Diario Tech & IA
La inteligencia artificial ya consiguió algo extraordinario: convencer a empresas, inversionistas y mercados de capitales de financiar una de las mayores expansiones de infraestructura tecnológica de la historia. Ahora viene la parte difícil. Esa infraestructura tiene que producir dinero. La inversión mundial acumulada en centros de datos podría superar los US$30 billones hacia 2050, mientras Bain estima que los hyperscalers estadounidenses y otros participantes de la carrera necesitarán encontrar más de US$4.2 billones en nuevos ingresos durante los próximos cinco años para financiar la expansión prevista. El próximo benchmark de la IA ya no será cuántos parámetros tiene un modelo ni cuántas GPU caben en un campus. Será cuánto valor económico produce cada dólar de cómputo.
Esta es una discusión más útil que preguntar simplemente si existe o no una “burbuja de IA”.
Una inversión gigantesca no es automáticamente una burbuja.
Ferrocarriles, electricidad, telecomunicaciones e Internet también exigieron construir infraestructura mucho antes de que todas sus aplicaciones económicas estuvieran claras.
El problema aparece cuando el capital invertido crece mucho más rápido que los ingresos capaces de remunerarlo.
Y esa es precisamente la prueba que empieza ahora.
PwC calcula que el gasto acumulado mundial en centros de datos podría superar US$30 billones hacia 2050, una suma comparable con el valor actual de todo el mercado de bonos del Tesoro estadounidense y superior, en términos ajustados, a buena parte de las grandes oleadas de infraestructura tecnológica del pasado.
Pero los centros de datos no generan retorno simplemente por existir.
Dentro de ellos hay servidores.
Los servidores contienen aceleradores.
Los aceleradores necesitan memoria.
Todo necesita electricidad.
Los edificios necesitan refrigeración.
Las redes necesitan fibra y switches.
El hardware debe reemplazarse.
Los modelos necesitan entrenamiento.
Y finalmente alguien tiene que pagar por utilizar toda esa capacidad.
La cadena económica completa es:
capital → infraestructura → cómputo → aplicaciones → productividad → ingresos → flujo de caja.
La tecnología puede funcionar perfectamente y el proyecto financiero aun así fracasar si los últimos eslabones no aparecen suficientemente rápido.
Ese es el verdadero debate que enfrenta hoy la inteligencia artificial.
Bain estima que los hyperscalers estadounidenses —compañías como Google, Amazon y Microsoft— junto con otros participantes del sector necesitan encontrar más de US$4.2 billones en nuevos ingresos durante los próximos cinco años para financiar el ritmo actual de construcción. La consultora sostiene que las mejoras de productividad procedentes de mercados existentes probablemente no bastarán por sí solas y que tendrán que surgir mercados completamente nuevos.
Esa afirmación merece detenerse.
US$4.2 billones no significa que una sola empresa tenga que facturar esa cantidad.
Tampoco representa una predicción garantizada de ventas.
Es una estimación del tamaño del ingreso adicional que el ecosistema necesitaría generar para sostener el capital comprometido.
Pero coloca una magnitud concreta sobre el problema.
La industria no necesita solamente vender más suscripciones de chatbots.
Necesita crear actividad económica nueva a una escala gigantesca.
Ahí aparece una diferencia fundamental entre capacidad tecnológica y retorno financiero.
Un modelo puede escribir mejor código.
Puede analizar documentos.
Puede responder consultas.
Puede ayudar en investigación.
Puede automatizar partes de atención al cliente.
Todo eso tiene valor.
La pregunta financiera es otra:
¿cuánto valor adicional puede convertirse efectivamente en ingresos?
Supongamos que una empresa reduce en 20% el tiempo necesario para desarrollar software.
Eso puede generar enorme productividad.
Pero no necesariamente el proveedor del modelo captura todo ese valor.
Una parte queda en la empresa usuaria.
Otra puede traducirse en precios más bajos.
