplicadas: nada bien. La solución: reducir el exceso. 

Según un estudio, casi el 70 % de los empleados dedica más de 20 horas a la semana a buscar herramientas e información repartidas por varios silos.¹³ ¡Madre mía! Esa es la realidad sobre la fragmentación de las herramientas de datos, lo que dificulta que los equipos de datos accedan a la tecnología y la usen en toda tu organización. Menuda sorpresa: las tareas laboriosas dificultan que el personal se mueva rápidamente y tome decisiones empresariales fundamentadas. Basta con que preguntes al equipo de marketing de Georgia-Pacific. Y lo que es peor, la fragmentación podría generar vulnerabilidades de cumplimiento si trabajas con datos privados o confidenciales. 

Cuando el 25 % de los equipos de datos ya notifica dificultades para implementar las herramientas de IA,¹⁴ la fragmentación de las herramientas de datos aumenta aún más la ineficiencia, añade costes duplicados y perjudica las tasas de adopción de IA. 

1. Audita tus datos y analítica: busca herramientas cuya finalidad esté duplicada en un departamento o entre departamentos (especialmente entre departamentos ); estas duplicaciones aparecen con el tiempo a medida que se añaden funcionalidades o proyectos. A menudo, los equipos no trabajan con una calidad o gobernanza de datos estricta que supervise y controle qué herramientas se utilizan y cómo se utilizan. ¿Por dónde empezamos con la auditoría? Avanza hasta el Consejos de un líder de datos para ver indicadores.

2. Utiliza soluciones de datos y analítica para toda la empresa: con una visibilidad y una escalabilidad integrales, es más fácil acceder a los datos estructurados y no estructurados y comprenderlos, tanto si están almacenados en lakehouses y warehouses como si están incluso en lakehouses abiertos. Además de habilitar capacidades interfuncionales, tener una solución ayuda a reducir las cuotas de mantenimiento, licencias e integración. Ese dinero se puede redistribuir en otras partidas, por ejemplo para contratar a más personal o invertir en formación continua.

Lo siguiente son las ineficiencias de la nube. En general, nos referimos a recursos que están sobreaprovisionados, infrautilizadoso mal configurados. Es decir, no usas lo que tienes, no tienes lo suficiente o no estás sacando suficiente partido a lo que tienes; esto puede provocar cualquier cosa, desde un aumento de costes y problemas de rendimiento hasta vulnerabilidades de seguridad. Dato curioso: incluso en 2024, el 78 % de las empresas todavía tenía asignado menos del 75 % de su gasto en la nube;¹⁵ es decir, cualquier medida positiva de gestión que implementes ahora te pondrá por delante. 

Un área que hay que vigilar de cerca es el coste de las consultas de analítica. Es una de esas áreas donde no todas las herramientas se desarrollan igual. Algunas soluciones ofrecen almacenamiento en caché e indexación de consultas en memoria. Esto no solo minimiza el número de consultas enviadas al data warehouse subyacente, lo que evita costes adicionales, sino que también genera una ejecución de consultas más rápida, una disponibilidad mejorada y una mejor experiencia del usuario.  

La verdad es que los datos cada vez son más caros. Las consultas de IA generativa, por ejemplo, usan grandes cantidades de potencia de cálculo, lo que implica una gran inversión en la infraestructura de back-end. Si también tenemos en cuenta las mayores demandas de modelos agénticos y de IA generativa, en 2027 te enfrentarás a unos costes de energía mayores que cualquier otra iniciativa relacionada con TI.¹⁶  

Como parte de las políticas de gobernanza analizadas en la parte 2, algunas organizaciones incluyen los costes de energía y las formas de mitigar el gasto descontrolado. Las funciones de plataforma, como la supervisión en tiempo real y las alertas automatizadas sobre anomalías de uso, pueden servir de apoyo para realizar auditorías periódicas y evitar gastos excesivos. Además, la mayoría de los proveedores de datos ahora ofrecen planes de precios que garantizan que tu equipo solo pague por los recursos que utiliza, en lugar de pagar una tarifa fija por usuario y mes. Si aún no tienes un modelo de precios basado en uso, habla con tu proveedor de plataforma, ya que puede ayudarte a eliminar los costes innecesarios. 

