{"id":35457,"date":"2026-08-18T14:46:13","date_gmt":"2026-08-18T06:46:13","guid":{"rendered":"https:\/\/soeteck.com\/?p=35457"},"modified":"2026-08-18T14:46:15","modified_gmt":"2026-08-18T06:46:15","slug":"ai-data-center-design","status":"publish","type":"post","link":"https:\/\/soeteck.com\/es\/news-and-insights\/blogs\/ai-data-center-design\/","title":{"rendered":"Dise\u00f1o de centros de datos para IA: un plan pr\u00e1ctico para cl\u00fasteres de GPU de m\u00e1s de 100 kW"},"content":{"rendered":"

Dise\u00f1o de centros de datos de IA<\/a><\/strong> ha pasado de ser una tarea de ingenier\u00eda de instalaciones a convertirse en una disciplina centrada en el rendimiento inform\u00e1tico. Se prev\u00e9 que el mercado mundial de centros de datos de IA crezca de 236 400 millones de d\u00f3lares en 2025 a 933 700 millones de d\u00f3lares en 2030, lo que supone una tasa de crecimiento anual compuesta del 31,61 %, seg\u00fan un an\u00e1lisis publicado en agosto de 2025. Las densidades de rack, que alcanzaban entre 2 y 10 kW en las instalaciones tradicionales, superan ahora los 100 kW en las implementaciones de la clase NVIDIA GB300, y los dise\u00f1os de referencia para 2025 apuntan hacia racks de 600 kW.<\/p>\n\n\n\n

\u00bfEn qu\u00e9 se diferencia el dise\u00f1o de un centro de datos de IA de la planificaci\u00f3n convencional de instalaciones?<\/h2>\n\n\n\n

Las instalaciones convencionales se construyeron pensando en una infraestructura inform\u00e1tica predecible y de baja densidad. Los servidores consum\u00edan entre 2 y 10 kW por rack, la refrigeraci\u00f3n por aire era suficiente y las cadenas de alimentaci\u00f3n se dimensionaban con amplios m\u00e1rgenes. Las cargas de trabajo de IA rompen con esos supuestos. Los cl\u00fasteres de GPU consumen energ\u00eda en picos intensos que dependen de la carga de trabajo, en lugar de cargas constantes, y generan densidades de calor que los sistemas de climatizaci\u00f3n no pueden disipar. <\/p>\n\n\n\n

Seg\u00fan Vladimir Galabov, director s\u00e9nior de investigaci\u00f3n de Omdia, las implementaciones a hiperescala est\u00e1n experimentando un fuerte aumento de la densidad que lleva la infraestructura de las instalaciones mucho m\u00e1s all\u00e1 de las normas hist\u00f3ricas. Un solo rack de IA de 600 kW puede consumir m\u00e1s electricidad en un par de horas que lo que consume una vivienda familiar media en un mes. En consecuencia, el dise\u00f1o de los centros de datos de IA ahora dimensiona la potencia, la refrigeraci\u00f3n, las redes y la distribuci\u00f3n partiendo de la carga de trabajo de las GPU, y no a partir de las normas gen\u00e9ricas de construcci\u00f3n.<\/p>\n\n\n\n

\u00bfQu\u00e9 densidad de potencia deber\u00eda fijarse como objetivo el dise\u00f1o de un centro de datos de IA?<\/h2>\n\n\n\n

La densidad objetivo determina todas las decisiones posteriores, por lo que debe fijarse en funci\u00f3n de la hoja de ruta real de las GPU, y no del marketing de los proveedores. La pr\u00e1ctica en el dise\u00f1o de centros de datos de IA se agrupa en torno a tres niveles de densidad. Los racks empresariales tradicionales se mantienen en el rango de 10 a 30 kW, y la Encuesta Global sobre Centros de Datos 2025 del Uptime Institute se\u00f1ala que la mayor\u00eda de las instalaciones siguen estando por debajo de los 30 kW por rack. Las f\u00e1bricas de IA construidas expresamente para este fin se estandarizan en racks de 50 a 100 kW con refrigeraci\u00f3n l\u00edquida directa al chip. <\/p>\n\n\n\n

