Mira qué panorama tan curioso y, al mismo tiempo, inquietante se despliega ahora mismo ante nuestros ojos. Por un lado, los feeds de noticias literalmente estallan con comunicados triunfales: Nvidia bate todos los récords imaginables de capitalización de mercado, los líderes de los gigantes tecnológicos anuncian con ojos brillantes el inicio de una nueva era tecnológica y los centros de datos para IA se construyen a un ritmo tal que parece que la electricidad y el silicio se hubieran vuelto gratuitos. Por otro lado, si abres los informes financieros de las empresas que venden software real de IA aplicada al negocio final, salta a la vista un gigantesco abismo entre el gasto en cómputo y los ingresos reales.
A mí, en este flujo interminable de entusiasmo, siempre me pone en alerta una verdad sencilla: las leyes fundamentales de la economía no se pueden anular con una interfaz bonita de chatbot. Cuando los costos de infraestructura crecen de forma exponencial y los ingresos de los usuarios avanzan de manera lineal, en el aire empieza a oler inevitablemente a burbuja de mercado clásica. Desmontemos juntos este mecanismo colosal pieza por pieza y veamos por qué el modelo habitual de acceso a redes neuronales por veinte dólares al mes entra en un callejón sin salida y qué ocurrirá realmente cuando se agoten los subsidios de capital de riesgo.
El auge de la infraestructura y la escala de los costos reales
Empecemos por las cifras secas que dejan sin aliento a cualquier director financiero. El gasto de capital (CapEx) combinado de los «cuatro grandes» hiperescaladores —Microsoft, Alphabet, Meta y Amazon— ha superado la marca de los 200 mil millones de dólares al año. Para que dimensiones esa cifra: es más que el presupuesto anual de la mayoría de los países desarrollados del mundo. Y la mayor parte de ese dinero no se destina a investigaciones científicas abstractas, sino a comprar silicio físico y a suministrar gigavatios de energía.
Un solo clúster moderno para entrenar y ejecutar inferencia de modelos fundacionales de nueva generación requiere entre 50,000 y 100,000 procesadores gráficos de clase Nvidia H100 o los más recientes Blackwell B200. Pero el chip en sí es solo la punta del iceberg. Para hacer que esa armada de silicio funcione como una única supercomputadora gigante, hacen falta redes de ultra alta velocidad InfiniBand o conmutadores especializados RoCE v2, transceptores ópticos, refrigeración líquida de contacto directo (direct-to-chip) y subestaciones transformadoras dedicadas. En la práctica de ingeniería rige una regla empírica estricta: cada dólar gastado en comprar aceleradores Nvidia exige al menos otro dólar en infraestructura auxiliar del centro de datos, desde hormigón y canalizaciones de cableado hasta sistemas de disipación térmica.
Y ahora súmale la crisis energética. Un centro de datos con una potencia de 500 megavatios o un gigavatio completo consume electricidad al nivel de una gran planta siderúrgica o una ciudad de medio millón de habitantes. Los hiperescaladores ya están comprando la capacidad de centrales nucleares dadas de baja, firmando acuerdos directos PPA (Power Purchase Agreements) e invirtiendo en pequeños reactores nucleares modulares (SMR). La pregunta es quién debe pagar al final este banquete fantástico. David Cahn, socio del fondo de capital de riesgo Sequoia Capital, formuló la famosa pregunta de los 600 mil millones de dólares: si sumamos los ingresos proyectados de las fábricas de semiconductores, los multiplicamos por dos debido al costo de la infraestructura auxiliar y asumimos un margen bruto normal del 50% para las empresas de software, la industria del software de IA debería generar 600 mil millones de dólares en ingresos anuales solo para amortizar los servidores instalados. Sin embargo, los ingresos combinados reales de todos los servicios generativos aplicados apenas raspan hoy entre cincuenta y sesenta mil millones. La brecha es de diez veces.