Otra puede generar más producción.
Y solo una fracción termina convirtiéndose en ingresos para quien construyó la infraestructura de IA.
Esta distinción es crítica.
La inteligencia artificial puede resultar extraordinariamente útil para la economía y simultáneamente producir retornos mucho más modestos para algunas compañías que financiaron su expansión.
Internet ofrece un precedente importante.
La red transformó el mundo.
Muchas compañías que financiaron la primera ola de infraestructura desaparecieron.
Las dos cosas pueden ser ciertas al mismo tiempo.
Una tecnología puede cambiar la economía y destruir capital de determinados inversionistas.
Por eso decir que la IA será transformadora no responde automáticamente a la pregunta de si todas las inversiones actuales son racionales.
Hay que analizar quién captura el valor.
La situación se vuelve todavía más exigente cuando observamos cuánto capital planean gastar algunos laboratorios.
Reuters informó que Anthropic contempla compromisos de aproximadamente US$518,000 millones durante los próximos años, una cifra superior a cien veces sus ingresos de 2025.
Eso no significa que Anthropic vaya a desembolsar inmediatamente esa cantidad ni que todo el gasto recaiga directamente sobre su balance.
Existen contratos, proveedores, compromisos plurianuales y estructuras financieras complejas.
Pero la relación entre ingresos actuales y obligaciones futuras muestra el tamaño de la apuesta.
La lógica es sencilla:
gastar hoy para capturar un mercado futuro mucho mayor.
Ese modelo funciona si ese mercado aparece.
Si tarda demasiado, el capital empieza a pesar.
Y ahí conecta directamente con nuestro análisis anterior sobre deuda de IA.
Primero la industria utilizó enormes cantidades de flujo de caja.
Después empezó a recurrir cada vez más a bonos, project finance, private credit y vehículos especializados.
Los grandes hyperscalers ya emitieron alrededor de US$220,000 millones de deuda durante 2026, más del doble que el año anterior, en un momento en que los rendimientos soberanos estadounidenses también han subido considerablemente.
La ecuación se vuelve entonces más exigente.
No basta con generar retorno.
Hay que generar un retorno superior al costo del capital.
En términos financieros:
ROIC > WACC.
Retorno sobre capital invertido mayor que costo promedio ponderado del capital.
Si una empresa construye infraestructura que produce 12% de retorno y financiarla cuesta 6%, existe margen.
Si el costo sube a 9% y el retorno baja a 10%, la economía empieza a estrecharse peligrosamente.
Y el sector de IA enfrenta una característica adicional:
obsolescencia extraordinariamente rápida.
Un centro de datos puede durar décadas.
Una generación de GPU no.
Los aceleradores instalados hoy pueden seguir funcionando durante años, pero cada nueva generación promete más rendimiento por vatio, más memoria y menor costo por unidad de cómputo.
Eso significa que el activo físico puede continuar operativo mientras su competitividad económica se deteriora.
Un servidor de tres años puede seguir calculando.
Pero si un servidor nuevo produce el doble de trabajo utilizando la mitad de energía, el precio que el mercado está dispuesto a pagar por la máquina antigua cae.
Esto obliga a recuperar inversión rápidamente.
La infraestructura de IA no se parece por completo a una autopista o una central eléctrica.
Parte de su capital envejece a velocidad de semiconductores.
Por eso la utilización será decisiva.
Una GPU trabajando cerca de máxima capacidad tiene una economía.
Una GPU esperando clientes tiene otra.
Un campus de US$20,000 millones utilizado al 90% puede justificar su inversión.
El mismo campus al 40% puede convertirse en una carga.
La próxima gran métrica de la industria debería ser precisamente:
utilización efectiva del cómputo instalado.
No gigavatios anunciados.
No GPU ordenadas.
No metros cuadrados construidos.
Utilización.
Y después:
ingreso generado por unidad de capacidad.
