EscucharEl temor a que la inteligencia artificial resulte una burbuja se ha intensificado desde que empezó 2026, y gobiernos e inversores están atentos a si estallará y cuándo. Pero la cuestión más importante no es la posibilidad de que las cotizaciones actuales sean excesivas, sino las diferencias entre el nuevo modelo de negocio de la IA y las revoluciones tecnológicas anteriores.
Durante mucho tiempo, el principal motor de rendimiento y valoración de las empresas tecnológicas fue la escala. El crecimiento de las bases de usuarios de aplicaciones, sitios web, tiendas minoristas virtuales y plataformas de redes sociales trajo consigo una disminución de costos marginales, aparición de efectos de red y aumento del poder de fijación de precios. Las cotizaciones se desvincularon de la rentabilidad a corto plazo para expresar en cambio el potencial de crecimiento a largo plazo.
Pero es improbable que el despliegue de la IA obedezca a las mismas fuerzas que individualizaron a las megatecnológicas ganadoras del pasado, porque su dinámica competitiva se diferencia en seis dimensiones fundamentales. En primer lugar, las necesidades de capital se han convertido en una barrera formidable, mientras que en las olas tecnológicas anteriores, solían estar concentradas en la etapa de puesta en marcha y eran relativamente pequeñas. Facebook, por ejemplo, comenzó con 500.000 dólares de financiación inicial.
Las innovaciones anteriores se basaron en infraestructuras ya existentes (por ejemplo el «stack LAMP»: Linux, Apache, MySQL y PHP); eso permitió una enorme reducción de costos iniciales. En el caso de la IA, en cambio, la intensidad de capital es extraordinaria. Se calcula que en 2030 el sector invertirá más de siete billones de dólares en construcción de centros de datos, ampliación del poder de cómputo y hardware especializado. A diferencia de los ciclos tecnológicos anteriores, esas necesidades de inversión no desaparecerán al madurar el sector, e incluso puede que aumenten.
Además, es posible que nunca haya una reducción significativa de esos costos, porque la vida útil de los centros de datos suele medirse en años, no en décadas. La computación en la nube también demandó una inversión masiva en servidores genéricos, pero la IA exige una infraestructura totalmente nueva, que incluye unidades de procesamiento gráfico (GPU) y tensorial (TPU) para manejar la gran cantidad de cálculos simultáneos que están implícitos en el entrenamiento y el uso de modelos de IA.
Estos sistemas son caros y consumen mucha energía. Se prevé que en 2027, un solo entrenamiento de IA a gran escala costará más de mil millones de dólares. De modo que sólo sobrevivirán aquellas empresas que puedan pagar el precio de entrada, y eso dará una ventaja decisiva a las megatecnológicas actuales, provistas de enormes flujos de caja, sólidos balances y acceso a los mercados de capitales.
En segundo lugar, la estructura de costos operativos de la IA es contraria a las economías de escala tradicionales. En ciclos tecnológicos anteriores, el crecimiento de las plataformas trajo consigo un colapso del costo marginal por usuario. Ya se tratara de redes sociales, software o aplicaciones de uso compartido de vehículos como Uber, los costos se repartían entre una base de clientes cada vez más grande, lo que permitía a las plataformas mantener márgenes elevados al crecer.
Otra característica de aquellos modelos de negocio era tener gastos operativos bajos. En cuanto Facebook alcanzó una escala suficiente, el costo marginal de añadir usuarios se volvió insignificante. El resultado fue que las empresas no prestaban mucha atención al costo de atender a cada usuario, ya que rara vez amenazaba la viabilidad financiera.
Pero la IA invierte esta dinámica. Controlar el costo marginal ya no es opcional, ya que los grandes modelos de lenguaje y otros sistemas de IA incurren en costos significativos con cada interacción (que demanda miles de millones de cálculos). Por eso las empresas de IA se centran en reducir el costo por consulta mediante el uso de hardware especializado (por ejemplo las TPU) y el desarrollo de modelos más ágiles y eficientes (como el modelo chino DeepSeek).
La escala no es suficiente
El tercer aspecto en el que la IA se aleja de las revoluciones tecnológicas anteriores es la debilidad y fragilidad de los efectos de red. Las plataformas tecnológicas tradicionales tenían a su favor un mecanismo de retroalimentación del crecimiento: Amazon atraía compradores y vendedores precisamente porque la actividad ya estaba concentrada allí.
Pero los usuarios de IA pueden pasar de un modelo a otro con facilidad, utilizar varios modelos a la vez (uno para texto, otro para imágenes, el tercero para escribir programas) o incluso crear modelos propios. Los costos de cambiar de modelo son bajos y la lealtad es débil, de modo que la influencia de los efectos de red en la determinación de ganadores a largo plazo es muy menor.
En el caso de las empresas tecnológicas tradicionales, la combinación de reducción de costos marginales y efectos de red aumentaba los beneficios de crecer en escala; eso impulsó una competencia por atraer la mayor audiencia posible. Era una estrategia razonable para empresas como Facebook, que creaban valor monetizando la atención de los consumidores mediante la publicidad.
Pero la estructura de costos para las empresas de IA es diferente. Cada nueva iteración del producto que ofrecen demanda una inversión de capital adicional. Cada usuario nuevo aumenta los costos (en particular, el costo de inferencia). Aunque el crecimiento de la base de usuarios permita amortizar los gastos de entrenamiento de los modelos y puedan surgir algunas economías de escala, siempre traerá consigo un aumento de costos operativos.