El callejón sin salida económico de la suscripción de veinte dólares
Seguramente estás acostumbrado a que la suscripción a las redes neuronales de primer nivel cueste unos veinte dólares fijos al mes. Pagas una suma modesta y usas sin límites los modelos más recientes de OpenAI, Anthropic o Google. Es comodísimo para ti y para mí, pero desde el punto de vista de la economía unitaria de los servicios es un absurdo financiero puro que se sostiene únicamente gracias a los subsidios de los inversores.
Corte conceptual del proceso de pensamiento de los modelos de razonamiento: una masa masiva oculta de bloques de cómputo oscuros y un diminuto cubo brillante en la superficie
Mira lo que ocurre bajo el capó, especialmente con la llegada de modelos de razonamiento (reasoning) como Claude Opus 5.5, GPT-o1 o Gemini Ultra. En los modelos conversacionales clásicos la relación era simple: enviabas una consulta corta, el modelo generaba un par de cientos de tokens de respuesta y el servidor gastaba una fracción fija de segundo en cómputo. Pero las arquitecturas de razonamiento funcionan de forma completamente distinta. Antes de entregarte una sola palabra visible, el modelo lanza una cadena oculta de razonamiento (Chain of Thought), generando miles de tokens internos. Por cada token visible de una respuesta de calidad hoy pueden generarse entre 5 y 20 tokens ocultos de deliberación, verificación de hipótesis y descarte de ramas sin salida.
Si un usuario común entra al chat un par de veces al día para reescribir un correo a un colega o redactar una felicitación de cumpleaños, le cuesta a la plataforma unos pocos centavos. Pero un desarrollador activo, investigador o creador de contenido («power user») que utiliza agentes de terminal, ejecuta revisiones de repositorios completos o pasa documentos pesados por el contexto, le genera al proveedor un costo real de inferencia en servidores de alrededor de 80–150 dólares al mes. Surge una paradoja: cuanto más útil se vuelve la herramienta para un profesional y más tareas resuelve, mayores pérdidas directas le provoca a la plataforma bajo una suscripción fija.
Los proveedores ya intentan tapar a la desesperada estas brechas financieras: introducen límites ocultos dinámicos de mensajes, recortan la longitud de las cadenas de razonamiento en horas pico y empujan suavemente a los usuarios hacia tarifas de pago por línea según los tokens consumidos. Al modelo de buffet libre por veinte dólares le quedan pocos meses de vida; en su lugar llegará inevitablemente el cobro estricto de cada kilovatio-hora de cómputo utilizado.
Meseta de escalado: por qué los chips ya no hacen milagros
Recuerdas la sensación embriagadora de los primeros años del auge generativo: parecía que bastaba con alimentar a la red neuronal con diez veces más textos de internet, aumentar la cantidad de parámetros del modelo y obtendríamos automáticamente una superinteligencia artificial. Este principio empírico de escalado (Scaling Laws), formulado por los investigadores, funcionó sin fallos durante varios años. Pero hacia finales de 2026 la industria se estrelló con toda fuerza contra un muro físico impenetrable.
En primer lugar, a la humanidad simplemente se le acabaron los datos de calidad. Todos los libros digitalizados de acceso público del mundo, los archivos de artículos científicos de arXiv, años de debates en foros especializados, el código de todos los repositorios abiertos y terabytes de subtítulos ya fueron aspirados y horneados en los pesos de los modelos base existentes. Ya no hay de dónde sacar más información. El intento de alimentar a los modelos con textos sintéticos generados por ellos mismos en iteraciones anteriores conduce al conocido fenómeno del «colapso del modelo» (model collapse): el algoritmo empieza a cocerse en su propio jugo, acumula errores estadísticos, pierde construcciones lingüísticas poco frecuentes y produce alucinaciones extravagantes.