Las arquitecturas de referencia de NVIDIA para 2025 van un paso m\u00e1s all\u00e1 y describen armarios de rack con capacidad para m\u00e1s de 500 GPU y un consumo de 600 kW cada uno, lo que supone aproximadamente cinco veces la potencia de los racks de mayor densidad que se utilizan en la actualidad.<\/p>\n\n\n\n

Es importante elegir desde el principio un nivel de densidad, ya que la carga estructural, el dimensionamiento de los conductos de alimentaci\u00f3n, la capacidad de refrigeraci\u00f3n y la distribuci\u00f3n del suelo dependen todos de esa cifra. Los dise\u00f1adores que planifican para 30 kW y descubren a mitad del proyecto que se necesitan 100 kW se enfrentan a una adaptaci\u00f3n mucho m\u00e1s costosa que construirlo bien desde el principio. En el dise\u00f1o de un centro de datos de IA maduro, cada posici\u00f3n de rack tiene un l\u00edmite m\u00e1ximo de potencia establecido, que se controla mediante PDU inteligentes y software de gesti\u00f3n de la capacidad.<\/p>\n\n\n

\n
\"Dise\u00f1o<\/figure>\n<\/div>\n\n\n

\u00bfQu\u00e9 arquitectura de refrigeraci\u00f3n es la m\u00e1s adecuada para el dise\u00f1o de un centro de datos de IA?<\/h2>\n\n\n\n

La refrigeraci\u00f3n es el primer subsistema en el que fallan los supuestos tradicionales, y es donde el dise\u00f1o de los centros de datos de IA se aleja m\u00e1s marcadamente de las pr\u00e1cticas tradicionales. La refrigeraci\u00f3n por aire puede soportar aumentos modestos, pero la encuesta del Uptime Institute muestra que el PUE medio apenas ha mejorado durante seis a\u00f1os consecutivos, limitado en parte por la infraestructura heredada. Los racks de IA de alta densidad requieren refrigeraci\u00f3n l\u00edquida. La refrigeraci\u00f3n l\u00edquida mediante placas fr\u00edas abarca aproximadamente el 80% del mercado de la refrigeraci\u00f3n l\u00edquida, ya que es compatible con las arquitecturas de servidores existentes y ofrece el menor coste total de propiedad.<\/p>\n\n\n\n

La refrigeraci\u00f3n por inmersi\u00f3n reduce el PUE hasta aproximadamente 1,05, y se prev\u00e9 que el segmento de la refrigeraci\u00f3n por inmersi\u00f3n alcance los 5.8 mil millones de d\u00f3lares estadounidenses en 2030, con una tasa de crecimiento anual compuesto (CAGR) del 39%. La presi\u00f3n regulatoria acelera el cambio: China exige que los nuevos megacentros de datos construidos a partir de 2025 alcancen un PUE no superior a 1,25, lo que hace que la refrigeraci\u00f3n l\u00edquida sea, en la pr\u00e1ctica, obligatoria. La refrigeraci\u00f3n directa al chip es ya un est\u00e1ndar en las implementaciones de IA de alta densidad, y suele coexistir con la refrigeraci\u00f3n por aire para los equipos que no son GPU. Cualquier dise\u00f1o de centro de datos de IA que dependa \u00fanicamente del aire para las salas de GPU alcanzar\u00e1 un l\u00edmite t\u00e9rmico medido en megavatios.<\/p>\n\n\n\n

\u00bfQu\u00e9 arquitectura de suministro de energ\u00eda admite de forma fiable las cargas de trabajo de IA?<\/h2>\n\n\n\n

