La gran apuesta de capex en IA se hace sobre el chip equivocado
El boom de infraestructura se sostiene sobre una promesa de inferencia que la propia economía de la inferencia va desmintiendo. Ajusta la carga de trabajo al hardware correcto y verás que buena parte del capex asegura una demanda hacia la que su propia lógica apunta en sentido contrario.
La gran apuesta de capex en IA tiene un problema de hardware que el gasto no está teniendo en cuenta. Cientos de miles de millones de dólares en infraestructura de IA se justifican con una sola palabra, inferencia, y debajo de esa palabra hay una suposición: que servir toda esta IA al mundo seguirá exigiendo los chips más nuevos y más caros. Esa suposición es, calladamente, errónea. Entrenar un modelo de frontera necesita el silicio más reciente. Ejecutar los modelos que la gente realmente usa, la mayor parte del tiempo, no lo necesita.
Sigamos el mecanismo. Hay dos cargas de trabajo de IA y apenas tienen algo en común. El entrenamiento es un evento de capital puntual, en el que un puñado de laboratorios agota los aceleradores más rápidos que el dinero puede comprar para producir un modelo. La inferencia es el negocio de volumen, los miles de millones de peticiones pequeñas que ocurren una vez que el modelo ya existe. Aquí la economía tira con fuerza en una dirección: un modelo pequeño y especializado que responde lo bastante bien corre en silicio varias generaciones por detrás de la frontera, a una fracción del coste por token. A medida que OpenAI recorta el precio de sus modelos de frontera al convertirse la inferencia en una simple materia prima, la jugada racional es ajustar el modelo a la tarea y servirlo después en el chip más barato que supere el listón de calidad. No existe ningún conjunto de datos público que desglose la inferencia en producción por generación de chip, así que este es un argumento sobre la economía de la carga de trabajo, y el incentivo que describe no está en duda.
Las cifras de eficiencia empujan en la misma dirección. El Índice de IA 2025 de Stanford HAI documenta costes de inferencia cayendo en órdenes de magnitud y modelos abiertos pequeños cerrando buena parte de la distancia en los puntos de referencia que importan a las empresas. El trabajo que de verdad paga las facturas, ordenar una cola de soporte o resumir un documento, rara vez necesita un modelo de un billón de parámetros. Necesita uno suficientemente bueno que responda en milisegundos y cueste casi nada de servir.
Aquí está la señal para quien lea el boom con atención. Si el uso escala sobre silicio más viejo y barato, entonces el crecimiento del uso de la IA y el crecimiento de la demanda de chips de frontera deberían separarse, y el capex justificado por la «demanda de inferencia» estaría comprando un seguro contra un futuro hacia el que la propia economía de la carga de trabajo apunta. Qué lo confirmaría: informes que muestren los volúmenes de inferencia subiendo mientras la utilización de los aceleradores de frontera se estanca. Qué lo refutaría: que las flotas de frontera sigan saturadas a medida que sube el uso. En cualquier caso, «el uso sube» no es la misma afirmación que «el nivel de frontera se usa más», y la tesis del capex trata calladamente ambas cosas como si fueran una sola.
¿Está construyendo el boom del capex en IA el hardware equivocado?
Empecemos por el tamaño del cheque. Gartner pronosticó un gasto mundial en IA generativa de unos 644.000 millones de dólares para 2025, y los presupuestos de capital de los grandes proveedores de nube no han dejado de subir desde entonces. Frente a eso, la pregunta de los 600.000 millones de dólares que planteó Sequoia puso voz a la parte incómoda: ¿dónde está el ingreso que todo este hardware debería recuperar? La brecha se tapa con financiación circular, en la que un proveedor financia al cliente que después le compra el producto, desde fabricantes de chips que respaldan a las empresas que se los compran hasta propietarios de contenidos que invierten en los creadores de modelos que después les pagarán licencias. Cada uno de esos acuerdos se contabiliza como demanda. No toda ella es orgánica.
Nada de esto significa un colapso. Es más probable que la IA se consuma poco a poco a que estalle de golpe: una corrección que arrastra a los sobreapalancados y deja en pie la planta física. Esa es la historia de la fibra oscura, y en parte tiene razón. Los analistas ya describen operadores preparándose para revender capacidad sobrante como servicio en la nube, que es justo el aspecto que tiene un exceso de oferta antes de despejarse. Pero la analogía tiene un límite que los optimistas se saltan. La fibra oscura conservó su valor porque un hilo de vidrio tendido en 2001 sigue moviendo fotones hoy. Un clúster de GPU de frontera superado por la siguiente generación no es fibra. Es la parte del despliegue sin segunda vida, y es precisamente el nivel al que más expuesta está la tesis del capex. Cualquier escenario de ajuste honesto reparte el daño de forma desigual: la planta reutilizable encuentra un suelo, los clústeres de frontera superados no.
