La pregunta de los 3 billones de dólares de la IA: ¿Podrán los ingresos igualar el gasto en infraestructura?
La industria de la inteligencia artificial se encuentra actualmente en una carrera de alto riesgo entre el gasto masivo de capital y la urgente necesidad de generar ingresos. A medida que los hiperescaladores invierten billones en hardware, surge una pregunta crítica: ¿puede la capa de software generar suficiente valor para justificar el inmenso costo del silicio?
La creciente brecha entre el CapEx y los ingresos
La escala de la inversión en infraestructura de IA es asombrosa. El socio de Sequoia, David Cahn, quien previamente estimó un requisito de ingresos de 200.000 millones de dólares basado en los 50.000 millones de dólares de ingresos por GPU de Nvidia, ha revisado significativamente sus proyecciones. Debido a tres años de un escalamiento implacable, Cahn estima ahora que el gasto en infraestructura de IA alcanzará los 1,5 billones de dólares para 2026.
Para recuperar estos costos, la industria debe generar un estimado de 3 billones de dólares en ingresos. Es probable que esta cifra sea una base conservadora. El aumento de los costos en memoria, el despliegue de chips exóticos específicos para inferencia y el incremento en los costos de construcción de centros de datos están elevando drásticamente los ingresos requeridos por gigavatio (GW) de CapEx. Si bien los laboratorios de frontera están experimentando crecimiento —con informes de que Anthropic alcanzó los 60.000 millones de dólares en ARR y OpenAI llegó a los 20.000 millones de dólares en ARR—, sigue existiendo una brecha masiva entre las ganancias actuales y el umbral de los 3 billones de dólares.
La apuesta de los hiperescaladores y el riesgo de deflación
Los hiperescaladores al estilo de los "Magnificent Seven" —Google, Meta, Microsoft y Amazon— son los principales impulsores de este gasto. Estos gigantes están apostando por una aceleración masiva en el flujo de caja libre para 2028, basándose en la idea de que los servicios de IA se convertirán en servicios públicos esenciales y de alto margen.
Sin embargo, el economista jefe de Apollo, Torsten Slok, advierte sobre vientos en contra significativos que podrían descarrilar estos cálculos. Dos tendencias específicas representan una amenaza para el modelo de negocio de "fábrica de tokens":
- El auge de los pesos abiertos (open weights): Las organizaciones están pivotando cada vez más hacia modelos de pesos abiertos más económicos, incluidos los que se originan en China, en lugar de depender únicamente de los costosos modelos de frontera.
- Deflación de tokens: A medida que los modelos se vuelven más eficientes, el precio por token está cayendo en picado. Por ejemplo, los modelos más recientes de OpenAI han logrado un aumento del 54% en la eficiencia de tokens para tareas de programación. Si bien esto es una victoria para los desarrolladores y usuarios finales, crea una "carrera hacia el fondo" para los proveedores que dependen de un alto volumen de tokens para compensar los enormes costos de infraestructura.
Implicaciones macroeconómicas de un fracaso en el retorno de la inversión en IA
Lo que está en juego va mucho más allá de los balances de los gigantes tecnológicos. Debido a que el liderazgo actual del mercado está tan concentrado en unos pocos nombres, todo el S&P 500 está ligado al éxito de este ciclo de inversión en IA.
Si los hiperescaladores no logran alcanzar sus objetivos proyectados de flujo de caja para 2028, la reacción del mercado podría ser sistémica. Slok sugiere que un retorno más lento de lo esperado no solo resultaría en una corrección específica del sector; potencialmente podría empujar a la economía en general hacia una recesión. Para el ecosistema de la IA, los próximos años serán una prueba definitiva de si la inteligencia puede monetizarse lo suficientemente rápido como para superar el costo acelerado del hardware que la produce.
Conclusiones clave
- Requisito masivo de ingresos: La industria de la IA necesita generar aproximadamente 3 billones de dólares en ingresos para justificar los 1,5 billones de dólares de gasto proyectado en infraestructura para 2026.
- Paradoja de la eficiencia: La mejora en la eficiencia de los modelos (como la ganancia del 54% de OpenAI en tareas de programación) reduce los costos para los usuarios, pero crea presión sobre los precios para las empresas que financian el hardware.
- Riesgo económico sistémico: Dado que el crecimiento de los hiperescaladores es un motor principal del S&P 500, el fracaso en la obtención de retornos de la IA podría desencadenar una corrección de mercado más amplia o una recesión.