En segundo lugar, llegó un periodo de rendimientos marginales drásticamente decrecientes. Si antes multiplicar por diez un clúster de cómputo producía un salto cualitativo en comprensión de contexto y lógica, hoy un aumento de diez veces en el gasto aporta un modesto uno y medio o dos por ciento de mejora en benchmarks estándar como MMLU-Pro o SWE-bench. Para dar un paso diminuto hacia adelante hay que quemar millones de dólares en electricidad. El escalado extensivo del preentrenamiento se ha agotado, y eso es lo que más asusta a los inversores: la edad de oro del progreso fácil mediante fuerza bruta de silicio ha terminado oficialmente.
La amenaza de los modelos de pesos abiertos y la comoditización
Mientras los creadores de monopolios cerrados en la nube quemaban miles de millones de dólares, en el mercado libre ocurrió una revolución silenciosa pero demoledora. Si hace dos años los modelos de pesos abiertos iban años luz por detrás de los buques insignia de OpenAI y Anthropic, hoy la brecha se ha reducido a unas pocas semanas y, en algunos escenarios, el código abierto incluso ha tomado la delantera.
La aparición de arquitecturas como DeepSeek V3 y DeepSeek R1, la familia Llama 3.3 y los lanzamientos recientes de Qwen y Mistral demostró que las capacidades fundamentales de razonamiento pueden empaquetarse en estructuras elegantes y matemáticamente afinadas sin presupuestos desorbitados. La adopción de atención latente multicabeza (Multi-Head Latent Attention, MLA), atención dispersa adaptativa y técnicas de destilación de alta calidad permitió ejecutar modelos potentísimos en servidores relativamente modestos.
Para los proveedores cerrados esto se convirtió en una verdadera catástrofe. Cuando un desarrollador puede desplegar un modelo abierto de nivel comparable en su propio servidor alquilado o mediante un endpoint independiente, los laboratorios cerrados pierden la capacidad de dictar los precios. En los últimos dos años el costo de un millón de tokens en el mercado se desplomó más de un 80%. La inteligencia se está convirtiendo en un commodity de acceso general, un recurso utilitario básico como el agua del grifo o la electricidad del enchufe. Y sobre un commodity es imposible sostener márgenes del 80% a menos que tengas una patente exclusiva o un monopolio sobre la materia prima.
Inercia corporativa y barreras de adopción
Podrías preguntar: «¡Pero si las grandes empresas tienen presupuestos ilimitados! ¿Acaso las corporaciones no van a comprar toda esa capacidad para automatizar sus departamentos?» Es una pregunta lógica, y precisamente en el sector corporativo depositaron sus mayores esperanzas los analistas de capital de riesgo. Pero la realidad chocó contra una inercia corporativa de hormigón armado.
Los directivos de grandes bancos, aseguradoras y cadenas minoristas posan encantados en conferencias y lanzan proyectos piloto en sus áreas de marketing interno. Pero cuando llega el momento de integrar agentes de IA en procesos de negocio críticos —procesar pagos, gestionar cadenas de suministro, calcular impuestos o evaluar riesgos crediticios—, los departamentos legales y los equipos de seguridad se plantan en firme.
Las razones son varias, y todas son absolutamente pragmáticas:
- Falta de determinismo y alucinaciones: el software corporativo clásico puede ser lento e incómodo, pero garantiza que ante los mismos datos de entrada el resultado siempre será idéntico. Una red neuronal, en cambio, tiene naturaleza probabilística y es capaz de emitir una decisión absurda en uno de cada mil casos, cuyo costo se mide en millones de rublos en pérdidas.
- Presión regulatoria y cumplimiento (compliance): los requisitos del reglamento europeo EU AI Act, los estándares de protección de datos personales y las leyes locales exigen total transparencia sobre la lógica de toma de decisiones. Intenta explicarle a un auditor estatal en función de qué pesos ocultos un transformer le negó a un cliente el pago de un seguro.
