Multiverse Computing y Qualcomm Technologies han abierto una vía conjunta para reducir el coste operativo de la IA en centros de datos mediante la combinación de modelos comprimidos y aceleradores especializados. La empresa donostiarra adaptará sus modelos a las plataformas Qualcomm Dragonfly AI200 y AI250, orientadas a inferencia a escala de rack. El acuerdo coloca el foco en una variable que empieza a condicionar cada despliegue empresarial: cuánto crecimiento puede absorber una instalación antes de exigir más memoria, más aceleradores y más potencia eléctrica.
La propuesta parte de intervenir el modelo antes de su ejecución. Multiverse Computing aplica técnicas de compresión y optimización para disminuir la memoria y el cómputo necesarios, mientras Qualcomm aporta el hardware y la pila de inferencia. Una huella menor permite elevar el número de peticiones atendidas, mantener varios modelos activos o ampliar servicios sin replicar de forma automática la infraestructura física.
La IA en centros de datos cambia el cálculo de capacidad
La colaboración llega cuando los operadores afrontan una expansión rápida de la demanda eléctrica asociada a la inteligencia artificial. La Agencia Internacional de la Energía estima que el consumo de los centros de datos aumentó un 17% en 2025 y que las instalaciones centradas en IA crecieron todavía más deprisa. El organismo también señala que los grandes centros de IA pueden superar los 100 MW de potencia, una escala que convierte la disponibilidad energética en un criterio de localización y crecimiento.
Este desplazamiento altera la economía de la inferencia. El entrenamiento concentra grandes inversiones en periodos definidos, pero la ejecución diaria multiplica consultas, tokens procesados y tiempos de servicio. Cuando las aplicaciones pasan de pilotos internos a procesos comerciales, atención al cliente o análisis documental, el gasto depende de la utilización real, la memoria disponible, la energía por respuesta y la capacidad de mantener latencias estables.
Qualcomm presenta Dragonfly AI200 como una plataforma de inferencia a escala de rack centrada en capacidad de memoria y coste total de propiedad, mientras AI250 incorpora su primera generación de tecnología High Bandwidth Compute. Ambas forman parte de una hoja de ruta anual que ya incluye AI300, anunciado en junio de 2026. El alcance inicial del acuerdo se limita, sin embargo, a AI200 y AI250, sin detalles públicos sobre una adaptación posterior.
Las pruebas anticipan mejoras, pero faltan despliegues reales
Las dos compañías ya habían probado el enfoque en MWC Barcelona 2026 sobre Qualcomm Cloud AI 100 Ultra. En una demostración dedicada a elaborar informes médicos de emergencia en tiempo real, un modelo de lenguaje abierto y comprimido registró tiempos de respuesta hasta un 93% más rápidos frente al modelo base. El rendimiento aumentó hasta un 44%, el uso de memoria cayó hasta un 45% y el consumo energético disminuyó hasta un 21%, según las mediciones comunicadas por Multiverse Computing. La compañía sostiene que no hubo pérdida de precisión.
Una segunda prueba utilizó un chatbot RAG instalado en las dependencias del cliente para consultar documentación financiera confidencial. El sistema funcionó hasta un 35% más rápido, elevó el rendimiento hasta un 54% y redujo la memoria hasta un 45%. El ahorro energético llegó al 14%. El caso resulta relevante para empresas reguladas porque combina inferencia local, control del dato y reducción de recursos.
Los porcentajes proceden de demostraciones concretas y todavía no equivalen a un benchmark independiente y generalizable. El comportamiento de un modelo comprimido varía con su arquitectura, longitud de contexto, tamaño de lote, concurrencia, cuantización y software de servicio. Tampoco se han comunicado el modelo utilizado, la configuración completa ni el coste por consulta. La expectativa de obtener cifras superiores en AI200 y AI250 queda pendiente de validación en entornos de cliente.
La base técnica de Multiverse Computing es CompactifAI, una tecnología que utiliza redes tensoriales inspiradas en métodos cuánticos para reducir parámetros y memoria. Frente a técnicas que eliminan conexiones, destilan conocimiento o reducen precisión numérica, la compañía afirma que su método actúa sobre las correlaciones internas del modelo. Esa diferencia solo adquiere valor comercial cuando conserva calidad en tareas específicas y encaja en las herramientas de despliegue ya utilizadas por los operadores.
Qualcomm amplía su posición más allá del móvil
Para Qualcomm, el acuerdo acompaña una estrategia de diversificación que traslada al centro de datos parte de su experiencia en procesamiento de bajo consumo. La compañía ha construido durante años su posición en móviles, conectividad e IoT, mercados donde la relación entre rendimiento y energía define el diseño del chip. La inferencia introduce ahora restricciones parecidas en racks que deben funcionar de forma continua y dentro de límites térmicos y eléctricos ajustados.
Victor Gaspar, director comercial de Multiverse Computing, sitúa el valor del acuerdo en la combinación entre aceleración y compresión para mejorar «rendimiento, coste y eficiencia energética a gran escala». Dino Flore, vicepresidente de Tecnología de Qualcomm Europe, añade que la optimización deberá adaptarse a los modelos y casos de uso de cada cliente. Esa personalización puede favorecer proyectos complejos, aunque también eleva la necesidad de servicios técnicos y pruebas por versión.
La trayectoria de Cloud AI 100 Ultra aporta una referencia previa. Un estudio académico publicado en 2025 comparó este acelerador con configuraciones basadas en GPU Nvidia A100 para servir doce modelos de lenguaje. Los resultados mostraron ventajas de eficiencia energética en determinados tamaños y configuraciones, además de una asignación de hardware más granular. La comparación no anticipa el rendimiento de Dragonfly, pero respalda la orientación de Qualcomm hacia una arquitectura especializada en inferencia.
El ahorro dependerá del modelo y de la operación
Para los responsables de infraestructura, la promesa más inmediata reside en aplazar ampliaciones. Liberar memoria o elevar el rendimiento por acelerador puede reducir compras adicionales, ocupación de rack, refrigeración y potencia reservada. También puede mejorar la viabilidad de despliegues privados, donde una empresa trabaja con información sensible y carece de la elasticidad de una nube pública.
Quedan abiertas varias variables comerciales. Las compañías no han informado de clientes iniciales, fechas de disponibilidad, catálogo de modelos optimizados, licencias ni objetivos de precio. Tampoco han explicado si la especialización se distribuirá como modelos precomprimidos, como servicio de adaptación o mediante una herramienta integrada en la plataforma de Qualcomm. Cada opción reparte de forma distinta el coste, la dependencia tecnológica y la responsabilidad sobre la calidad.
La colaboración encaja en un cambio más amplio del mercado: el rendimiento bruto ya no basta para decidir una arquitectura de IA. Los operadores empiezan a medir cuántas respuestas obtienen por vatio, por unidad de memoria y por euro invertido, mientras la red eléctrica y los plazos de construcción limitan la expansión física. La oportunidad dependerá de convertir las mejoras mostradas en Barcelona en resultados repetibles, auditables y sostenidos durante la vida útil de modelos que cambian con rapidez.