Es un arma de doble filo que los líderes en datos conocen muy bien: ¿me centro en el rendimiento a expensas de los costes, o controlo los costes a expensas del rendimiento? Nuestra respuesta: no hagas concesiones ni en rendimiento ni en costes.  

El objetivo de la IA es computar. Pero muchos modelos de ML se degradan rápidamente, lo que exige un costoso reentrenamiento. Los datos fragmentados aumentan las necesidades de almacenamiento y no se suele pensar desde el principio en que los datos estén preparados para la IA. 

Actualmente, las empresas intentan encontrar el punto óptimo entre moverse con rapidez e invertir de forma inteligente. No se trata solo de reducir costes; se trata de gastar en los lugares adecuados y asegurarse de que los equipos no sobreaprovisionan ni duplican recursos. Consulta cómo Steinemann aborda esta cuestión en nuestro próximo Caso de líder de datos. 

Tal y como muestra Steinemann, empresas de todo tipo y tamaño están adoptando herramientas de IA para mantenerse competitivas, lo que significa que el gasto está aumentando. Y mucho. Y no solo en las propias herramientas de IA, los costes de la nube también están aumentando. 

Las plataformas en la nube son el lugar idóneo para ejecutar modelos de IA, almacenar conjuntos de datos masivos y acelerar la potencia informática sobre la marcha. Facilitan experimentar y escalar con rapidez, pero también pueden provocar una desagradable sorpresa cuando llega la factura mensual. A medida que aumentan los proyectos de IA, también lo hace la necesidad de una potencia mucho mayor; lo siguiente suele ser el uso de la nube (y su coste). 

También debes tener en cuenta que, una vez que toda tu información esté "dentro", debes prepararla para la IA, lo que podría significar aún más soluciones y costes fragmentados a menos que, como en el caso de Steinemann, estas soluciones estén integradas.

En un mundo ideal, podrías alimentar los modelos de IA con cualquier conjunto de datos, y podrías diferenciar los datos valiosos de los que son poco útiles. Por desgracia, no estamos en ese punto (al menos de momento). Hasta entonces, los datos deben cumplir ciertos criterios para que la IA pueda usarlos de inmediato, lo que supone un ahorro de tiempo del 50 %, o bien un valor de 2,5 millones de dólares, cuando se trata de datos.¹⁸ Recuerda que en la parte 2, "estar preparado para la IA" significa tener datos diversos, oportunos, exactos, seguros, reconocibles y consumibles. 

Además, ¿quién quiere pasar horas limpiando o moviendo datos manualmente? Nadie. Las herramientas con características de IA de bajo código o sin código pueden gestionar gran parte de este trabajo repetitivo, como la transformación de datos, la desduplicación y la asignación de formato, para que tu equipo pueda centrarse en los conocimientos reales. Además, también reducen los errores y aceleran los procesos. 

Otra cosa por la que la gente no quiere esperar: el procesamiento por lotes. Al menos no cuando puedes obtener conocimientos a medida que se introducen los datos. Si usas herramientas de streaming como Kafka o Kinesis, configurar la ingesta en tiempo real significa que tus modelos de IA siempre tienen datos nuevos con los que trabajar. Es más rápido, reduce el almacenamiento adicional y ayuda a tu equipo a reaccionar sobre la marcha. 

Finalmente, evita el desperdicio de datos a toda costa. Si todos los usuarios tienen acceso a todos tus datos, es muy probable que estés duplicando datos, aumentando los costes de almacenamiento y también los costes de cálculo al consultar el almacén de datos en la nube. Un paso sencillo como configurar el acceso basado en roles ayuda a mantener los datos en orden. Pero asegúrate de que cada equipo relevante tiene lo que necesita. De esa manera, no pagas por datos no utilizados o irrelevantes en tus sistemas.

