Nokia está acelerando la transición de AI-RAN desde el laboratorio hacia redes comerciales, al tiempo que amplía con NVIDIA una arquitectura de computación que conecta las redes móviles con la infraestructura de inteligencia artificial. Las pruebas con operadores, las nuevas capacidades de procesamiento radio y el avance de la IA distribuida empiezan además a coincidir con un cambio visible en el negocio: los clientes de AI & Cloud ya son una de las principales fuentes de crecimiento de la compañía.
El movimiento coincide además con un cambio visible en sus cuentas. Nokia cerró el tercer trimestre de 2026 con 5.154 millones de euros de ingresos, un 10% más en términos reportados y un 9% a divisa constante. Network Infrastructure creció un 15%, impulsada por avances del 43% en IP Networks y del 18% en Optical Networks. Más significativa para interpretar la estrategia es la evolución por tipo de cliente: las ventas a clientes de AI & Cloud aumentaron un 123%, hasta 631 millones de euros, mientras los pedidos procedentes de ese segmento crecieron un 118%.
La compañía recibió alrededor de 1.500 millones de euros en nuevos pedidos de clientes relacionados con IA y cloud durante el trimestre y espera que sus negocios combinados de IP y redes ópticas crezcan entre un 25% y un 30% en 2027. La inteligencia artificial empieza así a aparecer en Nokia tanto como destino de sus redes IP y ópticas como dentro de la propia arquitectura de telecomunicaciones.
De ejecutar 5G a introducir IA dentro del procesamiento radio
La transformación de la RAN es la parte más compleja de esa estrategia. Una red de acceso radio debe ejecutar tareas de procesamiento dentro de límites temporales extremadamente estrictos. La estimación del canal, la planificación de usuarios, el tratamiento de señales o la gestión de múltiples antenas no pueden comportarse como una aplicación cloud convencional que tolera variaciones relativamente amplias en los tiempos de ejecución.
Ese requisito ayuda a entender la relevancia de la prueba realizada con T-Mobile y NVIDIA en Bellevue, Washington. Las compañías completaron una llamada utilizando radios Massive MIMO de Nokia, software anyRAN ejecutado sobre computación acelerada NVIDIA Aerial RAN Computer, un core 5G Standalone comercial y un teléfono convencional.
El resultado no demuestra todavía que AI-RAN aporte todas las mejoras de capacidad que Nokia contempla en su hoja de ruta. Sí valida un paso previo: que el software radio puede funcionar sobre esta nueva arquitectura de computación dentro de una red de operador activa.
El siguiente objetivo es utilizar la capacidad adicional para introducir algoritmos de IA directamente en partes del procesamiento de la señal. Nokia trabaja, entre otras áreas, en estimación de canal mediante IA, selección de usuarios para multi-user MIMO, adaptación de enlace, beamforming y scheduling.
La lógica económica es sencilla aunque la ejecución técnica no lo sea. El espectro es uno de los activos más limitados y costosos de una operadora. Si determinados algoritmos permiten cursar más tráfico utilizando las mismas frecuencias y la misma infraestructura radio, el operador puede ampliar capacidad sin depender exclusivamente de adquirir nuevo espectro o desplegar más emplazamientos.
Nokia ya ha comunicado mejoras combinadas superiores al 20% en determinadas pruebas de eficiencia espectral. No deben interpretarse como un incremento uniforme del rendimiento de toda una red. Las ganancias dependen de factores como carga de tráfico, propagación, configuración de antenas y condiciones radioeléctricas, y las mejoras obtenidas por diferentes algoritmos tampoco tienen por qué sumarse directamente.
Deutsche Telekom ofrece una referencia más acotada. En sus trabajos con Nokia sobre estimación de canal mediante IA, las primeras pruebas de laboratorio han mostrado mejoras habituales de entre el 10% y el 15% en throughput de subida, con resultados superiores bajo condiciones radio más complejas. El siguiente paso será ampliar los algoritmos y comprobarlos fuera del laboratorio.
El coste de las GPU será tan importante como el rendimiento
Desde que Nokia y NVIDIA anunciaron su colaboración, una de las dudas alrededor de AI-RAN ha sido su economía. Sustituir o complementar hardware especializado de telecomunicaciones con aceleradores asociados a centros de datos puede aumentar capacidad de cómputo, pero introduce interrogantes sobre consumo energético, coste de los equipos y utilización de los recursos.
La arquitectura que está desarrollando Nokia intenta evitar un escenario en el que cada emplazamiento móvil tenga que incorporar una GPU de centro de datos de gran tamaño. La compañía contempla diferentes configuraciones en función de las necesidades del operador.
