La primera respuesta de IA desde una órbita no llegó como una alerta ni como una predicción: llegó como un haiku. El 30 de octubre, un prototipo de satélite de Project Suncatcher recibió una instrucción desde una estación terrestre, ejecutó un modelo a bordo y devolvió el texto mientras pasaba sobre Svalbard, Noruega.
La imagen es simpática. La señal empresarial es bastante más seria: el cuello de botella de la IA no está solo en crear modelos capaces, sino en conseguir energía, refrigeración, comunicaciones y fiabilidad suficientes para ejecutarlos donde haga falta.
El dato verificable: un TPU respondió desde órbita
Google informó que su satélite prototipo, lanzado el 1 de octubre en una misión compartida de SpaceX y construido junto con Planet, completó la fase inicial de puesta en marcha. El equipo encendió el sistema anfitrión y las bandejas de aceleradores TPU, realizó pruebas iniciales de aprendizaje automático y alcanzó el hito que la compañía denomina la primera respuesta de IA de un TPU de clase centro de datos en órbita.
Durante un pase de la estación terrestre, los investigadores enviaron una instrucción al modelo abierto Gemma 4 instalado en el satélite: escribir un haiku sobre estar en el espacio. La respuesta que regresó fue esta:
Blue marble below
Data streams in silent grace
Starlight feeds my core. ✨
Después probaron limericks con temática espacial y consultas de telemetría para comprobar el estado técnico de la carga útil. La siguiente fase estudiará cómo se comportan los TPU bajo estrés térmico y exposición a radiación. Google apunta después a una prueba con dos satélites interconectados en 2027.
La precisión importa. Esto fue inferencia, no entrenamiento: el modelo ya estaba preparado y el sistema ejecutó una consulta. Es un primer encendido operativo en un entorno difícil, no la demostración de que un centro de datos orbital ya sea viable.
La parte difícil empieza después del haiku
Un prototipo puede responder una pregunta. Una infraestructura útil debe responder millones sin fallar, mantener una temperatura operativa, transportar los datos y justificar el coste total. Ahí cambia la conversación.
1. La energía pone un límite físico al modelo
TechCrunch informó que el prototipo lleva cuatro TPU y genera hasta 1 kW de electricidad, una capacidad que permite operar un solo acelerador durante unos 20 minutos cada vez. No es un detalle anecdótico: muestra la distancia entre demostrar que un chip funciona en órbita y sostener una carga de trabajo continua.
En la Tierra, una empresa puede ampliar capacidad contratando más servidores, redistribuyendo cargas o reforzando la refrigeración. En un satélite, cada vatio, gramo y centímetro cuadrado de radiador forma parte del diseño. La energía disponible no es una variable financiera que se ajuste en la siguiente factura; es una restricción del sistema.
2. La radiación convierte un error pequeño en un problema operativo
La radiación puede provocar cambios de bits en la memoria y alterar cálculos sin producir necesariamente un fallo visible para los controles habituales. Por eso el equipo todavía debe observar el comportamiento real del hardware en órbita, más allá de los ensayos terrestres.
El trabajo publicado en Joule presenta resultados alentadores para los TPU Trillium: en las pruebas descritas, los aceleradores soportaron una dosis ionizante total equivalente a una misión de cinco años sin fallos permanentes. Pero el mismo estudio identifica que quedan por resolver la gestión térmica, el enlace de alta capacidad con tierra y las estrategias de fiabilidad y reparación en órbita. Una prueba favorable reduce el riesgo; no lo elimina.
3. La red es tan importante como el chip
El diseño de Suncatcher no imagina un único satélite aislado. Propone constelaciones de unidades relativamente pequeñas, conectadas mediante óptica de espacio libre para intercambiar datos con baja latencia y gran ancho de banda. El artículo de Joule describe como referencia un grupo de 81 satélites en formación cercana y una arquitectura que necesita controlar con precisión la posición de cada unidad.
La prueba de 2027 con dos satélites será importante por esa razón. El reto no consiste solo en ejecutar un modelo, sino en comprobar si varios sistemas distribuidos pueden comportarse como una plataforma de cómputo coordinada sin convertir cada enlace en un nuevo punto de fallo.
4. La economía depende de una hipótesis futura
El análisis de Joule estima que el coste de lanzamiento a órbita baja podría acercarse a 200 dólares por kilogramo a mediados de la década de 2030. Bajo esa hipótesis, el coste de lanzamiento amortizado podría ser comparable, por unidad de potencia, con el gasto energético de un centro de datos terrestre.
Es una proyección, no una tarifa vigente ni una promesa de rentabilidad. Entre el modelo económico y una operación comercial quedan el precio real de poner masa en órbita, la vida útil, el reemplazo de hardware, el seguro, la conectividad, la regulación, los residuos espaciales y el coste de devolver datos a los clientes.
