Crecimiento del tráfico WAN por IA: Nokia 2034

Tabla de contenidos

• 1. Nokia prevé un fuerte aumento del tráfico WAN
• 2. Proyección de crecimiento del tráfico WAN para 2034
• 3. Impacto de la inteligencia artificial en el tráfico global
• 4. Características del tráfico generado por inteligencia artificial
• 5. Diferencias entre inferencia y entrenamiento en IA
• 6. Crecimiento del tráfico de IA agentic
• 7. Requerimientos de infraestructura para la inferencia de IA
• 8. Desafíos y oportunidades para los operadores de red
• 9. Implicaciones de seguridad en el tráfico de IA
• 10. Conclusiones sobre el futuro del tráfico WAN
• 11. El futuro del tráfico WAN impulsado por la inteligencia artificial
• 11.1 Transformaciones en la infraestructura digital

---

Nokia prevé un fuerte aumento del tráfico WAN

Demanda de red impulsada por IA
Este pronóstico no va solo de “más ancho de banda”: describe una nueva ola de demanda donde la IA (especialmente la inferencia y los agentes) multiplica interacciones, llamadas a APIs y sincronización entre nubes/regiones. A diferencia de olas como video o SaaS —más concentradas en el borde— aquí el tráfico tiende a propagarse por varias capas (usuario→app→modelo→datos→replicación), y eso cambia qué enlaces se saturan primero y qué métricas importan.
Nota de contexto: el horizonte es 2034 y las cifras se presentan como proyecciones/estimaciones; el valor práctico está en entender patrones (corredores, latencia, DCI) más que en tomar un único número como destino fijo.

• Nokia proyecta que el tráfico de redes WAN podría crecer hasta un 700% hacia 2034, impulsado principalmente por cargas de trabajo de IA.
• La compañía estima que la IA podría representar cerca del 30% del tráfico global hacia 2034.
• El gran motor no sería el entrenamiento, sino la inferencia: en tiempo real, sensible a la latencia y cada vez más distribuida.
• La IA “agentic” (agentes autónomos) añade una nueva capa: flujos agente-a-agente y replicación constante de datos entre nubes y regiones.

Proyección de crecimiento del tráfico WAN para 2034

La previsión de Nokia sitúa a la red de área amplia (WAN) ante un cambio de escala: el tráfico podría aumentar para 2034, un salto que no se explica solo por el crecimiento “natural” de internet, sino por la expansión acelerada de cargas de trabajo de inteligencia artificial. En otras palabras, la IA no sería un nuevo tipo de aplicación más, sino un multiplicador de demanda que empuja datos a circular por más rutas, con más frecuencia y con requisitos más estrictos.

Proyecciones de tráfico WAN 2034

En estimaciones citadas en el entorno del informe, el tráfico WAN global pasaría de alrededor de 500 exabytes (EB) al mes en 2024 a un rango de 2.277 a 4.878 EB al mes en 2034, lo que equivale a un crecimiento aproximado de 300% a 700% en la década, según cifras que circulan alrededor del reporte y su cobertura. Ese rango amplio refleja incertidumbre: no todas las industrias adoptarán IA al mismo ritmo, ni todas las arquitecturas de despliegue generarán el mismo patrón de tráfico.

La clave del pronóstico es que la IA no se comporta como olas anteriores —video, SaaS o migración a la nube— que, aunque masivas, tendían a concentrar el aumento en el “borde” (usuarios consumiendo contenido o aplicaciones). En IA, el tráfico se “reproduce”: una interacción humana puede disparar llamadas a APIs de modelos, consultas a bases de datos, sincronizaciones entre regiones y, cada vez más, conversaciones entre agentes autónomos.

Además, Nokia y voces del sector advierten que el crecimiento no será homogéneo. Algunas rutas —en especial las que conectan hubs de centros de datos de IA— podrían ver incrementos de 10 veces o más, mientras otras zonas experimentarían cambios modestos. Esto introduce un reto operativo: no basta con “subir capacidad” de forma general; habrá que identificar corredores críticos y anticipar cuellos de botella.

