{"id":190465,"date":"2026-10-09T15:23:53","date_gmt":"2026-10-09T18:23:53","guid":{"rendered":"https:\/\/www.itsitio.com\/ar\/?p=190465"},"modified":"2026-10-20T15:20:25","modified_gmt":"2026-10-20T18:20:25","slug":"nerdearla-argentina-2026-el-futuro-de-kubernetes-en-la-era-de-la-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/www.itsitio.com\/ar\/eventos\/nerdearla-argentina-2026-el-futuro-de-kubernetes-en-la-era-de-la-inteligencia-artificial\/","title":{"rendered":"Nerdearla Argentina 2026: el futuro de Kubernetes en la era de la inteligencia artificial"},"content":{"rendered":"

La expansi\u00f3n de la inteligencia artificial est\u00e1 transformando la infraestructura tecnol\u00f3gica y obligando a revisar algunas de las bases sobre las que se construyeron las plataformas de software. En ese escenario, Kubernetes, una de las herramientas m\u00e1s importantes del ecosistema open source para la orquestaci\u00f3n de contenedores, atraviesa una etapa de evoluci\u00f3n para responder a las necesidades de las nuevas cargas de trabajo. Este fue uno de los ejes de la charla de Federico Bongiovanni, Senior Engineering Manager en Google Cloud, durante Nerdearla Argentina 2026<\/strong>, donde ITSitio realiz\u00f3 la cobertura del evento y entrevist\u00f3 al especialista.<\/p>\n

Con casi una d\u00e9cada de experiencia trabajando con Kubernetes, Bongiovanni explic\u00f3 que la plataforma naci\u00f3 en un contexto muy diferente al actual, caracterizado por aplicaciones relativamente homog\u00e9neas y una infraestructura con recursos de hardware similares. Sin embargo, el crecimiento de la IA introdujo nuevas exigencias: aceleradores especializados, acceso eficiente a la memoria y procesos distribuidos de entrenamiento e inferencia que demandan una coordinaci\u00f3n mucho m\u00e1s compleja.<\/p>\n

\u201cKubernetes fue creado en otra realidad, donde el hardware era muy homog\u00e9neo y el software que se corr\u00eda arriba de Kubernetes tambi\u00e9n. Web apps, b\u00e1sicamente\u201d<\/em>, se\u00f1al\u00f3. La llegada de la inteligencia artificial modific\u00f3 ese escenario y plante\u00f3 un desaf\u00edo para la plataforma: adaptarse a aplicaciones que ya no responden necesariamente a la l\u00f3gica tradicional de los microservicios.<\/p>\n

El entrenamiento de modelos, la inferencia y la ejecuci\u00f3n de agentes requieren recursos y mecanismos de coordinaci\u00f3n diferentes. En ese contexto, Kubernetes debe evolucionar sin perder las capacidades que lo convirtieron en una tecnolog\u00eda ampliamente adoptada en entornos productivos.<\/p>\n

\u201cY de repente llega la AI y el hardware no es homog\u00e9neo. Yo preciso aceleradores, preciso que est\u00e9n colocados dentro de los mothers, preciso acceso a la memoria\u201d<\/em>, explic\u00f3 Bongiovanni. Frente a estas demandas, sostuvo que la plataforma no qued\u00f3 limitada por su dise\u00f1o original, sino que comenz\u00f3 a incorporar mecanismos para responder a las nuevas necesidades.<\/p>\n

\"El
El Konex fue nuevamente el punto de encuentro para profesionales y entusiastas de la tecnolog\u00eda.<\/figcaption><\/figure>\n

De orquestador de infraestructura a coordinador de frameworks<\/span><\/h2>\n

Uno de los conceptos centrales de la charla fue el de Framework Orchestrator<\/em>, una visi\u00f3n en la que Kubernetes deja de ser \u00fanicamente una herramienta para administrar contenedores y pasa a funcionar como una capa de coordinaci\u00f3n para los frameworks utilizados en inteligencia artificial.<\/p>\n

La idea parte de aprovechar las capacidades que Kubernetes ya ofrece para que tecnolog\u00edas como PyTorch, JAX o Ray puedan ejecutar sus cargas de trabajo sobre una infraestructura com\u00fan. En lugar de construir sistemas independientes para administrar cada framework, el objetivo es integrar sus necesidades con las capacidades de orquestaci\u00f3n de la plataforma.<\/p>\n

Bongiovanni record\u00f3 que, tiempo atr\u00e1s, exist\u00eda una discusi\u00f3n sobre qu\u00e9 tecnolog\u00eda terminar\u00eda imponi\u00e9ndose para ejecutar trabajos de inteligencia artificial: Ray, Slurm o Kubernetes. Para el especialista, esa competencia plantea una falsa disyuntiva.<\/p>\n

\u201cEstos frameworks pueden correr arriba de Kubernetes, entonces Kubernetes les proporciona visibilidad y la orquestaci\u00f3n para que corran mejor. As\u00ed que no es un \u2018o\u2019, sino un \u2018y\u2019\u201d<\/em>, afirm\u00f3.<\/p>\n

Esta integraci\u00f3n permitir\u00eda aprovechar las herramientas existentes para administrar recursos, garantizar el aislamiento, mejorar la resiliencia y escalar aplicaciones. En esa l\u00ednea, tecnolog\u00edas como Dynamic Resource Allocation (DRA), JobSet y Kueue forman parte de los mecanismos que contribuyen a adaptar la infraestructura a las necesidades de las cargas de trabajo de IA.<\/p>\n

