La promesa de una red que no solo transporta datos, sino que también razona sobre ellos, ha sido durante mucho tiempo más narrativa que realidad. Sin embargo, SoftBank acaba de dar un paso importante para que la inteligencia artificial (IA) comience a habitar —y modificar— el corazón técnico del acceso radiofónico.
En una reciente demostración en su red comercial, el operador japonés aplicó modelos AI del tipo Transformer —la arquitectura que revolucionó la generación de texto— al procesamiento de señales 5G. El resultado: un incremento de aproximadamente 30 por ciento en el rendimiento del canal de subida, con latencias inferiores al umbral de un milisegundo exigido por los estándares 5G. Por primera vez, un modelo de inferencia de alto rendimiento no solo fue capaz de operar en tiempo real sobre la red, sino también de superar en eficacia a métodos tradicionales y a versiones anteriores basadas en redes convolucionales (CNN, por sus siglas en inglés).
El hito no es menor. Tradicionalmente, mejorar la precisión de los modelos de IA ha implicado sacrificar velocidad, algo inaceptable en entornos RAN donde cada microsegundo cuenta. SoftBank asegura haber resuelto esa tensión con una arquitectura ligera y eficiente que aprovecha las capacidades de autoatención de los Transformers para captar patrones complejos en el dominio tiempo-frecuencia. El resultado es doble: mayor throughput y menor latencia.
Esto no ocurre en el vacío. SoftBank es uno de los miembros fundadores más activos de la AI-RAN Alliance, una iniciativa global lanzada en 2024 para explorar cómo la IA puede integrarse estructuralmente en las redes de acceso. Con más de 100 miembros —incluyendo a Vodafone, Samsung, Nokia, Ericsson, Arm y Nvidia—, la alianza impulsa casos de uso que van desde la optimización de cobertura hasta la inferencia compartida en el borde. La filosofía de fondo es clara y si los ingresos no escalan, que al menos lo hagan la eficiencia y la inteligencia.
El trabajo de SoftBank se inscribe dentro de lo que la industria ha empezado a denominar “AI for RAN”, es decir, el uso de modelos de IA para mejorar procesos físicos dentro de la red —como la estimación de canal, la predicción de señales SRS o la demodulación—. Es un enfoque distinto de otros más abstractos o arquitectónicos (como el “AI-on-RAN” o el “AI-and-RAN”) que buscan compartir infraestructura o habilitar servicios nuevos sobre la red.
En simulaciones adicionales, el modelo Transformer también duplicó las mejoras de throughput en canales de bajada respecto a arquitecturas anteriores, especialmente en escenarios con terminales en movimiento. Más allá de las cifras, el concepto que emerge es potente porque implica en modelos IA generalistas, como el Transformer, adaptados para múltiples funciones dentro del RAN con solo pequeños cambios en su capa de salida. Si se consolida este enfoque, el diseño de redes podría moverse hacia una lógica más unificada, en la que la inteligencia no se entrena por función, sino por entorno.
Aún así, el despliegue comercial no será inmediato. Las pruebas de SoftBank son técnicamente sobresalientes, pero no despejan por completo las dudas sobre escalabilidad, coste y compatibilidad con redes legacy. Como señalaba el informe de Dell’Oro Group, el AI-RAN será en el corto plazo una herramienta de eficiencia, no una fuente directa de nuevos ingresos. Y aunque se proyecta que representará hasta un tercio del mercado RAN en 2029, su adopción será incremental y liderada por quienes puedan integrar estas capacidades sobre bases ya instaladas.
Lo que sí parece claro es que el acceso radiofónico ya no se diseñará solo con silicio y espectro. La IA ha cruzado el umbral de la capa física, y operadores como SoftBank están probando que la inteligencia —aunque todavía no autónoma— ya puede comenzar a sumar rendimiento. Si eso justifica o no el nuevo esfuerzo inversor dependerá de cuán lejos puedan llevar estos modelos sin romper la promesa de latencias ultra bajas.
