La IA puede triunfar y sus inversionistas perder

Análisis con fuentes consultadas el 06-10-2026, hora de Chile (America/Santiago). Las proyecciones se identifican como tales. Un billón equivale aquí a un millón de millones de dólares.

La inteligencia artificial puede transformar la economía y, al mismo tiempo, resultar una mala inversión para algunos de quienes la financian. No hay contradicción: una tecnología útil no garantiza que el precio pagado por sus empresas, sus chips o sus centros de datos permita obtener una rentabilidad adecuada.

Esa distinción ordena una discusión demasiado atrapada entre entusiasmo y derrumbe. La pregunta relevante ya no es solamente cuánto puede hacer un modelo. Es quién cobra por ese trabajo, cuánto conserva después de pagar sus costos y cuánto capital necesita para seguir compitiendo.

La tesis de este artículo es que podemos acercarnos a un mundo de inteligencia abundante y barata antes de que una parte de la infraestructura construida para producirla haya recuperado su inversión. Es un escenario plausible, no una predicción de quiebra generalizada.

La demanda existe; su rentabilidad necesita otra prueba

Microsoft informó que Azure superó los USD 100.000 millones anuales y que Microsoft 365 Copilot alcanzó más de 30 millones de puestos pagados al cierre de su ejercicio fiscal 2026. Son señales relevantes de demanda y adopción. También tienen límites: Azure incluye cargas ajenas a la IA y los puestos vendidos no revelan por sí solos cuánto beneficio incremental deja Copilot. Fuente: resultados de Microsoft.

Confundir esas categorías conduce a errores en ambas direcciones. Ni todo el crecimiento de la nube puede atribuirse a la IA ni la ausencia de un estado financiero separado demuestra que sus productos carezcan de clientes.

Hay otra confusión más profunda. Imaginemos una empresa que ahorra USD 100 gracias a una aplicación por la que paga USD 3. Parte de esos tres dólares llega al proveedor del modelo y parte al operador de infraestructura. El ahorro de cien dólares es valor económico para el usuario; no son cien dólares disponibles para pagar centros de datos.

El ejemplo es hipotético, pero la distinción es decisiva. La productividad puede aumentar mucho mientras los proveedores compiten por una fracción pequeña del beneficio generado. Además, sumar la factura del software, la API y la nube como si fueran tres demandas finales independientes contaría varias veces el mismo flujo de dinero.

También puede ocurrir que la competencia entre las empresas usuarias traslade el ahorro a precios menores. En ese caso, parte del beneficio termina en los consumidores y no en mayores utilidades de los proveedores ni de sus clientes empresariales. Un éxito social no tiene por qué transformarse en una renta extraordinaria para algún eslabón.

Una montaña de capital y una pregunta todavía abierta

Bain estima que el CAPEX conjunto de Microsoft, Alphabet, Amazon, Meta y Oracle podría alcanzar USD 780.000 millones en 2026. Para 2031 plantea un escenario de USD 1,5 billones anuales de inversión en infraestructura de IA. Si esa inversión representara el 25% de los ingresos del sector, correspondería a un mercado de USD 6 billones anuales.

Sus categorías visibles de consumo y empresa aportarían entre USD 1,2 y 1,8 billones. La diferencia aritmética sería de USD 4,2 a 4,8 billones; el informe destaca el extremo inferior. Es una prueba de plausibilidad basada en supuestos, no una ley contable ni una cantidad que deban facturar los chatbots. Fuente: Technology Report 2026 de Bain.

Para evaluar un proyecto concreto se necesita mucho más: utilización, tarifas, costos operativos, vida económica, reposición y costo de capital. Un edificio y una GPU no tienen el mismo calendario de recuperación.

Un ejercicio propio lo muestra. Supongamos una inversión inicial de USD 10.000 millones, una tasa de descuento del 10%, flujos anuales constantes y valor residual cero. Si el margen de caja disponible para remunerar esa inversión es del 45% de los ingresos, el resultado sería:

Cálculo ilustrativo: caja anual = inversión × r / [1 − (1+r) elevado a −n]. El margen supuesto debe absorber los costos operativos, impuestos, mantenimiento y otras necesidades de caja pertinentes; no contempla expansiones adicionales. No describe las cuentas de ninguna empresa.

Acortar la vida económica de seis a cuatro años eleva aproximadamente un 37% los ingresos anuales requeridos. Por eso una nueva generación de chips puede ser excelente para quien la compra y problemática para quien todavía debe amortizar la anterior.

Los modelos abiertos cambian dónde puede quedar el margen

Conviene hablar de modelos de pesos abiertos: poder descargar sus parámetros no significa necesariamente que sean públicos sus datos, su código de entrenamiento o todos los derechos de uso.

