Columna publicada originalmente en el sitio web del Centro Argentino de Ingenieros.
Por la Ing. Marina Rosso Siverino, presidenta de la Comisión de Tecnología, Innovación y Transformación Digital del CAI. Segunda entrega de la serie sobre Inteligencia Artificial y redes de nueva generación.
En una nota anterior planteamos que la Inteligencia Artificial (IA) dejó de ser una ventaja competitiva para convertirse en una condición de supervivencia operativa en las redes de nueva generación. Ninguna red puede gestionar hoy, con métodos tradicionales de ingeniería, la combinación de tráfico crítico, miles de sensores IoT y transmisión en tiempo real que exige la infraestructura actual, y mucho menos hacerlo dentro de un presupuesto de OPEX y consumo energético sostenible.
La respuesta pasa por sistemas de “bucle cerrado” que se autoconfiguran, detectan degradaciones antes de que el usuario las note y se autorreparan, mediante una combinación de machine learning y deep learning para la predicción, y reinforcement learning para tomar decisiones en tiempo real. A eso se suman la IA generativa como asistente de los ingenieros y los sistemas expertos que automatizan reglas básicas.
Ese diagnóstico tiene un correlato institucional concreto. En el Mobile World Congress de Barcelona de marzo de 2026, GSMA lanzó Open Telco AI, una alianza que reúne a operadores, proveedores de infraestructura, desarrolladores de IA e instituciones académicas con un objetivo puntual: construir modelos de IA entrenados específicamente para el negocio de las telecomunicaciones, una “IA de grado operador”, en lugar de seguir dependiendo de modelos genéricos de propósito general.
El diagnóstico de la organización contempla que los modelos de IA más avanzados del mercado no están mejorando mucho en analizar estándares 3GPP, resolver problemas de RAN o manejar la complejidad específica del dominio que exige una red autónoma. En definitiva, solo el 16% de las implementaciones de GenAI en telcos se aplica efectivamente a la red; el grueso se concentra en atención al cliente, marketing y funciones de back-office, es decir, en la periferia del negocio y no en su núcleo de valor.
La brecha también se refleja en el destino económico de la inversión. Un relevamiento de GSMA Intelligence sobre 700 operadores registró que apenas entre 15% y 20% de los despliegues de IA ya tenía un objetivo de ingresos externos; el resto seguía orientado a costos y eficiencias. En América Latina, sobre 57 despliegues acumulados, 91% perseguía objetivos internos y solo 9% apuntaba a productos o ingresos. El negocio existe, pero todavía está mucho más cerca del ahorro que de una nueva línea de facturación.
El verdadero argumento de fondo: quién se queda con el margen
Louis Powell, director de Tecnologías de IA de GSMA, señaló públicamente que es muy difícil para los telcos monetizar la IA si no pueden hacerla ellos mismos. En otras palabras, sin capacidad propia de desarrollo, las telcos quedan como consumidores de tecnología ajena, sin margen para construir servicios diferenciados ni nuevas líneas de ingreso. La respuesta de la organización es Open Telco AI, que combina modelos abiertos aportados por distintos actores, además de una biblioteca de datos abierta y un tablero de clasificación (leaderboard) público de benchmarking. Vale la pena detenerse en qué es cada uno de estos modelos, porque ilustran de forma concreta qué significa “IA hecha a medida del telco”:
- OTel, de AT&T. Es el modelo insignia de la iniciativa y encabeza el leaderboard de Open Telco AI. La versión más reciente, OTel 2.0, es un modelo de lenguaje de 31.000 millones de parámetros, con cerca de 400.000 millones de tokens específicos de telecomunicaciones -seleccionados de más de un billón procesados-, que combinan documentación de estándares de siete organismos (3GPP, ETSI, GSMA, CAMARA, ITU, O-RAN y TM Forum) con datos propios de AT&T desarrollados junto a Red Hat, Dell, Microsoft Azure y AMD. Su primera versión, OTel 1.0, ya venía entrenada con datos de GSMA; la mejora central de la 2.0 es demostrar que un modelo “adaptado al dominio” puede ser mucho más chico que los modelos generalistas y aun así ser más preciso en tareas como troubleshooting de red, configuración y desarrollo de producto, con el consiguiente ahorro en costos de cómputo e inferencia.
- TeleLogs, de Huawei. Se trata de un conjunto de datos sintéticos creado por el equipo NetOp del Huawei Paris Research Center para entrenar y evaluar modelos de lenguaje en el diagnóstico automático de fallas en redes 5G. Simula pruebas de campo (drive tests) con parámetros de estaciones base, antenas y beamforming, junto a métricas de usuario. Es, en otras palabras, el material de estudio con el que un modelo aprende a distinguir por qué una red específica está fallando, y ya se usa en el leaderboard de Open Telco AI de GSMA.