Esta es una de las razones por las que contratos plurianuales, backlog y reservas de capacidad se han vuelto tan importantes.
Proveedores de infraestructura quieren demostrar a los financiadores que no están construyendo centros de datos esperando clientes futuros.
Quieren mostrar demanda contratada.
Pero incluso esa métrica necesita cautela.
Un contrato puede extenderse durante varios años.
Puede contener condiciones.
Puede depender de que la infraestructura se entregue.
Puede concentrarse excesivamente en un solo cliente.
Y puede haber sido firmado por otra compañía que también depende de capital externo.
El dinero puede circular varias veces dentro del mismo ecosistema antes de que aparezca una aplicación final que genere flujo de caja fuera de él.
Por eso deberíamos distinguir entre:
demanda interna del ecosistema de IA
y
demanda final de la economía.
Si un laboratorio levanta capital para comprar cómputo a un hyperscaler, ese hyperscaler registra ingresos.
Si el hyperscaler utiliza esos ingresos para comprar más GPU, NVIDIA registra ventas.
Si NVIDIA reinvierte parte del flujo en compañías que comprarán sus propios chips, aparece otro ciclo.
Nada de eso es necesariamente problemático.
Pero cuanto más circular sea la financiación, más importante se vuelve identificar dónde entra el dinero procedente de clientes externos.
Esa es la prueba final.
Empresas normales.
Gobiernos.
Hospitales.
Bancos.
Industria.
Consumidores.
Todos pagando porque la IA les genera suficiente utilidad económica.
Ahí se transforma una inversión tecnológica en una industria autosostenible.
Por ahora existen señales positivas.
El uso empresarial aumenta.
La programación es uno de los segmentos donde la mejora de productividad parece más evidente.
Los agentes empiezan a ejecutar tareas más largas.
La ciencia computacional utiliza modelos para acelerar procesos.
La atención al cliente se automatiza.
Marketing, búsqueda, análisis financiero y operaciones están incorporando herramientas de IA.
Pero Reuters cita a JPMorgan señalando que las ganancias amplias de productividad en Estados Unidos todavía siguen siendo difíciles de identificar claramente a escala macroeconómica.
Ese matiz es importante.
No significa que no exista productividad.
Significa que todavía no se observa una transformación suficientemente grande en los datos agregados como para cerrar la discusión.
La tecnología puede estar produciendo beneficios dispersos que tardan en aparecer en estadísticas nacionales.
Eso ocurrió con otras revoluciones tecnológicas.
La electricidad necesitó décadas para reorganizar fábricas.
Las primeras plantas simplemente sustituyeron máquinas de vapor por motores eléctricos sin rediseñar procesos.
La gran productividad apareció cuando las empresas reconstruyeron el sistema de producción alrededor de la nueva tecnología.
Algo parecido ocurrió con computadoras e Internet.
Durante años las compañías digitalizaron procesos viejos.
Después aparecieron modelos de negocio imposibles anteriormente.
Amazon.
Google.
Cloud computing.
Streaming.
Software como servicio.
La IA puede necesitar una transición similar.
La primera fase consiste en añadir IA a productos existentes.
La segunda será construir productos y empresas que no tendrían sentido sin ella.
Ahí probablemente está el argumento más importante de Bain.
Los mercados actuales pueden no ser suficientes.
Se necesitan nuevos mercados.
Robots guiados por IA.
Investigación científica automatizada.
Descubrimiento de nuevos materiales.
Medicina personalizada.
Sistemas autónomos industriales.
Educación adaptativa.
Nuevas categorías de software.
Esas aplicaciones tienen que dejar de ser demostraciones y convertirse en negocios.
Porque US$4.2 billones de ingresos adicionales no saldrán solamente de vender suscripciones de US$20 mensuales a chatbots.
La economía necesita aplicaciones capaces de crear nuevos flujos de dinero.
En ese sentido, Physical AI puede resultar especialmente relevante.
