Infraestructura de IA soberana: modelos, residencia de datos y control del cómputo (guía 2026)
La infraestructura de IA soberana es la combinación de cómputo, datos, modelos y operaciones que un país o una organización controla conforme a sus propias leyes, en lugar de depender de servicios bajo control extranjero. En la práctica, implica cuatro cosas: GPU ubicadas en una jurisdicción elegida, datos que permanecen allí, modelos que puedes ejecutar y auditar por tu cuenta (normalmente de pesos abiertos) y operadores sujetos a la legislación local. La mayoría de las empresas no necesita una soberanía plena, sino el nivel de control adecuado para cada carga de trabajo.
Esta guía está dirigida a los equipos empresariales de IA, infraestructura y compras a los que se les ha pedido «hacer que nuestra IA sea soberana». Define el concepto, explica la normativa que lo impulsa a octubre de 2026, presenta cinco niveles de control, desde las API públicas hasta los clústeres aislados de la red, y ofrece un ejemplo de dimensionamiento y costes para un despliegue de GPU dentro del país.
¿Qué es la IA soberana?
NVIDIA describe la IA soberana como la capacidad de los países para desarrollar IA «utilizando infraestructura, datos, talento y redes empresariales nacionales, de formas que se adapten a su idioma, cultura y normativa», con modelos «alojados y ejecutados en infraestructura local, sujetos únicamente a las leyes locales» (NVIDIA). Red Hat lo plantea desde la perspectiva empresarial: controlar dónde se ejecuta la IA, quién puede acceder a ella y qué componentes puedes inspeccionar y sustituir.
El término abarca dos objetivos relacionados:
- IA soberana nacional: un país desarrolla capacidad de cómputo propia, modelos en los idiomas locales y talento para que los servicios críticos no dependan de proveedores extranjeros.
- IA soberana empresarial: una organización mantiene los datos regulados, los modelos y las operaciones de IA bajo las jurisdicciones y los contratos que elige.
Ambos se apoyan en las mismas capas de infraestructura.
Las cuatro capas de la infraestructura de IA soberana
| Capa | Qué significa «soberana» | Controles habituales |
|---|---|---|
| Cómputo | GPU en un país elegido, operadas por una entidad sujeta a la legislación de ese país | Centros de datos dentro del país, clústeres de GPU dedicados o privados, regiones de nube soberana |
| Datos | Los datos de entrenamiento, las instrucciones, las respuestas, los registros y las copias de seguridad permanecen en la jurisdicción | Contratos de residencia de datos, almacenamiento regional, cifrado con claves en poder del cliente |
| Modelos | Puedes ejecutar, inspeccionar, ajustar y seguir utilizando el modelo sin el consentimiento de un proveedor extranjero | Modelos de pesos abiertos (Llama, Mistral, Qwen, DeepSeek) alojados en infraestructura propia; o garantías contractuales para modelos cerrados |
| Operaciones | Los administradores, el personal de soporte y los subencargados del tratamiento son locales y están sujetos a auditoría | Personal de soporte local, registro de accesos, derechos de auditoría independiente, planes de salida |
La soberanía de un despliegue está limitada por su capa más débil. Tener GPU en el país no sirve de mucho si las instrucciones se registran en un servicio de monitorización en el extranjero, y un modelo local tampoco ayuda si el único acceso administrativo depende del equipo de soporte de un proveedor extranjero.
Por qué la soberanía es una prioridad en 2026
Tres factores hacen de esta una cuestión de compras, más allá del debate sobre políticas públicas:
- Plazos del Reglamento de IA de la UE. Según el calendario de aplicación del Reglamento de IA (última actualización: 31 de agosto de 2026), la mayoría de las disposiciones pendientes comenzó a aplicarse el 2 de agosto de 2026; los proveedores de modelos de IA de uso general que ya estaban en el mercado antes del 2 de agosto de 2025 deben cumplir la normativa a más tardar el 2 de agosto de 2027; y las obligaciones para los sistemas de alto riesgo del anexo III comienzan el 2 de diciembre de 2027. Las organizaciones necesitan registros de auditoría y documentación bajo su control.
- Normas sobre transferencias internacionales de datos. Conforme al RGPD, los datos personales solo pueden transferirse libremente a países que cuenten con una decisión de adecuación de la UE; las demás transferencias requieren garantías. Por su parte, la CLOUD Act de Estados Unidos (marzo de 2018) ofrece a las autoridades estadounidenses una vía para solicitar datos en poder de proveedores con sede en Estados Unidos. Por eso, los compradores de la UE preguntan quién opera un servicio, además de dónde se ejecuta.
- Riesgos de proveedor y suministro. La retirada de modelos, los cambios de precios y de políticas de uso, y los controles a la exportación de GPU pueden afectar a un producto construido sobre una única API extranjera.
