El 30 de septiembre y 1 de octubre, Cancún será el punto de encuentro para las más recientes innovaciones en infraestructura tecnológica e inteligencia artificial en Latinoamérica con la llegada de DCD>Compute. El evento se llevará a cabo junto con DCD>Connect en el Barceló Maya Grand Resort.

DCD>Compute estará enfocado en los ámbitos de cómputo, almacenamiento y redes, reuniendo a figuras clave del ecosistema tecnológico regional: desde hyperscalers y líderes de TI corporativa hasta proveedores de soluciones especializadas.

La agenda de contenidos incluye el panel “AI Factories y la nueva era de la generación de conocimiento”, con la participación de Alejandro Jiménez, Account Manager Enterprise en NVIDIA; Selene Diez Reyes, CEO & Founder de Forte Innovation; Alberto Muñoz, Research Director en el Tecnológico de Monterrey; Verónica Viniegra, CEO de MAYIA Edgenet; y Mario Fraga, CIO de Banco Azteca.

En este panel, los expertos discutirán cómo las AI Factories pueden transformar la innovación, la investigación y la toma de decisiones en empresas y academia.

Haga clic aquí para ver la agenda del evento y aquí para completar su registro.

DCD entrevistó a Mario Fraga antes de su participación en el evento.

¿Por qué es relevante hablar de data centers “AI ready” y qué diferencia a esta infraestructura de un data center tradicional?

Los data centers “AI ready” no son simplemente una evolución tecnológica, sino una transformación estructural. A diferencia de los centros tradicionales, estos están diseñados para manejar cargas de trabajo intensivas en cómputo, como el entrenamiento de modelos de IA de gran escala. Esto implica arquitecturas con GPUs, redes de ultraalta velocidad, almacenamiento distribuido y eficiencia energética optimizada.

En la industria financiera, la diferencia entre un data center tradicional y uno “AI ready” es crítica. Los modelos de IA que usamos para detección de fraude, scoring crediticio o análisis de riesgo requieren procesamiento paralelo masivo, baja latencia y arquitecturas optimizadas para entrenamiento y despliegue.

¿Cuál es el rol de las empresas en garantizar que la innovación con IA también contribuya al desarrollo de talento local y no solo a la adopción tecnológica?

Las empresas tienen una responsabilidad estratégica: no solo adoptar IA, sino cultivar talento local que pueda diseñarla, operarla y evolucionarla. Esto implica invertir en programas de formación, colaborar con universidades y abrir espacios para que el talento latinoamericano participe en proyectos reales. Si solo importamos tecnología sin desarrollar capacidades internas, corremos el riesgo de depender de soluciones externas y perder soberanía tecnológica.

Las AI Factories deben ser también fábricas de talento, donde el conocimiento se genera, se comparte y se escala desde nuestras propias comunidades. En finanzas, la adopción de IA sin talento local es una receta para la dependencia tecnológica. Las empresas deben construir AI Factories que no solo procesen datos, sino que formen talento: ingenieros de datos, arquitectos de modelos, especialistas en MLOps.

¿Qué retos ve en la adopción de IA a escala en la industria financiera en México y cómo podrían superarse?

En la industria financiera mexicana, uno de los principales retos para escalar IA es la heterogeneidad de los sistemas core. Muchos bancos operan con arquitecturas legacy que no están diseñadas para integrarse con pipelines de IA modernos, lo que limita la capacidad de orquestar modelos en tiempo real y de forma segura.

Otro desafío crítico es la gobernanza de datos. La calidad, trazabilidad y disponibilidad de datos financieros —especialmente en ambientes regulados— es fundamental para entrenar modelos robustos. Sin una estrategia clara de data lineage y catalogación, la IA se vuelve frágil y difícil de auditar.

Además, enfrentamos una limitación de infraestructura especializada. Aunque hay avances, aún falta capacidad instalada con aceleradores optimizados para cargas de IA, como GPUs de última generación, redes de baja latencia y almacenamiento distribuido.

Para superar estos retos, es clave adoptar una estrategia de modernización progresiva, basada en contenedores, microservicios y APIs abiertas, que permita desacoplar los sistemas legacy y habilitar entornos híbridos. También es fundamental invertir en AI Factories locales, que integren infraestructura, talento y gobernanza, y que estén alineadas con los marcos regulatorios mexicanos.

Finalmente, la colaboración entre bancos, fintechs y reguladores puede acelerar la adopción responsable de IA, fomentando estándares comunes y compartiendo buenas prácticas en seguridad, explicabilidad y eficiencia operativa.

¿Cómo se están abordando la eficiencia energética y la sostenibilidad en los data centers “AI ready”?

La sostenibilidad es un eje crítico. Los modelos de IA consumen enormes cantidades de energía, por lo que los data centers "AI ready" deben incorporar tecnologías como refrigeración líquida, energías renovables, y optimización de cargas mediante algoritmos inteligentes. También es clave el diseño modular, que permite escalar sin desperdiciar recursos. La eficiencia energética no solo es una responsabilidad ambiental, sino también una ventaja competitiva en costos operativos.

En los servicios financieros, la eficiencia energética no es solo una preocupación ambiental, es una variable de costo y cumplimiento. Los modelos de IA que usamos para simulaciones de riesgo o análisis de portafolios pueden consumir teravatios-hora si no se optimizan. La sostenibilidad debe estar embebida en el diseño de la infraestructura, no añadida como parche.