Un modelo digital produce valor dentro de una pantalla.
Un sistema que mejora una fábrica puede afectar directamente productividad física.
Reduce desperdicio.
Aumenta producción.
Disminuye downtime.
Optimiza logística.
Ahorra energía.
Esos beneficios son más fáciles de traducir en retorno económico.
Lo mismo ocurre con IA científica.
Si un modelo reduce de seis meses a seis semanas una etapa de descubrimiento farmacéutico, el valor potencial puede ser enorme.
Si permite diseñar una nueva batería.
Un nuevo semiconductor.
Una proteína.
Una aleación.
Un proceso industrial.
Ahí empiezan a aparecer mercados que pueden justificar infraestructura de gran escala.
Pero todavía no sabemos cuánto de ese potencial se materializará.
Y mucho menos cuándo.
Ese tiempo es crucial.
Porque el capital tiene reloj.
Un inversionista puede esperar.
Un bono tiene vencimiento.
Una compañía tiene gastos trimestrales.
Los centros de datos necesitan electricidad todos los días.
Los ingenieros cobran salarios.
El hardware se deprecia.
La frase más importante del análisis de Bain citado por Reuters probablemente sea la más sencilla:
La pregunta es si las aplicaciones llegarán a tiempo para pagarlo.
Ahí está todo el problema.
No basta con que la inteligencia artificial cambie el mundo dentro de veinte años.
La infraestructura construida en 2026 necesita producir retorno mucho antes.
Otro análisis citado por Reuters estima que el sector estadounidense de IA necesitaría generar alrededor de US$3.55 billones de ingresos anuales hacia 2032 para producir un retorno de aproximadamente 10% sobre la inversión. Hoy genera solo una fracción de esa cantidad.
Esa cifra vuelve más concreta la escala.
No estamos buscando simplemente crecimiento del 20% anual.
Estamos hablando de crear industrias enteras.
Por eso las valoraciones actuales contienen una apuesta implícita.
No solamente que los modelos serán mejores.
Que la mejora será suficientemente grande para generar nuevos mercados gigantescos.
Los defensores de la industria creen que sí.
La tesis más ambiciosa sostiene que los propios modelos ayudarán a acelerar investigación y desarrollo, produciendo un ciclo de mejora cada vez más rápido.
Google DeepMind ha señalado que la llamada recursive self-improvement forma parte de la tesis de inversión tecnológica: modelos que ayudan a mejorar modelos, acelerar ciencia y aumentar productividad.
Pero aquí debemos separar posibilidad de evidencia.
Que un sistema pueda ayudar a programar, investigar o diseñar experimentos no significa todavía que exista una economía autónoma de crecimiento exponencial.
Siguen siendo necesarios:
GPU
energía
fábricas
datos
equipos humanos
capital
instituciones
clientes.
La IA puede multiplicar productividad dentro de ese sistema.
No elimina el sistema.
Y precisamente por eso la economía sigue importando.
La industria necesita empezar a publicar mejores métricas.
Los inversionistas ya conocen:
CAPEX.
Número de GPU.
Gigavatios.
Backlog.
Pero necesitamos saber:
ingresos directamente atribuibles a IA
flujo de caja producido por esos ingresos
utilización de infraestructura
costo de inference
margen por unidad de cómputo
vida económica del hardware
retorno sobre capital invertido.
En Diario Tech & IA propondríamos resumir una parte de esta discusión mediante una métrica conceptual:
AI Infrastructure Productivity
La relación sería sencilla:
ingresos adicionales atribuibles a IA / capital invertido en infraestructura de IA.
No sería una métrica contable perfecta.
Las compañías no separan siempre sus inversiones con suficiente detalle.
Pero obliga a hacer la pregunta correcta.
Supongamos dos compañías.
La primera invierte US$100,000 millones y genera US$25,000 millones de nuevos ingresos.
La segunda invierte US$50,000 millones y genera US$20,000 millones.