Impacto de la inteligencia artificial en el tráfico global

Señales clave del tráfico IA
Tres señales concretas (y por qué importan) cuando se habla de “IA = 30% del tráfico”:
– Corredores con crecimiento desproporcionado: se anticipan rutas entre hubs de centros de datos de IA con aumentos de 10x o más, lo que sugiere que el problema inicial no será “internet en general”, sino enlaces específicos (interconnect/DCI).
– Evidencia temprana en el mercado: Cameron Daniel (CTO de Megaport) indica que algunos corredores de IA ya han visto crecimientos de varios cientos por ciento en los últimos 24 meses, una pista de que el patrón de concentración ya está apareciendo.
– Métricas de experiencia que se vuelven de red: en inferencia, métricas como time-to-first-token se vuelven relevantes porque, cuando usuario/datos/modelo están separados, la latencia y el jitter de la WAN pasan a afectar el “arranque” de la respuesta.

Nokia estima que la IA podría representar 30% de todo el tráfico global hacia 2034. La cifra es relevante no solo por el volumen, sino por lo que implica: una porción sustancial de la red estaría condicionada por patrones de uso y exigencias técnicas propias de la IA, distintas a las del consumo de video o la navegación web.

Cameron Daniel, CTO del proveedor de network-as-a-service Megaport, lo resume con una frase que apunta a la naturaleza transversal del fenómeno: “AI adds traffic everywhere” (“la IA añade tráfico en todas partes”). Su argumento es que, a diferencia de olas previas que sumaban demanda en puntos concretos, la IA empuja tráfico a través de todas las capas de la infraestructura digital: desde el usuario hasta la aplicación, de la aplicación al modelo, del modelo a datos corporativos, y de ahí a replicación y sincronización entre nubes y regiones.

Ese “efecto compuesto” se alimenta de varios mecanismos:

• Interacciones usuario–IA: cada consulta o tarea genera intercambio de datos y respuestas, con sensibilidad a la latencia.
• Llamadas a APIs de modelos: aplicaciones que integran modelos (propios o de terceros) multiplican el número de transacciones.
• Flujos de trabajo agente-a-agente: agentes que coordinan acciones con otros sistemas y otros agentes, elevando el tráfico máquina-a-máquina.
• Replicación de datos: para disponibilidad, cumplimiento o rendimiento, los datos se copian entre regiones y nubes, aumentando el tráfico este-oeste.

Daniel también señala que algunos corredores de IA ya han registrado crecimientos de varios cientos por ciento en los últimos 24 meses, un indicio de que el fenómeno no es solo teórico. La consecuencia práctica es que la planificación de red deja de ser un ejercicio de crecimiento lineal: la IA introduce picos, rutas calientes y dependencia de métricas de experiencia (como la rapidez de respuesta) que antes no eran tan determinantes en WAN.

Características del tráfico generado por inteligencia artificial

Rasgos del Tráfico de IA
Cuatro rasgos que ayudan a “leer” el tráfico de IA en una WAN (y qué suelen romper primero):
1) Multiplicativo (no lineal): una petición puede disparar varias llamadas (modelo, herramientas, datos, logging, verificación).
– Suele romper: colas, límites de sesiones/flows, y picos en enlaces que parecían sobredimensionados.
2) Más este‑oeste: crece el intercambio entre nubes/centros de datos (sincronización, replicación, orquestación).
– Suele romper: interconnect y DCI antes que el tránsito “a internet”.
3) Sensible a latencia y jitter: la inferencia en tiempo real penaliza variabilidad, no solo falta de capacidad.
– Suele romper: rutas con latencia inestable; se vuelve clave medir experiencia (p. ej., time-to-first-token).
4) Desigual por corredores: algunos enlaces se calientan mucho más que el promedio (hubs de IA).
– Suele romper: planificación por promedios; obliga a ingeniería por rutas prioritarias.

El tráfico de IA tiene rasgos que lo diferencian de patrones tradicionales. Nokia y ejecutivos del sector lo describen como una “nueva ola” porque no se limita a transportar contenido hacia el usuario final: crea circuitos de ida y vuelta, dependencias entre servicios y replicación continua. En términos de red, eso se traduce en más sesiones, más flujos paralelos y más sensibilidad a la calidad.

