AT&T y AMD presentan el modelo abierto OTel 2.0 para automatizar redes de telecomunicaciones

Más de un billón de tokens procesados en servidores de la plataforma Microsoft Foundry sobre hardware especializado marcan el avance técnico de la iniciativa Open Telco AI. Durante el evento Advancing AI 2026, la operadora estadounidense AT&T y el fabricante de semiconductores AMD oficializaron el lanzamiento de OTel 2.0, una herramienta de código abierto desarrollada específicamente para la industria de las telecomunicaciones, orientada a interpretar datos masivos de red, agilizar la resolución de fallas técnicas y optimizar los costos de procesamiento computacional.

El desarrollo utiliza la plataforma de software abierto AMD ROCm y los aceleradores AMD Instinct para gestionar las tareas de entrenamiento e inferencia en la nube de Microsoft Azure. Con un volumen diario que promedia los 45.000 millones de tokens procesados mediante una pasarela inteligente que asigna cada tarea al modelo más adecuado, el proyecto busca pasar de los conceptos teóricos presentados durante el Congreso Mundial de Móviles (MWC 2026) a un despliegue operativo medible en infraestructura de telecomunicaciones a gran escala.

En el contexto del sector de la conectividad en Colombia y América Latina, es común ver que los operadores locales gestionen redes complejas combinando tecnologías de múltiples generaciones, lo que suele dificultar la detección temprana de caídas del servicio. Tampoco es raro encontrar que las mesas de ayuda técnica dependan de procesos manuales para interpretar manuales y estándares internacionales. La adopción de la inteligencia artificial en telecomunicaciones mediante modelos abiertos y entrenados con datos del sector puede ser una opción interesante para las empresas de la región que buscan automatizar la supervisión de sus antenas sin incurrir en licencias propietarias costosas.

Filtrado de datos masivos y arquitectura de procesamiento

Para la construcción de OTel 2.0, los ingenieros de AT&T utilizaron la infraestructura informática administrada en Microsoft Azure para procesar un billón de tokens iniciales. A partir de esa muestra masiva, la compañía identificó y seleccionó los 400.000 millones de tokens de mayor valor técnico —nutridos con bases de datos provistas por la asociación global GSMA— para realizar el ajuste fino (post-training) del sistema sobre los procesadores gráficos de AMD.

Este método de filtrado permite que el modelo entienda la terminología específica del sector, las especificaciones de los protocolos de red y la documentación de arquitectura de espectro. El sistema opera mediante un esquema de gestión que deriva las consultas sencillas a modelos livianos y reserva la capacidad de procesamiento más avanzada para diagnósticos complejos de infraestructura, equilibrando la precisión con el consumo de energía.

Dan McNamara, vicepresidente sénior y gerente general de Computación e IA Empresarial en AMD, señaló que el avance muestra los resultados de combinar la experiencia en conectividad con infraestructura adaptada a cada requerimiento. Por su parte, la vocería técnica de AT&T destacó que la solución se posiciona como el modelo abierto de mayor rendimiento hasta la fecha para tareas operativas dentro de las empresas de telecomunicaciones.

Automatización operativa y aplicación en la gestión de infraestructura

El diseño de OTel 2.0 responde a las necesidades operativas de los centros de control de red (NOC), donde la velocidad de respuesta frente a interrupciones del servicio influye en la estabilidad del tráfico de datos de millones de usuarios. Entre las capacidades principales integradas en la herramienta destacan:

• Diagnóstico acelerado de fallas: Lectura e interpretación de registros de error (logs) en tiempo real para identificar la causa raíz de incidentes en radiobases o tendidos de fibra.
• Consulta de estándares de industria: Procesamiento instantáneo de la normativa técnica de la GSMA y especificaciones del proyecto 3GPP para orientar el despliegue de celdas 5G.
• Resiliencia de la red: Generación de recomendaciones automatizadas para redirigir el tráfico de datos durante picos atípicos de consumo o contingencias climáticas.

Suele ocurrir que la implementación de inteligencia artificial en las empresas de servicios públicos enfrente resistencias debido al costo de los recursos computacionales necesarios para ejecutar modelos genéricos de gran tamaño. La evolución hacia modelos especializados y abiertos sugiere que la eficiencia en el uso de la infraestructura será la métrica determinante para la digitalización de las redes móviles en la región durante los próximos años.