El desaf\u00edo, de acuerdo con el enfoque presentado, consiste en reducir la fricci\u00f3n que generan las capas adicionales de software y acercar las capacidades de Kubernetes a los frameworks desde su propio desarrollo. Esto supone impulsar una colaboraci\u00f3n m\u00e1s estrecha entre las comunidades open source para que las herramientas evolucionen de manera coordinada.<\/p>\n

\u201cLo que hay que hacer es usar lo que Kubernetes tiene de bueno y encontrar la manera de cruzar el gap con lo que le falta para correr estos <\/em>sistemas”, resumi\u00f3 Bongiovanni.<\/p>\n

Compatibilidad: evolucionar sin romper lo que funciona<\/span><\/h2>\n

La adaptaci\u00f3n de Kubernetes tambi\u00e9n enfrenta una dificultad estructural: la necesidad de mantener la compatibilidad con las aplicaciones y los sistemas que ya dependen de la plataforma.<\/p>\n

El especialista explic\u00f3 que modificar de manera dr\u00e1stica sus componentes centrales podr\u00eda afectar a miles de organizaciones que utilizan Kubernetes para operar servicios cr\u00edticos. Por ejemplo, aunque la ejecuci\u00f3n de millones de agentes de IA podr\u00eda requerir unidades de trabajo m\u00e1s livianas que los pods tradicionales, reemplazar o alterar ese objeto fundamental podr\u00eda generar problemas para quienes dependen de su comportamiento actual.<\/p>\n

\u201cBackward compatibility significa que cuando vos hagas upgrade a la pr\u00f3xima versi\u00f3n no se te va a romper todo\u201d<\/em>, explic\u00f3.<\/p>\n

Esta condici\u00f3n impone l\u00edmites a la velocidad con la que puede evolucionar una tecnolog\u00eda utilizada a gran escala. Mientras que un proyecto nuevo puede dise\u00f1arse desde cero para responder a las necesidades de la IA, Kubernetes debe incorporar innovaciones sin poner en riesgo las cargas de trabajo existentes.<\/p>\n

Sin embargo, Bongiovanni destac\u00f3 que su arquitectura extensible ofrece alternativas para avanzar sin modificar necesariamente los componentes fundamentales. Entre ellas, mencion\u00f3 las Custom Resource Definitions<\/em> (CRD), que permiten incorporar nuevos tipos de recursos y ampliar las capacidades de la plataforma.<\/p>\n

De esta manera, Kubernetes puede responder a nuevos escenarios mediante extensiones y desarrollos espec\u00edficos, preservando el contrato de compatibilidad que sostiene su adopci\u00f3n en entornos empresariales.<\/p>\n

Los agentes de IA y la pr\u00f3xima transformaci\u00f3n de la infraestructura<\/span><\/h2>\n

Al analizar las tendencias para los pr\u00f3ximos a\u00f1os, Bongiovanni identific\u00f3 una evoluci\u00f3n en las prioridades de la industria. Primero, el foco estuvo puesto en el entrenamiento de modelos; despu\u00e9s, en la inferencia. Ahora, los agentes de inteligencia artificial comienzan a plantear nuevas preguntas sobre c\u00f3mo administrar los recursos de infraestructura.<\/p>\n

A diferencia de otras aplicaciones, los agentes no necesariamente consumen recursos de manera constante. Pueden permanecer inactivos mientras esperan una instrucci\u00f3n y volver a activarse cuando reciben una nueva tarea. Mantener una instancia dedicada para cada agente, incluso durante esos per\u00edodos de inactividad, puede generar un uso ineficiente de la capacidad disponible.<\/p>\n

Por eso, uno de los desaf\u00edos consiste en desarrollar mecanismos que permitan aprovechar mejor los recursos compartidos y administrar una cantidad de agentes superior a la que podr\u00eda ejecutarse simult\u00e1neamente bajo un esquema tradicional.<\/p>\n

Esta capacidad podr\u00eda convertirse en un factor importante para escalar sistemas basados en agentes, especialmente a medida que se definan nuevos casos de uso, entre ellos el aprendizaje por refuerzo apoyado en agentes.<\/p>\n

Bongiovanni tambi\u00e9n se\u00f1al\u00f3 que ser\u00e1 relevante observar c\u00f3mo evolucionan los modelos de pesos abiertos y los desarrollos open source, as\u00ed como las decisiones sobre d\u00f3nde ejecutarlos. En ese escenario, Kubernetes podr\u00eda desempe\u00f1ar un papel central al facilitar su despliegue en distintas infraestructuras, incluidas aquellas orientadas a preservar el control sobre los datos y los recursos tecnol\u00f3gicos.<\/p>\n

La transformaci\u00f3n, en definitiva, no implica abandonar los fundamentos de Kubernetes, sino ampliar su alcance para responder a una nueva generaci\u00f3n de aplicaciones. Para Bongiovanni, el valor de la plataforma reside precisamente en combinar una infraestructura probada, desarrollada por una comunidad global, con la flexibilidad necesaria para incorporar nuevas capacidades.<\/p>\n

A medida que la inteligencia artificial avance desde el entrenamiento y la inferencia hacia sistemas basados en agentes, la capacidad de integrar frameworks, administrar hardware especializado y aprovechar eficientemente los recursos ser\u00e1 determinante. En ese proceso, Kubernetes busca consolidarse no solo como un orquestador de contenedores, sino tambi\u00e9n como una base com\u00fan para la pr\u00f3xima etapa de la infraestructura de IA.<\/p>\n

Leer m\u00e1s<\/span><\/h3>\n