Los proveedores de nube han respondido con ofertas soberanas: AWS lanzó AWS European Sovereign Cloud como una nube independiente para Europa; EU Data Boundary de Microsoft establece el compromiso de almacenar y procesar los datos de los clientes de sus servicios empresariales dentro de la UE; Oracle comercializa opciones de nube soberana con controles de ubicación, acceso y operaciones.
Cinco niveles de soberanía de IA
Elige un nivel para cada carga de trabajo, en lugar de uno para toda la empresa.
| Nivel | Configuración | Residencia de datos | Control del modelo | Control de las operaciones | Adecuado para |
|---|---|---|---|---|---|
| 1. API pública | Endpoint global de un proveedor de modelos | A elección del proveedor | Ninguno | Proveedor | Contenido público, prototipos |
| 2. API regional | El mismo proveedor con procesamiento regional o dentro del país (p. ej., inferencia de Claude solo en Estados Unidos a 1.1x, endpoints de OpenAI con residencia regional de datos a +10%) | Región contratada | Ninguno | Proveedor | La mayoría de los datos empresariales internos |
| 3. Nube soberana | Alojamiento de modelos en una región soberana operada por una entidad local | Dentro del país | Limitado (modelos del catálogo) | Operador local | Sectores regulados, sector público |
| 4. GPU dedicadas dentro del país | Clúster de GPU alquilado o reservado en el país que elijas, que ejecuta modelos de pesos abiertos desplegados por ti | Dentro del país, en tu almacenamiento | Total | Tú y el operador del centro de datos | Sanidad, finanzas, proveedores de defensa, LLM nacionales |
| 5. En instalaciones propias o aislado de la red | Hardware propio, sin red externa | En tus instalaciones | Total | Tú | Cargas de trabajo clasificadas o con fuertes restricciones |
Los precios del nivel 2 proceden de la página oficial de precios de Claude y de la página de precios de OpenAI a octubre de 2026: el procesamiento regional suele costar alrededor de un 10 por ciento más que el procesamiento global. En los niveles 4 y 5, ese sobrecoste se sustituye por capacidad de GPU que debes mantener ocupada.
Cómo diseñar una arquitectura de IA soberana
Cómputo
Para la inferencia y el ajuste fino en infraestructura propia, las opciones prácticas en octubre de 2026 son NVIDIA H100, H200, B200 y B300, además de los aceleradores AMD de la serie MI300. La memoria determina el tamaño del modelo que cabe en cada GPU; consulta nuestra comparativa de H200 y H100 y los requisitos de memoria de GPU para LLM. Para el diseño del clúster (redes, almacenamiento y planificación de tareas), consulta la arquitectura de clústeres de GPU y la nube privada de GPU.
Preguntas que debes hacer a cualquier proveedor de GPU para un despliegue soberano:
- ¿Qué entidad jurídica opera el centro de datos y a qué legislación nacional está sujeta?
- ¿Se pueden especificar en el contrato la instalación y la región exactas?
- ¿Quién tiene acceso físico y administrativo remoto, y se registran esos accesos?
- ¿Dónde se almacenan las copias de seguridad, los registros y los datos de monitorización?
- ¿Puedes llevarte tus datos y discos al finalizar el servicio?
Modelos
Los modelos de pesos abiertos son la base de la soberanía de los niveles 4 y 5 porque puedes alojarlos en cualquier lugar y seguir utilizándolos si el proveedor cambia las condiciones. Entre las opciones habituales están los modelos de Mistral (desarrollados en Francia), la familia Llama de Meta y las versiones abiertas de Qwen y DeepSeek. Revisa los límites de uso comercial de cada licencia y evalúa la calidad en los idiomas locales con tus propios datos.
Servicio de inferencia
Un servidor de inferencia compatible con OpenAI permite que las aplicaciones alternen entre un modelo soberano alojado en infraestructura propia y una API pública cambiando una sola URL. Con vLLM:
docker run --gpus all -p 8000:8000 \
-v /data/models:/models \
vllm/vllm-openai:latest \
--model /models/your-open-weight-model \
--tensor-parallel-size 2 \
--max-model-len 32768
from openai import OpenAI
# Sovereign endpoint inside your in-country cluster
client = OpenAI(base_url="http://inference.internal:8000/v1", api_key="local-token")
r = client.chat.completions.create(
model="/models/your-open-weight-model",
messages=[{"role": "user", "content": "Summarize this contract clause."}],
)
print(r.choices[0].message.content)
Mantén la URL base en la configuración para que las cargas de trabajo sin datos sensibles puedan utilizar una API regional o pública, mientras que las cargas reguladas permanecen en el endpoint soberano. Nuestra guía de servidores de inferencia compatibles con OpenAI compara vLLM, SGLang y otras opciones.
Datos y operaciones
- Mantén las instrucciones, las respuestas, las bases de datos vectoriales y los registros en la misma jurisdicción que el modelo.
- Utiliza claves de cifrado gestionadas por el cliente y almacenadas dentro del país.
- Envía los datos de observabilidad a una plataforma alojada localmente, en lugar de a un SaaS extranjero.
