Hace solo unos años, la inteligencia artificial en las redes de telecomunicaciones se asociaba principalmente con proyectos piloto y pruebas de concepto: implementaciones limitadas que se probaban en partes seleccionadas de la red, a menudo sin tener un gran impacto en el trabajo diario de los equipos operativos. Sin embargo, los informes del sector publicados a finales de 2025 y principios de 2026 muestran un cambio claro: el sector está empezando a pasar de la experimentación a las implementaciones en producción y a resultados empresariales medibles.
Lo que dicen los últimos informes
En su informe «Tech Trends 2026», Deloitte señala que las organizaciones deben pasar de experimentar con la IA a lograr resultados empresariales concretos. Ya no basta con lanzar un proyecto piloto: cada vez cobra más importancia la cuestión de si una nueva solución mejora realmente la eficiencia, reduce los costes o agiliza los procesos operativos.
Al mismo tiempo, Deloitte cita una previsión de Gartner que sugiere que más del 40 % de los proyectos basados en IA agéntica podrían cancelarse a finales de 2027. El problema no tiene por qué radicar en la tecnología en sí, sino más bien en cómo se implementa —en particular, en los intentos de imponer nuevos mecanismos de IA a procesos y arquitecturas que no se diseñaron teniendo en cuenta los agentes autónomos—.
En el sector de las telecomunicaciones, la magnitud de la inversión también está creciendo rápidamente. Según una previsión de Mordor Intelligence, el mercado de la IA agéntica en telecomunicaciones y gestión de redes crecerá de unos 3,75 mil millones de dólares en 2025 a 4,63 mil millones en 2026, y alcanzará aproximadamente los 13,35 mil millones de dólares en 2031.
Esto no significa todavía una transición generalizada hacia redes totalmente autónomas. Sin embargo, sí demuestra que la IA agéntica ocupa un lugar cada vez más destacado en las estrategias de los operadores y los proveedores de tecnología como herramienta de apoyo al análisis, la automatización y la toma de decisiones.
Redes diseñadas pensando en la IA
Estos cambios se extienden no solo a la forma en que se gestionan las redes existentes, sino también a la dirección del desarrollo de las futuras arquitecturas.
La Unión Internacional de Telecomunicaciones está trabajando en el IMT-2030, el marco para la futura generación de redes 6G. Los escenarios que se están desarrollando incluyen, entre otros, Artificial Intelligence and Communication, Integrated Sensing and Communication, y el concepto de Ubiquitous Intelligence.
Por lo tanto, las redes del futuro no solo están destinadas a transmitir datos entre usuarios y dispositivos, sino también a dar soporte al procesamiento distribuido, el aprendizaje automático, la tecnología de sensores y la toma de decisiones más cerca del lugar donde se generan los datos.
Esta orientación está en consonancia con el concepto en evolución del sector de las redes nativas de IA: redes en las que los mecanismos de IA se diseñan como parte integral de la arquitectura y los procesos operativos, en lugar de ser meramente una capa adicional superpuesta al entorno existente.
La barrera de la integración: sigue siendo un reto
A pesar de los avances logrados, uno de los mayores obstáculos sigue siendo la integración de los nuevos mecanismos de IA con los sistemas OSS/BSS existentes.
Las redes de telecomunicaciones son entornos complejos y con múltiples proveedores que, a menudo, se han desarrollado a lo largo de décadas. Los datos relativos a la infraestructura, los servicios, los clientes y las configuraciones pueden estar almacenados en numerosos sistemas y bases de datos independientes.
Es precisamente esta fragmentación de la información la que se convierte en una de las limitaciones más importantes a la hora de ampliar la IA.
Un algoritmo solo puede tomar decisiones precisas si tiene acceso a datos actualizados, coherentes y debidamente estructurados. Si la visión de la infraestructura es incompleta, está desactualizada o dispersa en diferentes sistemas, incluso un modelo avanzado de IA funcionará con una base de información limitada.
Por lo tanto, la implementación de la IA a mayor escala suele requerir, ante todo, organizar los datos y garantizar una visión coherente de los recursos, los servicios y las dependencias dentro de la red.
La automatización también requiere confianza
El segundo factor clave es la confianza en las decisiones tomadas por los sistemas autónomos.
Durante años, los operadores se han mostrado cautelosos a la hora de ceder el control de los procesos relacionados con las infraestructuras críticas a los algoritmos. Las preocupaciones se centran principalmente en la capacidad de explicar las decisiones del sistema, supervisar sus acciones e intervenir rápidamente en caso de comportamiento anómalo.
En consecuencia, el desarrollo de la IA agéntica va acompañado cada vez más de mecanismos de supervisión, control y auditabilidad.
La red puede detectar automáticamente los problemas, analizar sus causas e iniciar acciones correctivas, pero esto no significa que el operador renuncie al control. En la práctica, una automatización madura debe combinar la autonomía del sistema con principios operativos claramente definidos, la capacidad de rastrear las decisiones y un papel humano cuando sea necesario.
¿Qué papel desempeña SunVizion en todo esto?
Precisamente por eso estamos desarrollando SunVizion en una dirección que combina el conocimiento detallado de la infraestructura con la automatización inteligente.
AI Net Planner facilita el diseño y la optimización automáticos de las redes, mientras que el asistente de IA permite a los equipos trabajar con datos utilizando lenguaje natural, sin tener que buscar manualmente la información en las distintas vistas del sistema.
Sin embargo, la capa de datos reviste una importancia fundamental.
La IA solo puede apoyar de forma eficaz el diseño, el análisis o las operaciones si tiene acceso a información fiable sobre los activos, su ubicación, configuración e interdependencias. Network Inventory se convierte así no solo en un sistema para documentar la infraestructura, sino también en una fuente de datos para mecanismos de automatización cada vez más avanzados.
En un modelo de este tipo, la IA puede hacerse cargo de algunas de las tareas repetitivas, dejando que el ingeniero tome las decisiones que requieren conocimientos especializados, experiencia y responsabilidad.
Los operadores que ya están invirtiendo en la calidad y la coherencia de los datos de su red estarán en una posición mucho mejor para ampliar el uso de la IA que aquellas organizaciones que primero implementan algoritmos avanzados y solo más tarde comienzan a organizar la información sobre su infraestructura.