El problema de la optimización de costes es que tiene que suceder ahora; tiene que suceder más tarde; tiene que suceder a menudo; Y si no sucede, te arriesgas a que los costes se compliquen de nuevo rápidamente. 

Pero también debemos ser claros. Esta estrategia no es solo una cuestión de dinero. Se trata de crear un modelo de negocio sostenible desde una perspectiva de escalabilidad y crecimiento, porque si no se aplica un plan firme, es difícil ver, comprender y gestionar las fuerzas invisibles que impulsan la ineficiencia de los datos y la IA. 

En nuestro caso de líder de datos final se destaca el valor de desarrollar una estrategia de costes sostenible. 

Las cargas de trabajo de la IA siempre quieren más. Si no tienes cuidado, los modelos pueden gastar tu presupuesto más rápido de lo que tardas en decir "Oye, deja de comerte mi presupuesto". Muchos equipos dedican demasiada capacidad de cálculo al problema o vuelven a entrenar los modelos con más frecuencia de lo necesario, sin realmente pararse a preguntar: "¿Vale la pena hacerlo?" Es como acelerar un deportivo cuando hay tráfico: llamas la atención, pero no es nada eficiente. 

En lugar de ello, puedes aprovechar los modelos de precios flexibles y el seguimiento de costes, no los modelos de suscripción que tienen tarifas fijas independientemente del uso. Esta oferta, también conocida como precios basados en el consumo, es una opción relativamente nueva y popular para las organizaciones que solo quieren pagar por lo que usan. Su popularidad tiene sentido, teniendo en cuenta el grado de flexibilidad (por ejemplo, escalabilidad) que ofrece a las empresas sin añadir riesgos. 

Los silos de datos son otro gran culpable de los costes. Cuando tus canales de datos y herramientas de analítica no están sincronizados, las cosas no funcionan. Acabas por mover los mismos datos más de lo necesario, repetir consultas y observar cómo los costes de TI ocultos no paran de crecer en segundo plano. Toda esa fragmentación hace que resulte difícil ver el verdadero coste, y dificulta aún más mantener los gastos generales bajo control. 

Plantéate consolidar tus herramientas en una plataforma con IA. Después, usa esa plataforma para crear cuadros de mando en tiempo real que te ayuden a rastrear el uso y el gasto en datos y detectar anomalías de costes antes de que se coman un presupuesto irremplazable. Posteriormente, en distintos departamentos, crea más aplicaciones diseñadas para detectar gastos desconocidos o inesperados antes de que se acumulen, y descubre las zonas de eficiencia ocultas en todo tu negocio.  

La realidad es que los presupuestos tecnológicos se extienden por toda la empresa: el marketing tiene una parte, el departamento de TI tiene otra parte, y tal vez incluso el departamento de RR. HH. acapara cierta parte. Y todo va sumando. Sin un liderazgo claro, es como una barra libre, lo que significa que los equipos terminan haciendo inversiones aleatorias, y descubrir cuánto se está gastando se convierte en una pesadilla territorial. 

La oportunidad llama a tu puerta. Aprovecha el momento ayudando a garantizar que tus iniciativas de IA y la nube estén alineadas con tus objetivos empresariales. Asegúrate de que todas las partes interesadas del proyecto comprendan a la perfección los gastos asociados con el desarrollo de la IA y los costes de implementación de la nube para el almacenamiento, el software, la transferencia de datos y las operaciones. Y comprueba que puedes cuantificar esos gastos en relación con los ahorros de costes, los aumentos de ingresos y otros KPI.

No te relajes. Si lo haces, te arriesgas a que los usuarios de datos (es decir, todo el mundo) hagan lo que quieran con tu presupuesto. O, lo que es peor, corres el riesgo de que desbaraten tu rentabilidad, productividad y reputación hasta el nivel ejecutivo. 

Pero con nuestra plataforma no pasa nada. Garantizar que solo recibes lo mejor de tus iniciativas de datos, integración e IA exige una gran sensibilidad hacia la ineficiencia y una planificación minuciosa. Puedes hacerlo.