- Documenta los subencargados del tratamiento; nuestra lista de comprobación del DPA para pasarelas de IA recoge las cláusulas que debes solicitar.
Ejemplo de costes: un servicio de inferencia soberano para modelos de la clase 70B
Según el índice de mercado de Flatkey Compute del 23 de octubre de 2026 (actualizado a las 02:01 UTC), el precio de referencia de la capacidad H200 era de $3.65 por GPU-hora bajo demanda y de $2.74 con un compromiso de 1 año, y el de H100 era de $2.64 y $1.98.
Un modelo de pesos abiertos de la clase 70B en FP8 necesita unos 70GB para los pesos. Una H200 (141GB) deja espacio para la caché KV; para disponer de redundancia, ejecutarías al menos dos réplicas.
| Opción | GPU | Por hora (índice) | Al mes (730 horas) |
|---|---|---|---|
| 2x H200, bajo demanda | 2 | $7.30 | unos $5,329 |
| 2x H200, compromiso de 1 año | 2 | $5.48 | unos $4,000 |
| 4x H100 (2 réplicas x 2 GPU), compromiso de 1 año | 4 | $7.92 | unos $5,782 |
Añade almacenamiento, redes, monitorización y tiempo del personal; nuestra guía del TCO de clústeres de GPU incluye una hoja de cálculo completa. Compáralo con el gasto previsto en API para el nivel 2: si una API regional cuesta menos que el clúster y cumple tus requisitos legales, suele ser la mejor opción. Los precios del índice son orientativos; los precios reales dentro del país varían según el país y el plazo, y se confirman mediante un presupuesto.
Lista de comprobación para adoptar IA soberana
- Clasifica las cargas de trabajo según la sensibilidad de los datos y los requisitos legales, y asigna un nivel de soberanía a cada una.
- Traza todos los flujos de datos: instrucciones, respuestas, embeddings, registros, copias de seguridad y telemetría.
- Selecciona modelos que puedas ejecutar legalmente en la jurisdicción de destino y comprueba su calidad en los idiomas locales.
- Elige capacidad de cómputo con una instalación, un operador y unas condiciones de salida especificados.
- Coloca un endpoint compatible con OpenAI delante de cada modelo para que las aplicaciones puedan pasar de un nivel a otro.
- Mantén bajo tu control las pruebas de auditoría (registros de acceso, versiones de modelos y resultados de evaluación) para las auditorías del Reglamento de IA y las sectoriales.
- Revisa el plan cada seis meses; las opciones de API regionales y los precios de GPU cambian con rapidez.
Preguntas frecuentes
¿Qué es la IA soberana?
Es la IA desarrollada y ejecutada con infraestructura, datos y modelos que un país o una organización controla conforme a sus propias leyes. Abarca el cómputo dentro del país, la residencia de datos, los modelos que puedes ejecutar y auditar (a menudo de pesos abiertos) y las operaciones sujetas a responsabilidad local.
¿Qué es la infraestructura de IA soberana?
Las capas físicas y de software que hacen posible la IA soberana: centros de datos con GPU dentro del país, almacenamiento y redes regionales, plataformas para servir modelos, y los controles operativos y contratos que mantienen el acceso bajo jurisdicción local.
¿Qué países tienen programas de IA soberana?
Muchos. Entre los ejemplos de NVIDIA figuran Francia (agentes de IA de servicio público para el Ministerio de Economía y Finanzas), India (modelos multilingües de Sarvam sobre infraestructura nacional, junto con el programa gubernamental IndiaAI) y Brasil (IA para servicios jurídicos en Rio Grande do Sul). Países de Europa, Oriente Medio y Asia están financiando capacidad de cómputo nacional y modelos en los idiomas locales.
¿Cuáles son las principales empresas de infraestructura de IA?
Entre los líderes que suelen citarse están NVIDIA y AMD en aceleradores; AWS, Microsoft Azure, Google Cloud y Oracle en nube y regiones de nube soberana; y especialistas en GPU como CoreWeave y Lambda en capacidad dedicada. En los proyectos soberanos, la jurisdicción del operador importa tanto como la marca.
¿La residencia de datos es lo mismo que la soberanía de datos?
No. La residencia de datos significa que los datos se almacenan en una ubicación específica. La soberanía de datos significa que están sujetos a las leyes de esa ubicación y bajo el control de entidades sometidas a ellas. Un servicio operado desde Estados Unidos puede ofrecer residencia en la UE y, aun así, estar sujeto a procedimientos legales estadounidenses.
¿Necesito mis propias GPU para tener IA soberana?
No siempre. Los endpoints de API regionales o las regiones de nube soberana bastan para muchas cargas de trabajo. Las GPU dedicadas dentro del país tienen sentido cuando necesitas controlar totalmente el modelo, debes mantener todos los datos y las operaciones en el país o tienes un volumen constante que mantiene ocupado el clúster.
