La factura de la IA reabre el debate sobre una posible burbuja
El gasto en chips y centros de datos crece a un ritmo inédito, mientras bancos y analistas dudan de que los ingresos de la IA generativa puedan justificarlo pronto. La discusión no cuestiona la tecnología, sino el calendario y el reparto de sus beneficios.
Las grandes tecnológicas están dedicando decenas de miles de millones de dólares a chips, centros de datos y electricidad para entrenar y operar modelos de inteligencia artificial. La cuestión que ha ganado fuerza este verano no es si la IA funciona, sino si los ingresos llegarán con la rapidez necesaria para compensar una inversión que ya se mide en cientos de miles de millones.
El debate sobre una posible burbuja ha cobrado intensidad tras varios informes financieros y las últimas presentaciones de resultados de Microsoft, Alphabet, Meta y Amazon. Todas defienden que la IA será una infraestructura básica de su negocio. Los inversores, en cambio, empiezan a pedir una respuesta más concreta: quién pagará esa infraestructura y cuánto tiempo tardará en hacerlo.
Una carrera de capital antes de que exista un mercado maduro
La IA generativa requiere un despliegue físico poco habitual para un producto digital. Los modelos se entrenan y responden a los usuarios en grandes grupos de procesadores especializados, sobre todo GPU de Nvidia. Eso obliga a comprar servidores, ampliar centros de datos y asegurar un suministro eléctrico que también se ha convertido en un cuello de botella.
Microsoft destinó 19.000 millones de dólares a inversión de capital, incluidos arrendamientos financieros, en el trimestre cerrado en junio, un 77% más que un año antes. Alphabet comunicó un gasto de capital de 13.200 millones durante el segundo trimestre y anticipó que mantendría un ritmo trimestral cercano a 12.000 millones en la segunda mitad del año. Meta elevó su previsión de inversión para 2024 a una horquilla de entre 37.000 y 40.000 millones.
No son inversiones aisladas. Microsoft necesita capacidad para Azure y sus servicios de Copilot; Google la emplea en Cloud, Search y Gemini; Meta entrena sus modelos Llama y desarrolla recomendaciones y productos basados en asistentes. Amazon, por su parte, compite por atraer a empresas a AWS con acceso a modelos propios y de terceros.
Este gasto explica buena parte del extraordinario crecimiento de Nvidia, cuyos ingresos trimestrales alcanzaron 26.000 millones de dólares en el trimestre terminado en abril, un 262% más interanual. Pero también revela una asimetría: los proveedores de infraestructura ya están capturando ingresos muy visibles, mientras que el retorno para quienes compran esa infraestructura sigue siendo más difícil de separar del resto del negocio.
La pregunta de los 600.000 millones
David Cahn, socio de Sequoia Capital, puso cifras a esa tensión en un análisis publicado en junio bajo el título AI's $600B Question. Su cálculo planteaba que, para justificar la inversión en centros de datos y chips que acompaña al auge de la IA, el sector tendría que generar unos 600.000 millones de dólares anuales de ingresos adicionales.
La cifra no es una previsión de ventas ni una cuenta cerrada: es una forma de medir la distancia entre el coste de la infraestructura y el mercado comercial que existe hoy. Aun así, sirve para entender por qué algunos inversores han dejado de valorar cualquier anuncio de IA como una promesa suficiente.
Goldman Sachs planteó una duda parecida a finales de junio. Sus analistas estimaron que las empresas tecnológicas, eléctricas y otros actores de la cadena podrían invertir más de un billón de dólares en infraestructura de IA en los próximos años. El informe cuestionaba qué problema suficientemente valioso resolverá la tecnología para sostener esa factura.
La crítica no implica que la IA generativa carezca de utilidad. Ya hay empresas que pagan por herramientas de programación, atención al cliente, búsqueda documental, análisis de texto y generación de contenidos. Microsoft afirmó que su negocio de IA había superado los 10.000 millones de dólares de ingresos anualizados durante su ejercicio fiscal recién cerrado. Además, la IA aportó ocho puntos al crecimiento de Azure en el trimestre de junio.
El problema es de escala. Ingresos de ese tamaño son relevantes para un producto nuevo, pero siguen siendo modestos frente a la inversión acumulada que exige construir una red global de centros de datos preparada para modelos cada vez mayores y para cientos de millones de consultas diarias.
Burbuja no significa fraude ni fracaso tecnológico
Hablar de burbuja puede inducir a error. Una burbuja financiera aparece cuando las expectativas y las valoraciones se separan de los resultados que una empresa puede producir. No exige que la tecnología sea falsa ni que todos los proyectos terminen mal.
La historia de internet ofrece un precedente útil. A finales de los noventa se sobrevaloraron muchas compañías que no tenían negocio sostenible, pero la infraestructura desplegada entonces ayudó a construir servicios que hoy son cotidianos. Con la IA puede ocurrir algo similar: parte del gasto actual puede resultar prematuro o excesivo para algunas empresas y, al mismo tiempo, dejar una infraestructura que abarate futuros productos.
También hay una diferencia importante respecto a la burbuja puntocom. Las compañías que están financiando esta carrera —Microsoft, Alphabet, Amazon y Meta— son rentables y cuentan con negocios consolidados de publicidad, comercio electrónico, software y nube. Tienen capacidad para sostener varios años de inversión, aunque eso no elimina el riesgo de que el retorno sea menor de lo esperado.
El reto pasa de entrenar modelos a integrarlos en el trabajo
La rentabilidad dependerá menos de los modelos espectaculares en demostraciones públicas que de su adopción dentro de procesos concretos. Una empresa no pagará de forma estable por un asistente que redacta textos si no reduce tiempos, errores o costes de manera medible. Lo mismo ocurre con los copilotos de programación: deben aportar más productividad de la que cuesta su licencia, su integración y la supervisión humana.
Ahí aparecen fricciones que las presentaciones comerciales suelen dejar en segundo plano. Los modelos pueden cometer errores, requieren acceso controlado a datos internos y obligan a rediseñar procesos. En sectores regulados, además, hay exigencias de privacidad, trazabilidad y responsabilidad que ralentizan el despliegue.
Los próximos resultados trimestrales darán una señal más clara que los anuncios de nuevos modelos. Los mercados vigilarán si crecen los clientes empresariales de pago, si la IA acelera de forma sostenida los ingresos de la nube y si el gasto de capital empieza a traducirse en márgenes, no solo en promesas. La tecnología ya ha demostrado que puede hacer muchas tareas; la prueba pendiente es convertir esa capacidad en un negocio proporcional a la enorme factura que está generando.