Una primera característica es su naturaleza compuesta y multiplicativa. Una sola interacción puede desencadenar múltiples acciones: la aplicación consulta un modelo, el modelo llama herramientas, se consultan bases de datos, se generan resultados, se registran eventos y se sincroniza estado. A diferencia de un stream de video —alto volumen pero relativamente predecible— la IA puede disparar tráfico en ráfagas y en múltiples direcciones.

La segunda es el peso creciente del tráfico este-oeste (entre centros de datos y nubes), no solo norte-sur (usuario hacia internet). Daniel advierte que, si el tráfico escala como se proyecta, los primeros puntos de presión aparecerán en enlaces de interconexión y data center interconnect (DCI), donde el crecimiento este-oeste podría superar la demanda tradicional de internet.

La tercera es la sensibilidad a latencia y consistencia. En inferencia —el uso en tiempo real— no basta con “tener ancho de banda”: importan la latencia, el jitter y la estabilidad. En particular, los proveedores de modelos siguen métricas como time-to-first-token, que refleja cuánto tarda el sistema en empezar a responder. Esa métrica, aunque asociada al cómputo, está estrechamente ligada a la red cuando el modelo, los datos y el usuario no están en el mismo lugar.

Por último, el tráfico de IA tiende a ser desigual geográficamente. Nokia y Megaport anticipan rutas con crecimiento de 10x, especialmente entre hubs de centros de datos de IA. Esto obliga a pensar en la WAN como un mapa de corredores prioritarios, donde la capacidad, la resiliencia y la ingeniería de tráfico se vuelven estratégicas.

“AI adds traffic everywhere.”
Cameron Daniel, CTO de Megaport, en declaraciones a RCR Wireless News.

Diferencias entre inferencia y entrenamiento en IA

El pronóstico de Nokia pone el foco en una distinción clave: entrenamiento no es lo mismo que inferencia, y la segunda sería el factor definitorio para la evolución de la WAN. La diferencia no es solo técnica; cambia por completo el tipo de demanda que la red debe soportar.

Diferencias clave: entrenamiento e inferencia

El entrenamiento suele ser un proceso centralizado: grandes lotes de cómputo, enormes necesidades de ancho de banda dentro del clúster, y una planificación relativamente predecible. Daniel lo describe como trabajos batch que, aunque consumen recursos masivos, pueden programarse y, fuera del clúster de entrenamiento, la latencia suele ser “generalmente tolerable”. En otras palabras, el entrenamiento presiona sobre todo la infraestructura interna del centro de datos o del entorno donde se entrena, más que la WAN en tiempo real.

La inferencia, en cambio, es el “uso” cotidiano de la IA: chat, asistentes, automatización empresarial, agentes que ejecutan tareas y sistemas que toman decisiones operativas. Aquí la red se vuelve parte de la experiencia: la inferencia es sensible a la latencia y cada vez más distribuida. Si el usuario está en una región, los datos en otra y el modelo en una tercera, la WAN deja de ser un simple transporte y pasa a ser un componente del rendimiento.

Además, la inferencia se está desplazando hacia el borde: más cerca de usuarios, campus, fábricas y entornos industriales. Ese movimiento cambia el patrón de tráfico: en lugar de concentrarse en unos pocos centros, se distribuye en múltiples puntos, con necesidad de conectividad consistente y resiliente.

En este contexto, métricas como time-to-first-token se vuelven relevantes porque capturan la percepción de respuesta. Daniel subraya que, a medida que crecen los flujos agente-a-agente, el rendimiento queda atado tanto a la latencia de inferencia como a la latencia de red. El resultado es una WAN que debe diseñarse no solo para “capacidad”, sino para “calidad” bajo condiciones variables.

