Dos startups están desarrollando un modelo de negocio que aprovecha la capacidad de procesamiento no utilizada en ordenadores de escritorio alrededor del mundo para ofrecer infraestructura de inferencia de inteligencia artificial a empresas que buscan alternativas a los centros de datos tradicionales.
Far Labs, con sede en Abu Dabi, y Evolving Edge, basada en Austin, Texas, operan bajo una lógica similar a la economía colaborativa: conectan propietarios de hardware con capacidad ociosa —particulares o empresas— con organizaciones que necesitan ejecutar inferencias de modelos de IA sin depender de grandes instalaciones centralizadas. La inferencia, a diferencia del entrenamiento, no requiere miles de GPUs sincronizadas en un mismo espacio físico, lo que hace técnicamente viable su distribución en una red descentralizada.
Por qué el modelo distribuido gana tracción
La presión sobre los centros de datos convencionales es creciente. La expansión acelerada de plataformas como ChatGPT y otros sistemas de IA conversacional ha disparado la demanda de recursos computacionales, generando efectos colaterales documentados en comunidades locales: incremento en tarifas eléctricas, consumo intensivo de agua para refrigeración, contaminación acústica y emisiones. Frente a ese escenario, la computación distribuida emerge como una vía para desconcentrar la carga sin sacrificar capacidad operativa.
Ambas plataformas se enfocan exclusivamente en modelos pequeños y de código abierto, lo que delimita su alcance pero también reduce la complejidad técnica de implementación. La seguridad del hardware anfitrión se gestiona mediante entornos aislados (sandbox), comunicación cifrada y restricciones estrictas sobre el acceso a recursos del dispositivo.
Estado operativo y métricas clave
Evolving Edge se encuentra en una etapa más avanzada: opera una beta abierta y utiliza Ray, un marco de trabajo de código abierto ampliamente adoptado en centros de datos tradicionales, para distribuir tareas de forma eficiente. Según su fundador, John Federico, la red puede mantener operaciones incluso si pierde hasta 100 de sus 250,000 nodos activos, lo que le confiere una resiliencia estructural superior a la de infraestructuras centralizadas ante fallos parciales.
Far Labs, por su parte, aún no ha lanzado su producto —denominado Far AI— al mercado, aunque proyecta una latencia de 100 milisegundos o menos en sus operaciones de inferencia. La compañía estima ingresos mensuales para los propietarios de hardware participantes y un retorno significativo sobre el costo de electricidad invertido.
Implicaciones para la estrategia de infraestructura de IA
Para organizaciones que ya ejecutan o planean escalar cargas de inferencia, este modelo plantea una disyuntiva concreta: la infraestructura distribuida puede reducir la dependencia de proveedores de nube centralizados y ofrecer mayor flexibilidad geográfica, pero introduce variables de latencia, consistencia y cumplimiento normativo que deben evaluarse con rigor antes de cualquier adopción.
El modelo aún está en fases tempranas y las promesas de rendimiento de ambas compañías no han sido validadas a escala. La madurez operativa de Evolving Edge frente al estado pre-lanzamiento de Far Labs ilustra la brecha que aún existe entre la propuesta conceptual y la viabilidad comprobada en entornos de producción.
