LinkedIn congela su capacidad de cómputo: un año sin ampliar centros de datos

LinkedIn no ampliará sus centros de datos durante el próximo año y mantendrá su capacidad de cómputo en el nivel actual, pese al auge de la inteligencia artificial. En lugar de comprar hardware nuevo, la compañía exige a sus ingenieros que aprovechen mejor cada GPU que ya tienen. Así lo informa Wired.

Qué ha decidido exactamente LinkedIn

LinkedIn ha fijado su capacidad de cómputo en el nivel actual: durante los próximos 12 meses la compañía no planea ampliar sus centros de datos ni aumentar su parque de aceleradores. El crecimiento de la infraestructura se pone en pausa justo cuando casi toda la industria lo acelera.

La decisión no responde a una caída de la demanda, sino a una estrategia deliberada. Según Wired, en lugar de invertir capital en nuevos servidores, LinkedIn apuesta por la eficiencia y obliga a sus equipos a sacar el máximo partido a las GPU ya instaladas.

• La capacidad de cómputo se congela durante aproximadamente un año, sin ampliar los centros de datos
• El parque de GPU se mantiene en su nivel actual y no se prevén nuevas compras importantes
• El motivo no es una caída de la demanda, sino una apuesta consciente por la eficiencia pese al auge de la IA
• LinkedIn pertenece a Microsoft, uno de los mayores inversores en infraestructura de IA
• La fuente de los datos es un reportaje de Wired

Por qué la compañía no aumenta su hardware

LinkedIn elige la eficiencia en lugar del gasto de capital: en vez de comprar nuevos aceleradores para sus crecientes funciones de IA, la compañía optimiza el uso de los que ya están en sus centros de datos. La lógica es sencilla: cada GPU debe aportar el máximo valor antes de que esté justificada la compra de la siguiente. En la industria se conoce este régimen como «hacer más con menos», y para los equipos de IA significa competir por un pool de cómputo limitado, no creciente.

Este enfoque va contra la tendencia general. Mientras las mayores tecnológicas y proveedores de nube destinan cifras récord a centros de datos e infraestructura de IA, LinkedIn mantiene deliberadamente su gasto en cómputo en el mismo nivel. Para una plataforma que integra IA generativa en el feed, la búsqueda y las recomendaciones, la elección no es trivial: la demanda de cómputo crece, pero la capacidad no.

La matriz refuerza el contraste. LinkedIn pertenece a Microsoft desde 2016, y esta, por el contrario, anunció unos 80.000 millones de dólares en inversiones de capital en centros de datos de IA para el año fiscal 2025. En ese contexto, la decisión de la filial de mantener sin cambios su propia capacidad parece un contramovimiento deliberado: no todos los nodos del ecosistema tienen que participar en la carrera por el hardware.

«LinkedIn mantiene la línea en el gasto de cómputo y lanza a sus ingenieros el reto de lograr que cada GPU trabaje a pleno rendimiento», resume

Wired la esencia de la estrategia.

Qué cambiará para los ingenieros

La carga principal recae en los equipos de ingeniería: como no habrá nuevas GPU, todo el crecimiento de las funciones de IA tendrá que salir de la optimización. En la práctica, esto significa una utilización más intensiva de los aceleradores, un ajuste fino de los modelos al hardware disponible y una prioridad estricta para las tareas que realmente aportan valor.

No se trata de funciones secundarias: LinkedIn integra IA generativa en asistentes para reclutadores, sugerencias para redactar publicaciones y personalización del feed para más de 1.000 millones de usuarios registrados. Atender una carga de IA creciente de esa escala con un parque fijo de GPU es precisamente la esencia del reto que se ha planteado a los ingenieros.

En la práctica, LinkedIn convierte una restricción en un desafío de ingeniería. En lugar del habitual «compremos más capacidad», los equipos deben localizar dónde se desperdicia cómputo y reescribir los pipelines para lograr el mismo resultado con menos horas de GPU.

Qué significa

La estrategia de LinkedIn es una señal de que, incluso en pleno apogeo de la carrera de la IA, los grandes actores están dispuestos a apostar por la eficiencia y no solo por la escala. Si el modelo de «capacidad fija más optimización» funciona, será un argumento de peso contra la carrera interminable del gasto de capital en centros de datos, y un ejemplo para otras compañías cuyo presupuesto no les permite comprar GPU sin límite.