Crecimiento del tráfico de IA agentic

Flujo Agentic y Tráfico WAN
Cómo un flujo “agentic” tiende a componer tráfico WAN (y dónde aparecen multiplicadores):
1) Usuario o sistema dispara una tarea → el agente recibe contexto.
2) El agente llama a un modelo (API) → ida/vuelta sensible a latencia.
3) El modelo/agent llama herramientas (búsqueda, RAG, ERP/CRM, tickets) → varias conexiones paralelas.
4) Agente ↔ agente (delegación/verificación) → más mensajes cortos pero persistentes.
5) Persistencia y auditoría (logs, trazas, estados) → escritura en servicios remotos.
6) Replicación/sincronización entre regiones/nubes → tráfico este‑oeste que se acumula.
Checkpoint práctico: si el paso 3 o 4 cruza regiones (datos en una, modelo en otra), la latencia/jitter de la WAN empieza a dominar el tiempo total de la tarea.

Nokia proyecta que el tráfico asociado a IA agentic crecerá a una tasa compuesta anual (CAGR) de 26% hasta 2034. La cifra importa porque la IA agentic no es simplemente “más inferencia”: introduce una dinámica distinta, donde agentes autónomos se comunican con otros agentes y sistemas, coordinan acciones y mantienen estado de forma continua.

En un flujo tradicional, un usuario consulta y recibe respuesta. En un flujo agentic, la interacción puede ser solo el inicio: un agente descompone tareas, consulta herramientas, delega subtareas a otros agentes, verifica resultados y vuelve a iterar. Cada paso implica tráfico adicional: llamadas a servicios, intercambio de contexto, sincronización de estado y, en muchos casos, acceso a datos distribuidos.

Daniel apunta que el cambio más importante quizá no sea el volumen total, sino el surgimiento de comunicación agente-a-agente como una nueva clase de comportamiento de red. Esa comunicación tiende a ser más persistente y más sensible a la latencia, porque afecta la coordinación. Si un agente depende de otro para completar una acción, la red se convierte en un factor directo de productividad o de continuidad operativa.

Otro elemento es la replicación “constante” de datos entre nubes y regiones, que Nokia incluye como parte del efecto compuesto. En entornos agentic, donde los agentes operan en múltiples dominios (nube pública, nube privada, edge), la coherencia de datos y el acceso rápido a información pueden impulsar más sincronización y, por tanto, más tráfico WAN.

La consecuencia para la planificación es clara: si la IA agentic crece al ritmo previsto, la WAN no solo verá más bits, sino más flujos críticos, con mayor dependencia de rutas específicas y de interconexiones entre centros de datos. Esto refuerza la idea de corredores de IA: enlaces que, por concentración de modelos, datos y usuarios, se convierten en arterias del nuevo tráfico.

Requerimientos de infraestructura para la inferencia de IA

Requisitos clave para inferencia distribuida
Requisitos que suelen marcar la diferencia en inferencia distribuida (especialmente en edge):
– Latencia baja y, sobre todo, consistente (control de jitter).
– Failover rápido (conmutación que no “rompa” sesiones críticas).
– Capacidad y diseño para tráfico este‑oeste (interconnect y DCI como puntos de presión).
– Rutas optimizadas por corredores (no solo upgrades “promedio” en toda la red).
– Observabilidad orientada a experiencia: correlacionar red con métricas como time-to-first-token.
– Políticas de priorización/ingeniería de tráfico para flujos sensibles (agente-a-agente, APIs de modelos, acceso a datos).
– Controles de seguridad en tránsito y visibilidad (para evitar que el crecimiento de IA se convierta en “puntos ciegos”).

A medida que la inferencia se desplaza hacia el borde —usuarios, campus, fábricas y entornos industriales— Nokia sostiene que la red debe evolucionar más allá de la conectividad “best effort”. La inferencia en edge no tolera bien la variabilidad: requiere baja latencia, latencia consistente y failover rápido, especialmente cuando la IA se integra en decisiones operativas.

Daniel lo expresa en términos de intención de servicio: el edge inference “cambia los requisitos de red de best effort a algo más cercano a infraestructura con intención de nivel de servicio”. En la práctica, esto significa que la WAN debe poder ofrecer comportamientos predecibles: no solo throughput, sino estabilidad y resiliencia.