La cuarta diferencia está en el hecho de pasar de la fragmentación de mercados a la saturación instantánea. Las primeras plataformas tecnológicas crecieron en mercados muy compartimentalizados: Google dominaba las búsquedas, Amazon apuntaba a la venta minorista. La posibilidad de centrarse en nichos distintos (por ejemplo los estudiantes universitarios en el caso de Facebook y los profesionales en el de LinkedIn) dio a las empresas tiempo para madurar antes de que se intensificara la competencia.
La IA, en cambio, es una tecnología genérica que abarca todos los sectores. Como los usuarios pueden acceder a ella instantáneamente a través de aplicaciones o interfaces de programación, las empresas tienen competidores antes de poder darse el lujo de madurar. Esta dinámica confiere a la IA potencial para trastocar no sólo sectores individuales, sino todos los modelos de negocio tecnológicos actuales.
En quinto lugar, la influencia política ahora es tan importante como el poder de mercado. Las olas de innovación anteriores no exigieron a las empresas tanta interacción con gobiernos y autoridades regulatorias como la que será inevitable en el caso de la IA. Es verdad que las plataformas de redes sociales terminaron sometidas a escrutinio por sus efectos adictivos, pero en el caso de las nuevas tecnologías emergentes, los riesgos percibidos son más profundos y (en muchos aspectos) existenciales, dado el potencial de la IA para provocar destrucción de empleo, agravamiento de la desigualdad y debilitamiento de la gobernanza democrática. Como las empresas de IA enfrentan no sólo las fuerzas del mercado sino también presiones políticas, las que puedan influir en la definición de regulaciones y en la opinión pública y absorber riesgos reputacionales estarán mejor posicionadas para triunfar.
Un ejemplo claro de este tipo de empresa es Microsoft. En una clara búsqueda de legitimidad política y social, hace poco se comprometió a cubrir el costo total del consumo de electricidad de sus centros de datos, para que los consumidores residenciales no deban afrontar un encarecimiento del servicio.
¿El ganador ya no se lleva todo?
Por último, es posible que la IA esté menos sujeta a la dinámica de que «el ganador se lleva todo». La escala, los costos marginales cercanos a cero y la fuerza de los efectos de red permitieron a empresas como Facebook, Google, Amazon y Apple dominar las redes sociales, las búsquedas en Internet, el comercio electrónico y los teléfonos inteligentes, respectivamente. Pero es improbable que la IA siga ese patrón, al menos al principio. En vez de un único monopolio ganador, podría ocurrir que el sector admita una multiplicidad de actores dominantes, cada uno de ellos con control de un nicho propio.
Por supuesto, una empresa de IA podría llegar a un punto en el que su ventaja tecnológica empiece a retroalimentarse y se vuelva insuperable en la práctica. Mediante la mejora continua y la superioridad aplastante de sus productos (o incluso desarrollando la inteligencia artificial general) esa empresa podría obtener un poder de mercado duradero que le permita dominar el sector.
Pero hasta entonces, los inversores deberán tener en cuenta que la IA sigue una lógica estratégica diferente. Usar en este panorama cambiante las métricas aplicadas a las empresas tecnológicas tradicionales no sólo es contraproducente, sino que también puede resultar muy costoso. Los inversores que usen estrategias del pasado corren el riesgo de ser los perdedores en el nuevo mercado de la IA.
Un ejemplo es el pago con acciones. Históricamente, el uso de acciones como incentivo permitió a las empresas tecnológicas contratar y retener talento, comprar propiedad intelectual y crecer mediante fusiones y adquisiciones. Pero las opciones de compra de acciones no sirven para pagar centros de datos, poder de cómputo o infraestructura energética. Para satisfacer estas necesidades, las empresas de IA necesitan inversiones reales, flujos de caja estables y acceso fiable a los mercados de capitales.
Asimismo, antes los inversores toleraban márgenes negativos mientras el crecimiento de los usuarios fuera sólido y los ingresos por publicidad estuvieran en aumento. Pero hoy la incertidumbre en torno a la IA y la magnitud de los gastos de capital necesarios hacen más difícil calcular el momento en que se recuperará la inversión o de qué manera las transformaciones impulsadas por la IA aumentarán los márgenes de ganancias. El resultado es un énfasis creciente en la solidez de los balances y en la resiliencia financiera demostrable.
De modo que la carrera por el liderazgo en IA no la ganarán las empresas que tengan más usuarios o crezcan más rápido, sino las que puedan combinar productos superiores con solidez financiera e influencia política.
En este sentido, la IA se parece más a las industrias de alta intensidad de capital de mediados del siglo XX que a los modelos tecnológicos de los últimos años poco dependientes de activos. Con costos operativos en aumento y facilidad de los consumidores para pasar de un modelo al otro, la rentabilidad dependerá de la capacidad para capturar una demanda elástica y convertir el capital político y la influencia sobre las autoridades regulatorias en una ventaja competitiva duradera.
---
Dambisa Moyo, especialista en economía internacional, es autora de Edge of Chaos: Why Democracy Is Failing to Deliver Economic Growth – and How to Fix It (Basic Books, 2018).