El estudio de OpenRouter sobre más de 100 billones de tokens observó que estos modelos alcanzaron aproximadamente un tercio del volumen cursado por su plataforma hacia fines de 2025. Es evidencia de competencia relevante, con dos límites: describe su propio intermediario y mide tokens, no cuota mundial de ingresos. Fuente: State of AI de OpenRouter.

Si un modelo barato resuelve suficientemente bien una tarea, la prima del proveedor más avanzado se reduce. Sin embargo, el precio por token no decide todo. Importan los reintentos, las herramientas, la latencia, la revisión humana y el costo de equivocarse.

La medida útil es el costo por tarea aceptada: todos esos costos divididos por los resultados que cumplen el estándar requerido. Un modelo más caro puede ganar esa comparación; uno pequeño y especializado también.

La revisión merece especial atención. Si abaratar la generación lleva a producir mucho más material sin mejorar su tasa de aceptación, puede crecer el tiempo total que alguien debe dedicar a comprobarlo. La empresa debería medir el trabajo terminado y aceptado, además del volumen producido. Más tokens también pueden significar más reintentos fallidos.

Cuando la capacidad del modelo se vuelve intercambiable, el valor puede desplazarse hacia datos propios, distribución, integración y confianza. Una empresa puede cambiar de proveedor de IA y conservar su ventaja si sigue conociendo mejor a sus clientes y ejecutando mejor su proceso.

Pero esa migración del valor tampoco garantiza rentas a la nube o a los chips. Si esos mercados acumulan capacidad y competencia, sus márgenes también pueden comprimirse.

El precio de la inteligencia cae; las GPUs no se cuentan en dólares por token

Epoch AI estima una caída cercana al 47% por trimestre desde 2023 en el precio mínimo para alcanzar niveles comparables de desempeño en cinco pruebas. El resultado describe capacidades medidas en esos benchmarks, no el costo universal de todo trabajo intelectual. Fuente: The plunging price of thought.

Tampoco debe traducirse directamente en una reducción equivalente del consumo físico de cómputo. Un precio puede bajar por mejores modelos, mejores chips, competencia, menores márgenes o subsidios. Son mecanismos diferentes.

Para una tarea de calidad fija, una aproximación útil es:

Capacidad física requerida ≈ número de tareas × cómputo por tarea ÷ rendimiento efectivo de cada unidad de hardware.

Aquí la mejora algorítmica reduce el cómputo por tarea; la mejora del hardware eleva el rendimiento del denominador. Hay que medirlas por separado para no contar dos veces la misma eficiencia.

Si cada tarea pasa a consumir una quinta parte del recurso y las tareas se multiplican por cuatro, el consumo total baja un 20%, manteniendo lo demás constante. Si se multiplican por veinte, aumenta cuatro veces. Ninguno de los dos resultados está garantizado.

Además, las tareas pueden cambiar: agentes que revisan, simulan y vuelven a intentar consumen más recursos que una respuesta breve. La disputa financiera se juega entre expansión del trabajo, complejidad de ese trabajo, eficiencia y precios.

Suficiente para ayudar no significa suficiente para actuar solo

Para numerosas tareas asistidas, las limitaciones están en los datos, los permisos, las herramientas y la verificación. Un modelo mejor no corrige automáticamente una base de datos incompleta ni obtiene acceso legítimo a un sistema cerrado.

Eso no agota el valor de mejorar los modelos. La diferencia entre un asistente que necesita correcciones y un sistema capaz de completar un proceso con pocos fallos puede cambiar la economía de una empresa. Pero ninguna tasa genérica de acierto sustituye una evaluación del proceso concreto: los errores pueden acumularse, depender entre sí y tener consecuencias muy desiguales.

La experiencia de METR ilustra la necesidad de medir resultados. Su experimento de comienzos de 2025 encontró que un grupo de desarrolladores experimentados tardó un 19% más con las herramientas estudiadas. En febrero de 2026, METR explicó que los datos posteriores sugerían mejoras, pero que la selección de participantes y tareas dificultaba estimarlas con fiabilidad. Usar sólo el primer resultado como sentencia sobre la programación actual sería engañoso. Fuente: actualización metodológica de METR.

Aunque durante dos años no mejorara la capacidad cognitiva de los modelos, todavía podrían crecer su adopción y su integración en empresas. Lo que no sabemos es si ese crecimiento exigiría toda la capacidad anunciada.

Tres riesgos que conviene separar

Un laboratorio puede tener un producto extraordinario y requerir rondas continuas para sostenerlo. Un centro de datos puede estar contratado y depender de un cliente cuya solvencia descansa en esas rondas. Un contrato futuro no es lo mismo que caja cobrada.

Brookings examina la expansión de vehículos especiales, arrendamientos y crédito privado en la financiación del sector. Su análisis advierte sobre opacidad e interdependencias, pero considera prematuro equiparar el proceso a un riesgo sistémico como el de crisis financieras anteriores. Fuente: Financing the AI buildout.