El suministro el\u00e9ctrico es el subsistema menos visible, pero m\u00e1s costoso, en el dise\u00f1o de los centros de datos de IA. El consumo de energ\u00eda de las GPU no es una carga constante, sino que oscila r\u00e1pidamente a medida que comienzan y terminan las etapas de entrenamiento. La cadena de alimentaci\u00f3n debe absorber esas oscilaciones sin activar los dispositivos de protecci\u00f3n ni comprometer la estabilidad de la red el\u00e9ctrica. Los sistemas UPS tradicionales alcanzan una eficiencia del 90-94%, mientras que las arquitecturas de CC de alto voltaje a 800 V alcanzan el 97% o m\u00e1s y reducen los gastos de capital en aproximadamente un 20%. La plataforma GB300 de NVIDIA completa el panorama: los bastidores de alimentaci\u00f3n mejorados con almacenamiento de energ\u00eda redujeron la demanda m\u00e1xima de la red en un 30% durante el entrenamiento del modelo Megatron LLM.<\/p>\n\n\n\n

En el caso de tus propias instalaciones, esto implica especificar estantes de alimentaci\u00f3n con almacenamiento en bater\u00eda integrado, en lugar de transformadores sobredimensionados. Las unidades de bater\u00eda de respaldo y los paquetes de supercondensadores se est\u00e1n convirtiendo en un est\u00e1ndar a nivel de rack, con tiempos de respuesta inferiores a un milisegundo para la compensaci\u00f3n de potencia por impulsos que exige el entrenamiento de las GPU. La sala el\u00e9ctrica tambi\u00e9n debe dimensionarse en funci\u00f3n del nivel de redundancia que se utilice realmente, y no del nivel Tier III que se declare sobre el papel. Un dise\u00f1o resiliente de centro de datos de IA aborda la alimentaci\u00f3n el\u00e9ctrica como un problema de control, no como un problema de dimensionamiento.<\/p>\n\n\n\n

\u00bfQu\u00e9 topolog\u00eda de red requieren los cl\u00fasteres de GPU?<\/h2>\n\n\n\n

El dise\u00f1o de los centros de datos de IA falla con mayor frecuencia en la capa de red que en la de alimentaci\u00f3n, ya que el entrenamiento distribuido plantea requisitos muy exigentes en cuanto a ancho de banda y latencia. Las redes tradicionales de tipo \u00ableaf-and-spine\u00bb, optimizadas para el tr\u00e1fico web norte-sur, no pueden soportar los patrones de tr\u00e1fico este-oeste propios de la comunicaci\u00f3n colectiva. Las tareas de entrenamiento transfieren gradientes, activaciones y estados del optimizador entre las GPU, y la saturaci\u00f3n de la red alarga directamente el tiempo de entrenamiento. Los cl\u00fasteres modernos de GPU separan las redes de escalabilidad vertical y horizontal: la escalabilidad vertical conecta las GPU dentro de un nodo a trav\u00e9s de estructuras de gran ancho de banda, como NVLink, mientras que la escalabilidad horizontal conecta los nodos mediante estructuras InfiniBand o Ethernet de 400G\/800G.<\/p>\n\n\n\n

McKinsey estima que los centros de datos necesitar\u00e1n un gasto de capital acumulado de 6,7 billones de d\u00f3lares para 2030 con el fin de satisfacer la demanda de potencia de c\u00e1lculo, y una parte significativa de ese presupuesto se destina a la infraestructura de conmutaci\u00f3n. La regla es: modelar los patrones de comunicaci\u00f3n antes de adquirir conmutadores y no permitir nunca que la sobresuscripci\u00f3n de la red se convierta en un cuello de botella oculto. Por lo tanto, el dise\u00f1o de centros de datos basados en IA debe considerar la arquitectura de red como un elemento fundamental, con ratios de sobresuscripci\u00f3n establecidos expl\u00edcitamente en cada nivel.<\/p>\n\n\n\n

\u00bfPor qu\u00e9 el dise\u00f1o de los centros de datos de IA da prioridad al \u00abespacio gris\u00bb frente al \u00abespacio blanco\u00bb?<\/h2>\n\n\n\n