Una opción consiste en incorporar aceleración dentro de la infraestructura AirScale existente. Otra utiliza nodos AI-RAN integrados y una tercera despliega el software de radio sobre servidores comerciales acelerados, una configuración más adecuada para Cloud RAN centralizada o distribuida y para ubicaciones donde también se quieran ejecutar cargas de IA.
Este punto introduce una separación relevante entre dos conceptos que frecuentemente aparecen unidos en los anuncios. «AI-for-RAN» utiliza inteligencia artificial para mejorar la propia red radio. «AI-and-RAN» pretende compartir la misma infraestructura de computación entre el procesamiento radio y otras aplicaciones de IA.
El primer modelo puede justificarse si las mejoras de capacidad o eficiencia compensan el coste adicional del hardware. El segundo necesita además encontrar aplicaciones capaces de utilizar la capacidad disponible cuando no está dedicada a funciones de telecomunicaciones.
Según explicó Nokia en un briefing con analistas recogido por Sebastian Barros, la variante acelerada de AirScale está diseñada para mantenerse dentro de parámetros térmicos y de consumo próximos a los de sus actuales tarjetas de capacidad basadas en silicio específico, con una economía de hardware comparable. Esa configuración compacta, sin embargo, no está pensada para proporcionar grandes cantidades adicionales de computación a aplicaciones empresariales de IA, que necesitarían instalaciones de mayor tamaño.
La distinción resulta importante. Mejorar un 10%, un 20% o más la capacidad radio ofrece una métrica conocida para una operadora. Construir un nuevo negocio de inferencia distribuida obliga además a demostrar que existen clientes dispuestos a pagar por ejecutar modelos cerca de la red móvil.
Elisa demuestra que RAN e IA pueden compartir infraestructura
Nokia y NVIDIA están intentando resolver también esa segunda parte. Elisa ha ejecutado en Finlandia llamadas de voz, tráfico móvil y análisis de vídeo simultáneamente sobre una plataforma común de AI-RAN. El operador prevé continuar con despliegues distribuidos y estudiar casos comerciales durante 2027.
La prueba demuestra que es técnicamente posible compartir recursos entre funciones radio y otras cargas de IA manteniendo las necesidades operativas de la RAN. La cuestión comercial permanece abierta.
Muchos procesos de inferencia pueden ejecutarse en regiones cloud convencionales sin que unos milisegundos adicionales tengan consecuencias relevantes. Los grandes proveedores de cloud, además, cuentan con una escala de computación difícil de replicar para un operador.
El argumento del edge aparece cuando existe alguna ventaja específica. Una fábrica puede requerir procesamiento local por latencia o disponibilidad. Determinados datos pueden tener restricciones sobre dónde pueden almacenarse o procesarse. Sistemas de robótica, coordinación de máquinas o análisis de señales pueden beneficiarse de computación situada físicamente cerca del origen de los datos.
Deutsche Telekom estudia esa combinación en escenarios industriales, mientras Orange trabaja en capacidades de inteligencia de voz y procesamiento próximo al usuario. El alcance económico de estos servicios dependerá de que esos requisitos sean frecuentes y suficientemente valiosos como para sostener infraestructura acelerada distribuida.
SoftBank probará la arquitectura bajo tráfico comercial
Japón proporcionará otro banco de pruebas. Nokia y SoftBank han acordado realizar en 2027 una prueba AI-RAN dentro de una red comercial y bajo condiciones de tráfico comercial.
El despliegue combinará el software Cloud RAN anyRAN de Nokia con AITRAS, la plataforma que SoftBank está desarrollando para AI-RAN, y con NVIDIA Aerial RAN Computer. La infraestructura prevista incorpora un procesador NVIDIA Grace, GPU RTX PRO 4500 y conectividad ConnectX-8.
AITRAS Orchestrator gestionará las cargas de radio e inteligencia artificial, mientras Nokia integrará también su plataforma de gestión MantaRay. La prueba permitirá observar cómo se asignan recursos entre ambas categorías de cargas sin degradar las condiciones exigidas a una RAN de operador.
El proyecto también refleja otra característica de la estrategia de Nokia: anyRAN pretende funcionar sobre infraestructuras diseñadas por distintos actores y no únicamente dentro de una pila cerrada del fabricante.
Esta flexibilidad adquiere mayor importancia a medida que la arquitectura móvil incorpora componentes habituales del mundo cloud: servidores, aceleradores, software de orquestación, contenedores y plataformas cloud-native. Las decisiones sobre RAN empiezan de este modo a mezclarse con las decisiones sobre infraestructura de computación.