La lectura Olbrite: el nuevo activo será la flexibilidad de cómputo
El valor de este experimento no depende de que las empresas vayan a trasladar sus servidores al espacio. La señal más útil es otra: la infraestructura de IA se está convirtiendo en una decisión estratégica de asignación de recursos.
Cuando una carga de trabajo necesita baja latencia, privacidad o disponibilidad local, el cómputo puede acercarse al dispositivo o a la operación. Cuando necesita escala y elasticidad, puede concentrarse en grandes centros de datos. Cuando la energía, el clima o la disponibilidad de suelo se convierten en restricciones, aparecen arquitecturas más radicales, como esta exploración orbital.
Para una empresa, la lección no es comprar capacidad espacial. Es evitar quedar atada a una única combinación de modelo, proveedor, acelerador y ubicación. La ventaja será poder mover cada tarea al lugar donde el coste, el riesgo y la latencia tengan sentido.
Qué cambia para las empresas
- Operaciones: las cargas de IA deberían clasificarse por latencia, volumen, sensibilidad y tolerancia al fallo, no solo por el modelo que las ejecuta.
- Costes: el precio por token es una señal incompleta. También cuentan el transporte de datos, el almacenamiento, la refrigeración, la disponibilidad y las repeticiones causadas por errores.
- Producto: las funciones que dependan de inferencia continua necesitan degradación controlada. Si el modelo no está disponible, el producto debe seguir siendo útil en un modo limitado.
- Personas: los equipos técnicos tendrán que entender la relación entre modelos, hardware, redes y energía. La IA deja de ser únicamente una capa de software.
- Riesgo: un cambio de proveedor o de acelerador no debería obligar a reconstruir toda la aplicación. La portabilidad y las evaluaciones comparables son controles de continuidad.
- Estrategia: el acceso a cómputo será una variable competitiva junto con los datos, el talento y la distribución. Planificar capacidad con horizonte de varios años ya no es un ejercicio exclusivo de los grandes laboratorios.
Qué hacer esta semana
- Inventariar las cargas de IA y marcar cuáles requieren respuesta inmediata, cuáles toleran colas y cuáles pueden ejecutarse de forma periódica.
- Medir el coste completo de una tarea, incluyendo entrada, salida, almacenamiento, transferencia, observabilidad, reintentos y supervisión humana.
- Separar la lógica de negocio del proveedor de inferencia mediante interfaces y evaluaciones propias. Cambiar de hardware o modelo debería ser una decisión operativa, no una reconstrucción.
- Definir fallos aceptables y respuestas de respaldo: límites de tiempo, modelos alternativos, procesamiento diferido y revisión manual cuando la confianza no sea suficiente.
- Registrar consumo y temperatura de la infraestructura donde sea posible. La eficiencia energética no debe aparecer solo cuando llegue la factura.
Qué observar ahora
El próximo dato relevante no será otro poema. Será la evidencia de que el sistema puede operar de forma repetible bajo radiación y estrés térmico. Después habrá que mirar cuatro señales: la coordinación entre los dos satélites previstos para 2027, la capacidad de los enlaces ópticos, la frecuencia de errores y la distancia entre el coste proyectado y el coste real de despliegue.
Si esas pruebas avanzan, la computación orbital pasará de ser una imagen llamativa a un laboratorio para estudiar cómo se construyen sistemas distribuidos con energía y conectividad limitadas. Si se frenan, el aprendizaje seguirá siendo útil: habrá medido con precisión qué parte de la economía de la IA depende de la física.
La conversación continúa en la infraestructura
Olbrite ya había contado cómo los chiplets ópticos buscan aliviar el cuello de botella que aparece cuando los aceleradores necesitan mover más datos entre sí: La IA está chocando con una pared invisible: Japón quiere fabricar el puente óptico que puede destrabarla. El experimento de Suncatcher lleva la misma pregunta a otro entorno: no basta con tener más capacidad de cálculo; hay que conectar sus piezas sin que la energía, el calor o la distancia destruyan la ventaja.
La primera respuesta desde el espacio fue un haiku. La respuesta que importa para el negocio será saber si una infraestructura puede convertir esa demostración en capacidad confiable, medible y sostenible.
Fuentes consultadas
- Google Research: primera respuesta del prototipo de Project Suncatcher (30 de octubre de 2026).
- Google Research: el prototipo de Project Suncatcher entra en órbita (1 de octubre de 2026).
- Artículo revisado por pares en Joule: diseño de una infraestructura de IA escalable basada en el espacio (publicado en línea el 1 de octubre de 2026).
- TechCrunch: el primer satélite de centro de datos de Google ya está operativo y escribe poesía (30 de octubre de 2026).
- The Register: el satélite de IA envía un haiku desde la órbita (31 de octubre de 2026).