En los dise\u00f1os tradicionales de los centros de datos, la mayor parte de la superficie se destinaba al \u00abespacio blanco\u00bb (las salas de equipos inform\u00e1ticos), y los equipos de refrigeraci\u00f3n y el\u00e9ctricos se api\u00f1aban en el espacio restante. El dise\u00f1o de los centros de datos de IA invierte esa proporci\u00f3n. Los racks de GPU de alta densidad exigen un mayor acondicionamiento de la energ\u00eda, una mayor disipaci\u00f3n de calor y una mayor distribuci\u00f3n de l\u00edquido por metro cuadrado, por lo que el espacio gris destinado a los sistemas de refrigeraci\u00f3n y el\u00e9ctricos ahora rivaliza con el espacio en blanco, o incluso lo supera, en las f\u00e1bricas de IA construidas expresamente para este fin.<\/p>\n\n\n\n

Implicaciones pr\u00e1cticas: pisos estructurales m\u00e1s altos para soportar los circuitos de refrigeraci\u00f3n l\u00edquida, una mayor carga en las losas para los racks de 600 kW y bloques de alimentaci\u00f3n modulares instalados de forma incremental. Si el \u00abespacio gris\u00bb se dimensiona de forma insuficiente en la fase de dise\u00f1o, la instalaci\u00f3n se topa con un l\u00edmite m\u00e1ximo, independientemente del n\u00famero de racks de GPU que el \u00abespacio blanco\u00bb pueda albergar f\u00edsicamente. Un error habitual en el dise\u00f1o de centros de datos de IA es copiar los planos de planta heredados y limitarse a sustituir las unidades de refrigeraci\u00f3n, lo que no deja espacio para las tuber\u00edas, los sistemas de bombeo y la disipaci\u00f3n de calor que requiere la refrigeraci\u00f3n l\u00edquida.<\/p>\n\n\n\n

\u00bfQu\u00e9 pasos hay que seguir a la hora de dise\u00f1ar un centro de datos de IA?<\/h2>\n\n\n\n

Una secuencia disciplinada evita los errores m\u00e1s costosos. En primer lugar, define la carga de trabajo objetivo: entrenamiento, inferencia o ambos, ya que el entrenamiento consume muchos recursos de red y almacenamiento, mientras que la inferencia es sensible a la latencia. En segundo lugar, fija la hoja de ruta de las GPU y calcula el nivel de densidad de los racks, la envolvente de potencia y el m\u00e9todo de refrigeraci\u00f3n para cada sala. En tercer lugar, dimensione la cadena el\u00e9ctrica en funci\u00f3n de la carga m\u00e1xima con reserva y especifique las plataformas de almacenamiento de energ\u00eda. En cuarto lugar, dise\u00f1e la estructura de red en funci\u00f3n de los patrones de comunicaci\u00f3n medidos, separando la escalabilidad vertical de la horizontal. Cada una de estas decisiones debe tomarse en la fase inicial de dise\u00f1o del centro de datos de IA, antes de verter el hormig\u00f3n.<\/p>\n\n\n\n

En quinto lugar, hay que asignar espacio \u00abgris\u00bb para la distribuci\u00f3n de l\u00edquidos, la disipaci\u00f3n de calor y las salas el\u00e9ctricas antes de ultimar la distribuci\u00f3n del espacio \u00abblanco\u00bb. En sexto lugar, hay que verificar el cumplimiento de la norma ASHRAE 90.4, que establece requisitos m\u00ednimos de eficiencia para los sistemas de refrigeraci\u00f3n y de alimentaci\u00f3n el\u00e9ctrica y que, en sus ap\u00e9ndices de 2022, aborda ahora la inform\u00e1tica refrigerada por agua. En s\u00e9ptimo lugar, planifique una implantaci\u00f3n gradual, de modo que las primeras salas est\u00e9n operativas mientras se construyen las siguientes, un modelo cada vez m\u00e1s habitual en el dise\u00f1o de centros de datos de IA. Seguir esta secuencia permite que todo el proyecto se mantenga alineado con la hoja de ruta inform\u00e1tica y evita la trampa de la adaptaci\u00f3n posterior.<\/p>\n\n\n\n