E3 abre una parte de la radio a aplicaciones externas
La incorporación de computación programable permite además cambiar quién puede desarrollar funciones alrededor de la RAN.
Históricamente, buena parte de la información detallada generada por el procesamiento radio permanece dentro del software de los fabricantes. Open RAN comenzó a abrir ese modelo con aplicaciones xApps y rApps capaces de intervenir en la optimización de la red mediante diferentes bucles de control.
Nokia propone ahora E3, una interfaz destinada a aplicaciones distribuidas o dApps que necesitan acceso a determinados datos de la RAN con tiempos mucho más próximos a los del procesamiento radio.
El cambio puede ampliar el número de funciones que no tienen que ser creadas directamente por Nokia. DeepSig, por ejemplo, desarrolla software de análisis del espectro que utiliza información de la red para detectar interferencias, amenazas de radiofrecuencia o transmisores no autorizados. ZaiNar trabaja en capacidades de posicionamiento obtenidas a partir de la propia infraestructura móvil, sin modificar terminales ni radios.
El potencial comercial depende de varios pasos todavía pendientes. Una interfaz útil para terceros necesita estabilidad, interoperabilidad y acceso suficiente para atraer desarrolladores. También tiene que existir un modelo de reparto de valor entre fabricante, operador y proveedor de software.
Las telecomunicaciones han intentado en otras ocasiones construir ecosistemas de desarrolladores alrededor de sus redes con resultados desiguales. La diferencia en este caso es el nivel de información al que podrían acceder las aplicaciones. Si E3 termina exponiendo datos radio con suficiente detalle y baja latencia, el modelo se acercaría más al procesamiento de la señal que a una API tradicional de red.
Convertir las radios en sensores
Otra de las extensiones de AI-RAN es Integrated Sensing and Communications, o ISAC. La misma infraestructura utilizada para transmitir señales puede analizar cómo estas se reflejan en el entorno y extraer información sobre objetos o movimiento.
Nokia ha mostrado aplicaciones de sensing utilizando infraestructura de radio existente, entre ellas detección de actividad mediante señales en bandas utilizadas por 5G. La IA interviene en la interpretación de patrones que una red convencional simplemente trataría como parte de las condiciones de propagación.
La posibilidad encaja con el concepto de «Physical AI» promovido por NVIDIA: sistemas de inteligencia artificial que interactúan con objetos, máquinas y espacios físicos.
Una red móvil podría aportar información adicional a robots, sistemas industriales, plataformas de seguridad o vehículos autónomos. Las cámaras y sensores instalados en las máquinas continuarían realizando gran parte de la percepción, pero la infraestructura radio podría añadir información sobre localización, actividad, condiciones RF o elementos fuera del campo de visión de un dispositivo.
Todavía quedan limitaciones importantes. Un sistema comercial tendrá que demostrar precisión, alcance, capacidad de distinguir objetos, resistencia a interferencias y una tasa aceptable de falsos positivos. También será necesario determinar cuánto espectro y capacidad de procesamiento consume el sensing cuando comparte infraestructura con el servicio móvil.
Su atractivo económico reside precisamente en reutilizar activos ya desplegados. Si parte de esas capacidades puede añadirse mediante software y computación acelerada sin cambiar las radios o los terminales, los operadores podrían intentar obtener nuevos servicios de una infraestructura que hoy utilizan fundamentalmente para conectividad.
La IA agéntica lleva el cambio al centro de operaciones
La colaboración entre Nokia y NVIDIA se está extendiendo también fuera de la radio. La compañía finlandesa integra NVIDIA AI Enterprise y modelos Nemotron dentro de una plataforma de agentes especializada en operaciones de telecomunicaciones.
El objetivo es que esos agentes puedan trabajar sobre radio, core, transporte y cloud utilizando información técnica y operacional propia de cada red.
La dificultad aquí es diferente. Un chatbot puede equivocarse sin afectar a miles de usuarios. Un sistema que modifica parámetros de red, ejecuta una reparación o cambia una política necesita controles mucho más estrictos.
Nokia plantea por ello un modelo de «glass-box autonomy», con supervisión del operador, políticas sobre qué acciones pueden realizarse, mecanismos de aprobación y guardrails para comprobar la ejecución.
La arquitectura admite despliegues on-premises, cloud e híbridos. Este diseño responde también a las exigencias de soberanía que existen alrededor de infraestructuras críticas: algunos operadores pueden aceptar utilizar determinados modelos, pero no enviar telemetría de red, configuraciones o información operacional a servicios externos.