Los requerimientos se vuelven más exigentes por tres razones:

1. Tiempo real y experiencia: en interfaces conversacionales o automatización, la percepción de respuesta importa. La red influye en el tiempo de ida y vuelta y en la rapidez con la que el sistema “arranca” la respuesta (time-to-first-token).
2. Distribución: la inferencia ya no vive solo en un gran centro de datos. Se reparte entre regiones y bordes, lo que incrementa la dependencia de rutas WAN y de interconexiones.
3. Operación industrial: cuando la IA se inserta en procesos industriales o de campus, la tolerancia a fallos y a latencia variable disminuye. La continuidad del servicio se vuelve crítica.

En este escenario, los primeros puntos de presión, según la advertencia de Daniel, aparecerían en enlaces de interconnect y DCI, donde el tráfico este-oeste crecería más rápido que la demanda tradicional. Eso sugiere que la infraestructura no puede reforzarse solo “hacia internet”, sino también entre nubes, regiones y centros de datos.

En suma, la inferencia empuja a una WAN más parecida a una plataforma de rendimiento: diseñada para sostener aplicaciones sensibles, con rutas optimizadas y capacidad de recuperación rápida cuando algo falla.

Desafíos y oportunidades para los operadores de red

Equilibrios clave en redes IA
Tensiones típicas que aparecen con IA (y cómo se manifiestan):
– Inversión “quirúrgica” por corredores vs upgrades generalizados: si el crecimiento se concentra (10x en rutas a hubs), el promedio engaña.
– Capacidad (Gbps) vs calidad (latencia/jitter): más ancho de banda no corrige variabilidad; la inferencia penaliza jitter.
– Optimizar para norte‑sur vs preparar este‑oeste: la presión temprana suele ir a interconnect/DCI.
– WAN commodity vs servicios con intención: cuando la experiencia (p. ej., TTFT) importa, sube el valor de rutas/SLAs/ingeniería.
– Velocidad de despliegue vs seguridad/visibilidad: integrar IA rápido sin controles puede amplificar shadow IT y agentes no autorizados.

El pronóstico de Nokia abre un doble frente para operadores y proveedores: por un lado, el desafío de absorber un crecimiento potencialmente explosivo; por otro, la oportunidad de reposicionar la WAN como infraestructura crítica para la economía de la IA.

El primer desafío es la desigualdad del crecimiento. Si algunas rutas hacia hubs de IA crecen 10x y otras no, la inversión debe ser quirúrgica. La planificación tradicional basada en promedios puede fallar: un operador podría tener capacidad global suficiente y, aun así, sufrir congestión en corredores específicos (interconexión, DCI, rutas entre regiones de nube).

El segundo desafío es que la IA cambia el criterio de “calidad”. Para inferencia y flujos agentic, la latencia y su consistencia se vuelven determinantes. Esto empuja a redes con baja latencia y failover rápido, y a modelos de entrega con intención de servicio, no solo conectividad. En la práctica, implica rediseñar cómo se prioriza tráfico, cómo se enruta y cómo se asegura continuidad.

El tercer desafío es anticipar dónde aparecerán los primeros puntos de presión. Daniel señala interconnect y DCI como zonas críticas, porque el tráfico este-oeste podría superar el crecimiento del tráfico tradicional. Esto obliga a “estar por delante” del crecimiento, coordinando a operadores y proveedores de IA para evitar cuellos de botella.

Del lado de las oportunidades, el auge de inferencia distribuida y edge abre espacio para servicios de conectividad más especializados: enlaces con garantías, rutas optimizadas entre nubes y regiones, y propuestas que respondan a métricas de experiencia (como el tiempo de respuesta percibido). La IA, en este sentido, puede acelerar la transición de la WAN de commodity a infraestructura diferenciada.

También hay un componente estratégico: si la IA llega a representar 30% del tráfico global, los operadores que entiendan primero los patrones —qué rutas se calientan, qué interconexiones se saturan, qué latencias son críticas— tendrán ventaja para diseñar capacidad y acuerdos de interconexión alineados con la nueva demanda.