\u00bfQu\u00e9 indicadores permiten validar el dise\u00f1o de un centro de datos de IA?<\/h2>\n\n\n\n

La calidad del dise\u00f1o se refleja en indicadores cuantificables, y todo dise\u00f1o de centro de datos de IA deber\u00eda evaluarse en funci\u00f3n de ellos antes de que comience la construcci\u00f3n. El PUE sigue siendo la m\u00e9trica de eficiencia m\u00e1s destacada, pero la encuesta del Uptime Institute revel\u00f3 que una de cada diez interrupciones del servicio sigue causando perturbaciones graves o muy graves, por lo que la ingenier\u00eda de disponibilidad merece la misma atenci\u00f3n. Es posible alcanzar valores de PUE inferiores a 1,25 con refrigeraci\u00f3n l\u00edquida, pero para ello es necesario que los componentes de carga mec\u00e1nica y de p\u00e9rdidas el\u00e9ctricas de la norma ASHRAE 90.4 se mantengan dentro de los l\u00edmites de la zona clim\u00e1tica.<\/p>\n\n\n\n

La utilizaci\u00f3n de los racks, medida como el rendimiento inform\u00e1tico alcanzado por cada d\u00f3lar de inversi\u00f3n en activos fijos de las instalaciones, indica si el dise\u00f1o se adapta realmente a las cargas de trabajo de IA. El tiempo hasta la puesta en marcha \u2014el retraso entre la instalaci\u00f3n del rack y el funcionamiento a pleno rendimiento de las GPU\u2014 pone de manifiesto los cuellos de botella en el sistema de busway, la refrigeraci\u00f3n y la distribuci\u00f3n de red. <\/p>\n\n\n\n

Conclusi\u00f3n: \u00bfC\u00f3mo deber\u00eda evolucionar el dise\u00f1o de los centros de datos de IA en el futuro?<\/h2>\n\n\n\n

El dise\u00f1o de centros de datos para IA ya no es una optimizaci\u00f3n marginal de una plantilla existente, sino una ruptura estructural con tres d\u00e9cadas de pr\u00e1cticas en este \u00e1mbito. Los objetivos de densidad, la arquitectura de refrigeraci\u00f3n, el suministro el\u00e9ctrico, la topolog\u00eda de red y la asignaci\u00f3n de espacio deben derivarse de la carga de trabajo de las GPU, y el margen de error se mide en millones de d\u00f3lares de capacidad de c\u00e1lculo no aprovechada. Las instalaciones que tienen \u00e9xito fijan los niveles de densidad desde el principio, estandarizan la refrigeraci\u00f3n l\u00edquida, protegen la cadena de alimentaci\u00f3n y validan sus dise\u00f1os con datos de ASHRAE y Uptime. Hay que empezar a dise\u00f1ar el centro de datos de IA partiendo de la carga de trabajo, no del edificio, y el resto encajar\u00e1 por s\u00ed solo. <\/p>","protected":false},"excerpt":{"rendered":"

AI data center design has shifted from a facility-engineering exercise into a compute-performance discipline. The global AI data center market is projected to grow from USD 236.4 billion in 2025 to USD 933.7 billion by 2030, a 31.6% compound annual growth rate, according to analysis published in August 2025. Rack densities that reached 2-10 kW […]<\/p>\n","protected":false},"author":5,"featured_media":35461,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pgc_sgb_lightbox_settings":"","footnotes":""},"categories":[630,629],"tags":[],"class_list":["post-35457","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blogs","category-news-and-insights"],"acf":[],"_links":{"self":[{"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/posts\/35457","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/comments?post=35457"}],"version-history":[{"count":5,"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/posts\/35457\/revisions"}],"predecessor-version":[{"id":35464,"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/posts\/35457\/revisions\/35464"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/media\/35461"}],"wp:attachment":[{"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/media?parent=35457"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/categories?post=35457"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/soeteck.com\/es\/wp-json\/wp\/v2\/tags?post=35457"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}