Etisalat UAE, MEO y Airtel trabajan con Nokia en identificación de casos de uso e integración. La autonomía completa sigue siendo una aspiración, pero los modelos especializados ya permiten abordar tareas más acotadas, como búsqueda de procedimientos, diagnóstico de fallos o análisis de alarmas.
El crecimiento de IA ya se refleja en IP y óptica
Aunque AI-RAN concentra buena parte de los anuncios tecnológicos, el negocio que ya está generando crecimiento relacionado con inteligencia artificial se encuentra principalmente en otra parte de Nokia.
Network Infrastructure facturó 2.158 millones de euros durante el tercer trimestre, un 17% más en términos reportados. Optical Networks alcanzó 933 millones, con un crecimiento del 18% a divisa constante, mientras IP Networks facturó 839 millones y avanzó un 43%.
Fixed Networks retrocedió un 22%, lo que muestra hasta qué punto IP y óptica están cambiando la composición del segmento. Nokia atribuye buena parte de ese crecimiento a clientes de AI & Cloud y a la necesidad de interconectar infraestructuras de computación cada vez mayores y más distribuidas.
El negocio tradicional de operadores presenta una evolución mucho más estable. Las ventas del grupo a proveedores de telecomunicaciones fueron de 3.640 millones de euros en el trimestre, prácticamente sin crecimiento a divisa constante. Frente a ello, AI & Cloud pasó de 279 a 631 millones.
Mobile Infrastructure, donde se encuentra el negocio radio, aumentó sus ventas un 5%, hasta 2.902 millones. Radio Networks creció un 10% a divisa constante, aunque parte del avance procedió del adelanto al tercer trimestre de ingresos inicialmente previstos para el cuarto.
La rentabilidad comparable también mejoró. El beneficio operativo comparable aumentó un 35%, hasta 605 millones de euros, y el margen pasó del 9,5% al 11,7%.
Las cifras reportadas muestran el coste de la transformación. El beneficio operativo descendió un 22%, hasta 196 millones de euros, principalmente por 357 millones en costes de reestructuración durante el trimestre. Nokia acumula 903 millones en cargos de reestructuración en los nueve primeros meses del año.
El flujo de caja libre fue negativo en 99 millones de euros durante el trimestre y la posición de caja neta terminó septiembre en 2.584 millones. La compañía ha reducido su previsión de conversión de beneficio operativo comparable en flujo de caja libre al 35%-55% y planea invertir unos 400 millones adicionales en capital circulante durante 2026 para asegurar suministros y preparar el crecimiento esperado en 2027.
De los centros de datos al borde de la red
La integración de Infinera completa otra pieza de la estrategia. Nokia espera terminarla antes de finales de 2026, un año antes de lo previsto inicialmente, y calcula unas sinergias netas de 200 millones de euros.
Ese negocio refuerza la presencia de Nokia en redes ópticas destinadas a conectar centros de datos y grandes infraestructuras de IA. A partir de ahí, la compañía intenta extender la misma lógica hacia una infraestructura mucho más distribuida.
En un extremo se encuentran clústeres de entrenamiento e inferencia que necesitan redes IP y ópticas de gran capacidad. En otro aparecen centrales, centros regionales y emplazamientos de telecomunicaciones con capacidad acelerada donde pueden ejecutarse funciones radio y determinados servicios de IA.
AI-RAN pretende convertir la RAN en una parte de ese continuo de computación.
El modelo tiene todavía que superar una prueba económica más exigente que una demostración tecnológica. La mejora de eficiencia espectral ofrece un beneficio relativamente directo para una operadora y puede medirse en capacidad adicional por unidad de espectro. La posibilidad de comercializar inferencia, aplicaciones dApp o servicios relacionados con Physical AI depende de que aparezca demanda suficiente para utilizar esa infraestructura de manera rentable.
Ahí está el principal cambio que reflejan los anuncios de esta semana. Nokia ya ha conseguido ejecutar su software AI-RAN en redes activas, comparte infraestructura radio y de IA en pruebas con operadores y dispone de varios caminos de hardware para adaptar la capacidad de computación a distintos escenarios. El trabajo de 2027 deberá demostrar cuánto de esa arquitectura puede convertirse en despliegues repetibles y qué parte de las ventajas técnicas se mantiene cuando entran en juego consumo energético, utilización, coste de infraestructura y tráfico comercial real.
Los resultados del tercer trimestre proporcionan a Nokia una base más tangible que hace un año: la demanda de infraestructura para inteligencia artificial ya está impulsando sus negocios IP y ópticos. El desafío ahora es extender esa oportunidad desde las conexiones entre centros de datos hasta la propia red móvil, donde AI-RAN deberá justificar su coste primero como tecnología de radio y, después, como plataforma distribuida de computación.