- El Large Telco Model (LTM), de Nvidia y AdaptKey AI. Es un modelo de 30.000 millones de parámetros construido sobre la familia Nemotron 3 de Nvidia, que la consultora AdaptKey AI ajustó con datasets abiertos de telecomunicaciones, incluyendo estándares de la industria y registros de red sintéticos. Está pensado específicamente para tareas de redes autónomas: detectar fallas en entornos con múltiples capas y proveedores, planificar incluso rutas de reversión y validar el impacto de un cambio antes y después de aplicarlo. Su valor diferencial es que los operadores tienen visibilidad completa del proceso de entrenamiento y pueden reajustarlo con sus propios datos operativos sin exponerlos a terceros.
Los propios benchmarks, sin embargo, ponen un límite concreto al entusiasmo: en TeleYAML, la prueba que traduce instrucciones en configuraciones válidas de red, los mejores modelos obtuvieron menos de 30 puntos. GSMA concluye que, por ahora, el camino más seguro no es delegar el control a un único LLM, sino combinar modelos fundacionales con componentes especializados, validaciones de esquema y supervisión humana. Para infraestructura crítica, la precisión debe medirse por tarea y no por la elocuencia general del modelo.
Los números de adopción acompañan el giro hacia lo abierto: según una encuesta de Nvidia de 2026, el 89% de los operadores considera clave el código abierto en su estrategia de IA (contra 40% en 2025), y un 42% ya planea desarrollar soluciones internamente. SoftBank y China Telecom, que usan los benchmarks de GSMA para evaluar sus propios modelos, completan el cuadro de una iniciativa que dejó de ser meramente declarativa. El propio Mobile World Congress 2026 sirvió de vidriera de ese salto de la demo a la implementación: operadores como Orange, Deutsche Telekom y T-Mobile mostraron IA ya integrada en sus redes en vivo, no como prueba de concepto.
El incentivo operativo también es cuantificable. Los operadores consumieron cerca de 290 TWh de electricidad en 2023 -alrededor de 1% del consumo mundial- y, para la mayoría, las redes explicaron más de tres cuartas partes del uso eléctrico. En una muestra de 19 operadores, la intensidad energética por unidad de datos cayó entre 10% y 30% anual entre 2019 y 2023. Pero GSMA advierte que la densificación 5G puede elevar el consumo total aun con equipos más eficientes; de allí el valor de funciones como modos de reposo optimizados por IA y el apagado dinámico de capacidad ociosa.
La otra cara: la brecha entre el discurso y la sala de máquinas
Medida con una taxonomía común, la brecha es menos anecdótica y más visible. Una encuesta global de TM Forum de 2025 ubicó apenas al 4% de los participantes en el nivel 4 de autonomía; 17% se declaró en el nivel 3, 31% en el nivel 2, 36% en el nivel 1 y 12% en el nivel 0. En ese relevamiento, las metas declaradas para 2026 eran mucho más ambiciosas: 23% esperaba alcanzar el nivel 4 y 46% el nivel 3. La distancia entre estado actual y objetivo confirma que el principal obstáculo no es la disponibilidad de modelos, sino la base sobre la que deben operar: BSS/OSS heredados y fragmentados, inventarios desactualizados, datos sin contexto común y resistencia a reemplazar lo existente. Sin resolver esa base, ningún modelo de IA puede rendir lo que promete.
Una lectura argentina: escala y concentración
En la Argentina, el desafío ya dejó de ser abstracto. ENACOM registró 1.887 sitios 5G al cierre de 2025, frente a 1.190 seis meses antes: un crecimiento cercano al 59%. Pero 1.306 sitios -el 69%- estaban concentrados en la Ciudad y la provincia de Buenos Aires; Córdoba y Santa Fe sumaban otros 249. Esa asimetría importa: entrenar y operar IA de red no consiste solo en optimizar los nodos de mayor tráfico, sino en sostener calidad, energía y mantenimiento predictivo sobre geografías, densidades y enlaces de transporte muy distintos. Para los operadores locales, la ventaja no vendrá de copiar un modelo global, sino de ajustarlo con datos propios y con una gobernanza que asegure que cada recomendación automatizada sea trazable, reversible y segura.
La oportunidad de negocio que plantea GSMA tiene fundamentos: sin modelos propios, los operadores corren el riesgo de repetir con la IA lo que ya vivieron con la nube, cediendo el control y el margen a terceros. Pero esa oportunidad depende de que las telcos primero ordenen su infraestructura interna y resistan la tentación de vender autonomía que todavía no tienen. Como quedó señalado en nuestro artículo anterior, la condición de fondo sigue siendo la misma: antes de que la IA pueda desplegarse masivamente sobre infraestructura crítica, tiene que “hablar el idioma telco” con la precisión y la seguridad operacional que ese idioma exige. La pregunta que le queda a la industria no es si la IA va a transformar el negocio de las telecomunicaciones, sino quién va a capturar ese valor: los operadores que inviertan en capacidad propia, o los hyperscalers que ya la tienen.
Fountain: CAI