La primera construyó más infraestructura.
La segunda produjo más ingresos por dólar invertido.
¿Quién está ganando realmente?
Durante los últimos años el mercado ha premiado principalmente capacidad.
El próximo ciclo probablemente premie eficiencia.
Ese cambio ya empieza a verse.
Los hyperscalers hablan cada vez más de utilización.
Los fabricantes de chips venden rendimiento por vatio.
Los desarrolladores de modelos reducen costo por token.
Los centros de datos buscan aumentar densidad energética.
Los agentes intentan completar más trabajo utilizando menos intervención humana.
Todos están atacando la misma ecuación desde diferentes direcciones:
más trabajo útil por dólar.
Y esa puede terminar siendo la verdadera salida al problema de los US$4.2 billones.
La industria no necesariamente tiene que cobrar US$4.2 billones adicionales manteniendo exactamente los costos actuales.
También puede mejorar brutalmente la productividad de la infraestructura.
Si una nueva generación de modelo completa la misma tarea utilizando la mitad de cómputo, aumenta el retorno de cada GPU.
Si una arquitectura de inference reduce costos 70%, aparecen aplicaciones que antes no eran rentables.
Si un agente reemplaza diez llamadas de modelo por tres, mejora economía.
Si un centro de datos aumenta utilización del 50% al 80%, obtiene más ingresos sin construir otro edificio.
La innovación puede atacar tanto el numerador como el denominador.
Más ingresos.
Menor costo.
Idealmente ambos.
Por eso tampoco tiene sentido concluir apresuradamente que la magnitud de inversión demuestra una burbuja inevitable.
Todavía existe otro escenario.
Que la infraestructura construida hoy reduzca radicalmente el costo del cómputo.
Que ese cómputo barato genere aplicaciones nuevas.
Que esas aplicaciones aumenten demanda.
Y que el mercado final termine siendo mucho mayor que cualquier estimación actual.
Ese fue, en cierta medida, el patrón de Internet.
El exceso de fibra construido durante el boom tecnológico destruyó capital para determinados inversionistas.
Pero también dejó infraestructura barata que permitió la siguiente generación de compañías digitales.
Podría ocurrir algo parecido con IA.
La sociedad podría beneficiarse enormemente incluso si parte del capital invertido inicialmente produce malos retornos.
Esa distinción será importante cuando llegue una eventual corrección.
Una caída en valoraciones no significaría necesariamente que la tecnología fracasó.
Podría significar que algunos inversionistas pagaron demasiado por participar demasiado pronto.
El Banco de Japón acaba de introducir precisamente ese riesgo en su análisis macroeconómico: el boom de IA está aumentando inversión y condiciones financieras, pero los mercados podrían corregir si los beneficios empresariales esperados no llegan a materializarse.
Esto demuestra cuánto ha cambiado el sector.
La IA ya no es solamente un tema tecnológico.
Es una variable de:
mercados de deuda,
electricidad,
política industrial,
crecimiento,
productividad
y ahora política monetaria.
La expansión de centros de datos estadounidenses podría alcanzar alrededor de 90 GW de capacidad al cierre de 2027, según Goldman Sachs.
Ese es capital físico que se está construyendo ahora.
No una promesa.
Los edificios existirán.
Las conexiones eléctricas existirán.
Los servidores llegarán.
La pregunta es qué trabajo harán.
Y cuánto estarán dispuestos a pagar los clientes por ese trabajo.
Ese será el verdadero examen.
Durante la primera etapa de la revolución de IA medimos modelos.
Durante la segunda medimos infraestructura.
La tercera tendrá que medir economía.
Porque una tecnología no se convierte en infraestructura fundamental simplemente cuando puede hacer algo impresionante.
Lo hace cuando ese algo produce suficiente valor para financiar su propia expansión.
La inteligencia artificial ya ha demostrado que puede atraer capital.
Ahora necesita demostrar que puede multiplicarlo.