La pregunta incómoda es quién paga si el cliente falla y cuánto vale entonces el activo. La respuesta cambia mucho entre un gran proveedor diversificado y un operador endeudado con pocos clientes.

Competencia y soberanía pueden sostener la inversión

Una compañía puede invertir para defender un negocio existente, además de buscar ingresos nuevos. Evitar perder clientes, distribución o relevancia tiene valor. Varias empresas pueden tomar esa decisión razonablemente y, en conjunto, construir más de lo necesario.

La competencia entre Estados Unidos y China también se disputa mediante ecosistemas de modelos. OpenRouter documenta la expansión de modelos chinos como Qwen y DeepSeek en su plataforma. Ofrecer pesos descargables puede ampliar una comunidad de usuarios y desarrolladores; interpretar esa apertura como instrumento estratégico es una lectura económica, no una prueba de coordinación estatal en cada empresa. Fuente: OpenRouter.

Los Estados añaden otro motivo: reducir dependencias. La Comisión Europea presentó el 03-06-2026 un paquete propuesto de soberanía tecnológica acompañado de una estrategia de código abierto, con iniciativas sobre chips, nube, IA y energía. Fuente: Comisión Europea.

Esto permite una inferencia: puede coexistir capacidad excesiva a escala mundial con infraestructura considerada insuficiente dentro de una región. La redundancia tiene un costo económico, pero también puede comprar resiliencia.

El retorno estratégico explica por qué una inversión podría continuar con una rentabilidad privada modesta. No vuelve gratuito ese costo ni demuestra que cada proyecto sea conveniente.

Chile: capturar productividad y evaluar bien la infraestructura

AWS anuncia más de USD 4.000 millones de inversión prevista en Chile durante quince años, destinados a construcción, conexión, operación y mantenimiento. Su página sitúa la llegada de la región en 2026. Es un compromiso de largo plazo: no equivale a dinero ya desembolsado ni permite dar por verificada su apertura. Fuente: AWS Chile.

La oportunidad chilena puede estar en combinar infraestructura competitiva con aplicaciones que resuelvan problemas locales. Eso exige evaluar disponibilidad real de energía, conexión a la red, agua, permisos, clientes y alternativas de uso. Una ventaja renovable potencial no reemplaza la evaluación de cada ubicación.

Para una empresa usuaria, la competencia entre modelos puede ser una ventaja. Conviene preservar el control sobre datos, procesos y evaluaciones, y poder sustituir proveedores. El costo de integración y cambio también cuenta: la independencia absoluta tiene un precio.

Para quien financia infraestructura, las prioridades son distintas: utilización verificable, clientes solventes y diversificados, flexibilidad técnica y deuda compatible con la vida económica de los equipos. Adoptar IA y comprar activos ligados a su expansión son decisiones diferentes.

Qué evidencia cambiaría esta tesis

Tres grupos de indicadores permiten discutir con datos:

• Demanda final: renovaciones, consumo pagado y resultados de clientes, distinguiendo ingresos nuevos de ventas trasladadas entre productos.
• Economía de los activos: utilización, tarifas efectivas, costos eléctricos, depreciación económica y retorno sobre el capital invertido.
• Autonomía útil: procesos completos resueltos con fiabilidad, medidos por costo por tarea aceptada y necesidad de supervisión.

Comparar crecimiento de ingresos con CAPEX ayuda, pero exige considerar desfases y perímetros: la inversión de hoy puede producir dentro de años y servir tanto IA como nube convencional. Dividir dos tasas trimestrales no basta para diagnosticar sobrecapacidad.

La tesis de sobreinversión se debilitaría si la demanda pagada absorbe la nueva capacidad, los clientes se diversifican y los retornos se mantienen después de reponer equipos. Se fortalecería si proliferan descuentos, capacidad ociosa y refinanciaciones mientras el gasto sigue acelerándose.

La IA no necesita fracasar para decepcionar a sus inversionistas. Puede hacerse ubicua y barata, entregar grandes beneficios a sus usuarios y distribuir las ganancias de una forma muy distinta de la que suponen las valoraciones actuales. Para Chile, la decisión útil es identificar dónde podemos convertir esa abundancia en productividad y dónde estamos pagando por una escasez que podría durar menos de lo esperado.

Nota editorial: preparado con Codex y Claude a partir de la investigación proporcionada para esta publicación. Codex reconstruyó y consultó las referencias originales; Claude aportó un contraste editorial de los mecanismos económicos. Esta colaboración entre sistemas de IA no equivale a una revisión humana independiente. Distingue datos reportados, escenarios de terceros y cálculos ilustrativos propios. No utiliza las valoraciones privadas del informe original como cifras verificadas ni recomienda comprar o vender activos.