Durante años, la evolución operativa de las telecomunicaciones ha seguido un patrón reconocible. Cada nueva capa tecnológica prometía simplificar la gestión de la red, reducir costes y acelerar la introducción de servicios. La virtualización, el cloud y más recientemente el 5G se presentaron como palancas para transformar operaciones rígidas en sistemas flexibles. Sin embargo, esa promesa ha convivido con una realidad menos favorable, marcada por un incremento sostenido de la complejidad operativa, una fragmentación creciente del ecosistema tecnológico y una dependencia cada vez mayor de proveedores externos.
Un nuevo informe de NGMN (Cloud-Native Next Chapter – Agentic AI-Based Operating Models) introduce un cambio de enfoque que no puede interpretarse como una simple extensión de esa trayectoria. Propone la transición hacia modelos operativos basados en inteligencia artificial (IA) con capacidad de actuación autónoma, lo que implica desplazar el centro de gravedad de la operación desde la ejecución de procesos hacia la toma de decisiones. Este matiz es relevante porque redefine la naturaleza misma de la operación de red. La automatización tradicional se limitaba a ejecutar secuencias predefinidas. Los sistemas basados en Agentic AI, por el contrario, interpretan objetivos, priorizan acciones y ajustan su comportamiento en función del contexto.
Este desplazamiento responde a una presión estructural que el propio informe describe con claridad. La proliferación de funciones cloud-native, la coexistencia de múltiples proveedores, la distribución de la red entre core, edge y acceso, y el volumen creciente de datos operativos han generado un entorno en el que la intervención humana deja de ser escalable. En este contexto, la IA deja de ser un elemento de optimización para convertirse en un requisito operativo.
La evolución propuesta se articula en distintos niveles de madurez que van desde el uso asistido de IAl hasta la operación autónoma en bucle cerrado. En las primeras fases, la IA actúa como copiloto, facilitando tareas como la generación de documentación o el análisis de incidencias. A medida que se avanza, su rol se amplía hacia la recomendación de acciones y, posteriormente, hacia la ejecución directa de decisiones operativas. En los niveles más avanzados, los sistemas son capaces de identificar anomalías, diagnosticar causas y aplicar correcciones sin intervención humana directa .
Lo relevante de esta progresión no es únicamente el grado de automatización alcanzado, sino el cambio en la distribución del control. Cuando la red incorpora sistemas capaces de actuar de forma autónoma, la operación deja de ser un conjunto de procedimientos supervisados y pasa a convertirse en un sistema dinámico gobernado por modelos. Esto introduce una nueva capa de dependencia que no está relacionada con la infraestructura física, sino con la lógica que determina cómo se toman las decisiones.
El propio informe reconoce esta implicación al enfatizar la necesidad de mecanismos de gobernanza, trazabilidad y control sobre los modelos de IA. La introducción de elementos como auditorías, control de versiones, políticas de uso o supervisión humana no responde únicamente a requisitos regulatorios, sino a la necesidad de mantener cierto grado de control sobre sistemas cuyo comportamiento no es completamente determinista . Este punto es crítico porque evidencia que la adopción de estos modelos implica ceder parte del control operativo a sistemas que requieren ser monitorizados, pero no siempre pueden ser plenamente anticipados.
Desde una perspectiva estratégica, este cambio tiene implicaciones que van más allá de la eficiencia operativa. La historia reciente del sector muestra que la mejora en la eficiencia no se traduce automáticamente en captura de valor. La virtualización permitió reducir costes, pero también facilitó la entrada de nuevos actores en la cadena de valor. El cloud introdujo flexibilidad, pero consolidó el poder de los hyperscalers. La IA corre el riesgo de seguir una trayectoria similar si los operadores no definen con claridad su posición en este nuevo modelo.
El informe apunta a nuevas oportunidades, como la oferta de capacidades de IA como servicio, la optimización dinámica de recursos de red o la creación de plataformas abiertas para desarrolladores. Sin embargo, estos espacios ya están siendo ocupados por actores con una posición consolidada en el desarrollo de modelos, plataformas y ecosistemas de software. Esto obliga a los operadores a competir en un terreno donde su ventaja tradicional, basada en la infraestructura, pierde relevancia frente a la capacidad de gestionar y explotar inteligencia.
La transformación descrita también afecta a la organización interna. La transición hacia modelos operativos basados en IA implica redefinir roles, procesos y estructuras. Los equipos de operaciones evolucionan desde funciones centradas en la ejecución hacia funciones orientadas a la supervisión, validación y diseño de sistemas automatizados. Aparecen nuevos perfiles especializados en la gestión del ciclo de vida de modelos, la calidad de los datos o la supervisión de sistemas autónomos. Este cambio no es trivial, ya que requiere una adaptación cultural que históricamente ha sido lenta en el sector.
En última instancia, lo que está en juego no es la adopción de una tecnología concreta, sino la redefinición del modelo operativo de la industria. La red deja de ser un sistema que se gestiona para convertirse en un sistema que se gobierna indirectamente a través de modelos. En ese contexto, la capacidad de influir sobre cómo se diseñan, entrenan y operan esos modelos será determinante para definir quién captura el valor en la próxima fase del sector.