- Ausencia de responsabilidad personal: si se equivoca un contador de plantilla, el procedimiento de investigación interna está claro. Si un agente autónomo comete un error fatal en un asiento financiero, no queda claro a quién reclamar los daños: al desarrollador del modelo, al integrador de sistemas o al administrador de sistemas.
Como resultado, miles de millones de dólares corporativos que debían fluir hacia la industria del software quedan atrapados en aprobaciones de seguridad de varios meses y en pilotos interminables sin continuidad comercial.
Escenario de una corrección de mercado inevitable
Entonces, ¿qué sucederá cuando el mercado finalmente comprenda que las expectativas billonarias están desconectadas de la realidad? Tracemos un paralelismo que hoy recuerdan muchos ingenieros y financieros experimentados. Lo que estamos presenciando ahora se parece dolorosamente a la burbuja de las puntocom y a la crisis de las telecomunicaciones de 1999–2001.
A finales de los noventa, los operadores de telecomunicaciones invirtieron cientos de miles de millones de dólares en tender cables de fibra óptica por el fondo de los océanos y a través de continentes enteros. Estaban seguros de que el rápido crecimiento de internet llenaría de inmediato esos canales con tráfico. Cuando quedó claro que la demanda real iba años por detrás, la mayoría de los operadores quebraron y las acciones de las empresas tecnológicas se desplomaron. Pero la fibra óptica no desapareció. La infraestructura física permaneció bajo tierra, se abarató varios órdenes de magnitud y, pocos años después, se convirtió en la base para el nacimiento de las plataformas de video, los servicios de streaming, la computación en la nube y el mundo digital moderno.
Exactamente lo mismo le espera a la industria de la IA. Cuando la fiebre del capital de riesgo baje, veremos una oleada de quiebras de startups sobrevaloradas tipo «envoltorio» que simplemente revendían acceso a APIs ajenas con margen comercial. Pero los gigantescos centros de datos, las subestaciones eléctricas y los millones de aceleradores instalados permanecerán. El costo del cómputo caerá inevitablemente hasta el nivel del costo de generación eléctrica, y eso limpiará la industria del hype sin sentido. En la práctica funciona a la perfección la paradoja de Jevons en la economía de la IA: en cuanto el acceso al recurso computacional se abarata y se vuelve utilitario, la demanda total se dispara varias veces, abriendo paso a soluciones que antes parecían económicamente absurdas.
Estrategia de supervivencia: del hype a la economía unitaria
Para ti y para mí, como profesionales prácticos, desarrolladores e investigadores, esta crisis de sobrevaloración no es motivo de pánico, sino una brújula clara. Sobrevivirán no quienes griten más fuerte sobre la revolución, sino quienes sepan hacer cuentas y construir tuberías de ingeniería confiables.
Si estás diseñando hoy la arquitectura de tus proyectos, incorpora estas tres reglas básicas:
- Patrón arquitectónico Model Routing: olvídate de la costumbre de enviar cada solicitud del usuario al modelo insignia con la tarifa máxima. Construye un enrutador inteligente: las tareas simples de clasificación, extracción de entidades y formateo de texto deben ir a modelos especializados compactos o a inferencia local, y solo en el 5% de los escenarios realmente complejos la consulta debe viajar a una red de razonamiento costosa.
- Optimización sin concesiones del contexto: el uso de técnicas de Prompt Caching, compresión semántica de prompts y búsqueda vectorial local permite reducir el volumen de tokens transferidos entre un 70% y un 80%. Cada token que no envías es dinero salvado en tu bolsillo.
- Apuesta por pesos abiertos e infraestructura independiente: los servicios atados por completo a APIs propietarias en la nube de una sola corporación corren el riesgo de morir el primer día en que el proveedor decida subir precios o cambiar las condiciones del servicio. Invierte en el stack local: frameworks como vLLM, SGLang, Ollama y modelos abiertos garantizan la estabilidad de tu negocio ante cualquier tormenta del mercado.


