J.P. Morgan advierte sobre el aumento de señales de alerta en el mercado de la IA

Mientras la inteligencia artificial continúa impulsando saltos tecnológicos sin precedentes, los analistas financieros están dando la voz de alarma sobre una posible inestabilidad del mercado. Un informe reciente de J.P. Morgan sugiere que el "exceso de entusiasmo de los inversores" está creando niveles peligrosos de concentración y volatilidad dentro del sector de la IA.

Concentración extrema y el paralelismo con la burbuja puntocom

La preocupación más llamativa planteada por J.P. Morgan es la extrema concentración de riqueza y crecimiento dentro del S&P 500. Desde el lanzamiento de ChatGPT en 2022, solo 42 empresas relacionadas con la IA han sido responsables de impulsar aproximadamente entre el 65 % y el 80 % de los beneficios, ingresos e inversiones de todo el índice. Esta concentración es más visible en la capitalización de mercado, donde las diez acciones estadounidenses más grandes representan ahora aproximadamente el 40 % del S&P 500, un salto masivo desde el solo 17 % en 2015.

Además, los patrones técnicos en el sector de los semiconductores están reflejando la infame burbuja puntocom. J.P. Morgan identifica cuatro señales de advertencia específicas:

• Las acciones de semiconductores se están desviando de su media móvil de 200 días de forma tan pronunciada como ocurrió a finales de la década de 1990.
• Los fondos de cobertura están más invertidos en acciones de chips que en cualquier otro momento anterior.
• Los préstamos de margen en la bolsa de valores de Corea se han triplicado desde 2020.
• El comercio de opciones en acciones de semiconductores ha aumentado hasta cinco veces los niveles de 2020.

El cambiante panorama del hardware de IA

Aunque Nvidia sigue siendo el titán del mercado de aceleradores de IA, su dominio se enfrenta a una erosión estratégica. J.P. Morgan estima que la cuota de mercado de Nvidia probablemente caerá del 85 % en 2023 a aproximadamente el 75 % para 2026. Este cambio es impulsado por los principales proveedores de la nube, que están desarrollando silicio propio para optimizar costes.

Por ejemplo, las TPU de Google y los chips Trainium de Amazon se están convirtiendo en alternativas críticas. El uso de silicio personalizado puede reducir los costes operativos entre un 30 % y un 40 % en comparación con las GPU tradicionales de Nvidia. Ya se está produciendo un cambio notable en la industria: Anthropic se ha comprometido a ejecutar sus modelos Claude en la infraestructura Trainium de Amazon durante la próxima década, lo que señala un alejamiento de la dependencia total de las GPU.

Presiones sobre los márgenes y el auge del código abierto

La viabilidad económica de los principales laboratorios de IA, como OpenAI y Anthropic, sigue siendo una gran incógnita. A pesar del rápido crecimiento de los ingresos, los astronómicos costes de computación están reduciendo los márgenes. Esto crea una vulnerabilidad que los competidores están listos para explotar.

A medida que los precios de los tokens fluctúan, las empresas buscan cada vez más optimizar su gasto trasladando tareas a modelos de código abierto más económicos y de alto rendimiento. El panorama se complica aún más con los modelos de código abierto chinos, que se acercan rápidamente al rendimiento de primer nivel a una fracción del coste de los modelos propietarios occidentales. Esta presión a la baja en el precio de los tokens, combinada con la reducción de los márgenes de flujo de caja libre en los principales proveedores de la nube, sugiere que la "fiebre del oro de la IA" pronto podría enfrentarse a un duro golpe de realidad en cuanto a la rentabilidad.

Conclusiones clave

• Volatilidad del mercado: Los patrones de las acciones de semiconductores y el aumento del comercio de opciones muestran similitudes técnicas con la burbuja puntocom.
• Diversificación de hardware: Se proyecta que la cuota de mercado de Nvidia disminuya a medida que proveedores de la nube como Amazon y Google desplieguen chips personalizados para reducir costes hasta en un 40 %.
• Riesgos de rentabilidad: Los altos costes de computación y la creciente eficiencia de los modelos de código abierto de bajo coste (incluidos los chinos) están amenazando los márgenes de los principales laboratorios de IA.