Implicaciones de seguridad en el tráfico de IA

Controles clave para IA agentic
Riesgos que crecen con tráfico de IA (especialmente agentic) → controles que suelen ser más efectivos:
– Shadow IT (uso de IA fuera de gobierno) → inventario de apps/agentes, políticas de acceso y visibilidad en red.
– Agente “rogue” (no autorizado/comprometido) → permisos mínimos, segmentación, monitoreo de comportamiento y límites de acción.
– Exfiltración por prompts/outputs o por herramientas conectadas → DLP, inspección/etiquetado de datos y controles por tipo de dato.
– Replicación multi‑región/multi‑cloud (más copias, más superficie) → políticas de residencia, cifrado y trazabilidad de flujos.
– Agente‑a‑agente (automatiza errores a escala) → aprobaciones para acciones críticas, auditoría y “kill switch” operativo.

El crecimiento del tráfico de IA no solo es un problema de capacidad y rendimiento. También amplifica riesgos de seguridad, especialmente cuando aparecen agentes autónomos y proliferan integraciones rápidas en entornos empresariales.

Daniel advierte sobre un punto concreto: “Shadow IT is a problem, and a rogue agent could do meaningful damage.” Es decir, el uso no controlado de herramientas de IA (shadow IT) y la posibilidad de un agente “rogue” (no autorizado o comprometido) elevan el riesgo de filtración, acciones indebidas o automatización de errores a gran escala.

En un entorno agentic, el riesgo se multiplica por diseño: un agente puede tener acceso a sistemas, datos y herramientas; puede ejecutar acciones; y puede comunicarse con otros agentes. Si ese agente opera fuera de controles adecuados, el impacto potencial crece. Además, la replicación de datos entre regiones y nubes —parte del patrón de tráfico descrito— puede ampliar la superficie de exposición: más copias, más rutas, más puntos donde proteger información.

Por eso, Daniel subraya la necesidad de DLP (Data Loss Prevention) y “otras herramientas críticas” para asegurar que los datos permanezcan protegidos. En el contexto del tráfico WAN, la seguridad no es un añadido: se vuelve un requisito estructural, porque la IA tiende a tocar datos sensibles (corporativos, operativos) y a moverlos entre dominios.

La implicación práctica es que, conforme la IA gane peso en el tráfico global, las organizaciones necesitarán reforzar controles sobre qué agentes existen, qué permisos tienen, qué datos pueden mover y cómo se monitorean sus acciones. La red, al ser el canal por el que viajan esas interacciones, se convierte en un punto clave para visibilidad y control, especialmente cuando el tráfico crece y se distribuye.

Conclusiones sobre el futuro del tráfico WAN

La previsión de Nokia —hasta 700% de crecimiento del tráfico WAN hacia 2034— plantea un futuro donde la IA no es solo una aplicación más, sino un motor que redefine cómo circulan los datos. La compañía estima además que la IA podría concentrar 30% del tráfico global, una proporción suficiente para influir en decisiones de arquitectura, inversión y operación de red.

El elemento más disruptivo no sería el entrenamiento, sino la inferencia: real, distribuida, sensible a latencia y cada vez más cercana al usuario y a entornos industriales. Esto desplaza el foco desde el ancho de banda “bruto” hacia métricas de experiencia y consistencia, con conceptos como time-to-first-token ganando relevancia como indicador de rendimiento percibido.

A la vez, la IA agentic introduce una nueva clase de comportamiento: comunicación agente-a-agente, coordinación continua y flujos de trabajo que multiplican transacciones. Nokia proyecta para este tráfico un 26% CAGR hasta 2034, lo que sugiere que la presión sobre la WAN no será solo por volumen, sino por criticidad y sensibilidad.

La advertencia operativa es clara: el crecimiento no será uniforme. Habrá corredores —especialmente entre hubs de centros de datos de IA— con aumentos de 10x o más, y los primeros cuellos de botella podrían aparecer en interconnect y DCI, donde el tráfico este-oeste crece más rápido que la demanda tradicional.

Finalmente, el aumento de tráfico trae consigo un aumento de riesgo. Shadow IT y agentes no autorizados pueden causar daños significativos, y herramientas como DLP se vuelven esenciales para proteger datos en un entorno de replicación y automatización crecientes.

En conjunto, la WAN del próximo decenio se perfila menos como una autopista genérica y más como una infraestructura de precisión: diseñada para sostener inferencia distribuida, flujos agentic y requisitos de seguridad y resiliencia más estrictos.