Hay un matiz que complica incluso la lectura más optimista, y está ocurriendo ahora mismo. El plan de ejecutar la inferencia sobre hardware barato y antiguo asume que ese hardware barato seguirá siendo barato. La memoria dice lo contrario. La encuesta de TrendForce de marzo de 2026 pronosticó subidas de precio de la DRAM de entre el 58 % y el 63 % trimestral, con la NAND subiendo entre el 70 % y el 75 %, y Micron anunció su salida del negocio de memoria de consumo Crucial para dirigir su capacidad hacia los compradores de centros de datos. Cuando el despliegue de frontera se traga el suministro de memoria, el nivel de inferencia de segunda mano también se encarece. El apetito de la frontera eleva el suelo para todos los demás.
¿Qué debería hacer una empresa a la hora de dimensionar su propio gasto en IA?
Para la mayoría de las empresas la respuesta no es construir a nivel de frontera en absoluto. Si tu carga de trabajo es inferencia, la pregunta honesta durante cualquier evaluación de preparación para la IA es qué tareas necesitan de verdad un modelo de frontera y cuáles están sobredimensionadas por costumbre. Dimensionar la infraestructura para el modelo más grande que algún día podrías llegar a llamar es la manera de acabar con activos que se deprecian y que un modelo más pequeño sobre un chip más barato habría resuelto igual de bien. Esta es una decisión de asignación de capital antes que una decisión técnica, y pertenece a tu estrategia tecnológica, no a un reflejo de compras que empuja siempre a adquirir lo último.
El contexto regulatorio no facilita la planificación, la complica. Las normas federales sobre IA en Estados Unidos siguen sin asentarse después de que el lobby de última hora de la industria tecnológica llevara a la administración a cancelar una orden ejecutiva sobre IA que ya estaba prevista, mientras estados como California legislan por su cuenta, empezando por la SB 53 californiana. En Europa el suelo regulatorio es más firme sobre el papel, con el Reglamento de IA ya en vigor y la AESIA empezando a aplicarlo en España junto a la AEPD, pero una empresa que intenta fijar una línea base de cumplimiento estable sigue apuntando a un blanco que varias partes mueven de forma activa a ambos lados del Atlántico. La misma presión por monetizar está empezando a sentar a los anunciantes dentro de bucles de decisión que antes eran neutrales, una razón más para mantener el control humano sobre cualquier decisión asistida por IA a medida que entra el dinero.
El despliegue dejará algo detrás. Que no sea tu presupuesto, atado al único nivel de hardware que esta lógica te dice que compres el último.
Preguntas frecuentes
¿Hace falta la última GPU para ejecutar inferencia de IA?
Para la mayoría de la inferencia en producción, no. Los aceleradores de frontera se ganan el precio durante el entrenamiento. Servir modelos pequeños o destilados para tareas concretas funciona razonablemente bien en hardware varias generaciones más antiguo, y el coste por token, cada vez más bajo, premia ajustar el modelo a la tarea en lugar de recurrir por defecto al más grande que se pueda invocar.
¿Significa la inferencia más barata que la demanda de IA está cayendo?
No, y confundir ambas cosas es el error. El uso puede seguir subiendo mientras la demanda de chips de frontera se estanca, porque ese uso adicional puede recaer sobre silicio más antiguo y barato. La caída de los precios de inferencia es una señal de que se está convirtiendo en materia prima, no de que la demanda se esté reduciendo.
¿Se convertirán los centros de datos de IA en activos varados?
Parte de la planta física, la energía y la refrigeración que un futuro inquilino puede reutilizar, junto con el hardware apto para inferencia, probablemente encuentre una segunda vida si los operadores construyen de más, tal y como ocurrió con la fibra oscura. La excepción es el hardware de entrenamiento de gama alta, que pierde valor rápido en cuanto llega la siguiente generación de chips.
Relacionado
- La pérdida de habilidades por la IA es el riesgo que tu empresa no está calculando
- El caso de negocio de la terapia con IA es un suelo, no un techo
- El oligopolio de la memoria que está inflando el coste real de la IA
- AI & Automation
Escrito por una persona editorial de IA del sistema editorial propietario de Abyshire y revisado por nuestro equipo.