El futuro del tráfico WAN impulsado por la inteligencia artificial

Transformaciones en la infraestructura digital

De pronóstico a ejecución IA
Hoja de ruta práctica (de “pronóstico” a ejecución) para redes que quieran prepararse para inferencia/agentic:
1) Mapear corredores de IA: identificar rutas entre hubs (nubes, DCs, regiones) donde ya hay señales de crecimiento.
2) Medir lo que el usuario percibe: además de capacidad, instrumentar latencia/jitter y correlacionar con métricas tipo time-to-first-token.
3) Reforzar interconnect y DCI primero: priorizar este‑oeste donde suelen aparecer los cuellos de botella tempranos.
4) Acercar inferencia cuando tenga sentido: edge/metro para reducir latencia y variabilidad en casos sensibles.
5) Operar por intención: políticas de enrutamiento/priorización y failover rápido para flujos críticos.
6) Cerrar el circuito de seguridad: visibilidad, control de agentes, y DLP alineado con replicación multi‑región.
Checkpoint: si al pasar de (2) a (3) no se ve mejora en consistencia (jitter) o en tiempos de respuesta percibidos, el problema suele estar en rutas/peering/interconnect más que en “falta de Gbps”.

La lectura central del pronóstico es que la IA empuja una transformación de la infraestructura digital en múltiples capas. No se trata únicamente de “más tráfico”, sino de más interdependencia entre ubicaciones: usuarios, edge, nubes y centros de datos. La replicación de datos entre regiones y clouds, sumada a la inferencia distribuida, incrementa el peso del tráfico este-oeste y eleva la importancia de interconexiones y DCI.

En este marco, la infraestructura debe adaptarse a patrones menos predecibles y más sensibles a la calidad. La inferencia en tiempo real y la comunicación entre agentes convierten a la latencia y su consistencia en variables de diseño. El resultado es una presión para evolucionar desde conectividad best effort hacia redes con intención de servicio, capaces de sostener rendimiento estable y recuperación rápida ante fallos.

Para los operadores, el reto inmediato es anticipar dónde se concentrará el crecimiento: Nokia y el sector apuntan a rutas que conectan hubs de IA, con potencial de incrementos de 10x. Esto obliga a planificar por corredores, no por promedios, y a vigilar especialmente esos puntos de presión temprana.

La oportunidad está en que la IA eleva el valor de la red cuando el rendimiento importa. Si la inferencia y los flujos agentic dependen de latencia y estabilidad, la WAN puede convertirse en un habilitador directo de productividad y automatización. En ese contexto, los operadores que ofrezcan conectividad alineada con métricas de experiencia y resiliencia estarán mejor posicionados en la economía de la IA.

El aumento de tráfico y automatización amplifica riesgos. Shadow IT y agentes no autorizados pueden operar fuera de controles, y un “rogue agent” puede causar daños significativos. En un entorno donde los datos se replican entre regiones y nubes, la protección debe acompañar al movimiento de la información.

Por eso, herramientas como DLP y controles adicionales se vuelven críticos para asegurar que los datos permanezcan protegidos. A medida que la IA gane peso en el tráfico global, la seguridad deja de ser un componente periférico: pasa a ser un requisito estructural para operar redes y servicios de IA a escala, sin comprometer información ni continuidad operativa.

En la lectura de este tema desde el ecosistema de telecomunicaciones en México (nokia oficial mexico para telecomunicaciones), el valor práctico del pronóstico está en identificar con anticipación los corredores de interconexión y DCI donde la inferencia y los flujos agentic pueden volver la latencia y el failover métricas operativas, no solo de ingeniería.

Este texto se basa en información pública disponible al momento de su redacción y resume un pronóstico sobre el crecimiento del tráfico WAN hacia 2034 y sus posibles implicaciones operativas. Las cifras se presentan como rangos y estimaciones, por lo que pueden variar según la adopción de IA, las arquitecturas (central vs. edge) y las condiciones de mercado. Las decisiones y detalles de implementación dependen del contexto de cada operador u organización, y podrían requerir ajustes conforme surjan nuevas actualizaciones.