Por qué la IA no parece una burbuja: tres saltos que cambian la demanda de cómputo

Resumen y por qué importa

La narrativa de que la inteligencia artificial (IA) es una burbuja ha ganado tracción en los últimos años, alimentada por valoraciones elevadas, oleadas de inversión y titulares sobre startups que se reajustan. Sin embargo, análisis recientes —como el de Ben Thompson en Stratechery— sostienen que no estamos ante una burbuja clásica, sino frente a una transición tecnológica que ha producido tres saltos sucesivos: ChatGPT (la llegada masiva de la IA generativa), el razonamiento incorporado en modelos y, más recientemente, los agentes autónomos. Cada salto incrementa de forma significativa la demanda de recursos de cómputo y rehace modelos de negocio, operaciones y riesgos regulatorios. Entender este cambio importa para responsables técnicos, financieros y de políticas públicas porque define decisiones de inversión, contratación y gobernanza durante los próximos años.

Los tres saltos de la IA: qué son y por qué cambian la ecuación

El argumento central divide la evolución reciente en tres fases:

• Primer salto — ChatGPT: El lanzamiento de ChatGPT (noviembre de 2022) popularizó la IA generativa. Mostró capacidades impresionantes, pero también limitaciones claras: respuestas erróneas y «alucinaciones» que exigían supervisión humana constante. Fue un punto de inflexión en adopción y percepción pública.
• Segundo salto — Razonamiento: Modelos posteriores con capacidad de razonamiento (por ejemplo, el modelo o1 de OpenAI en septiembre de 2024, citado en el análisis original) evalúan y verifican internamente sus respuestas antes de ofrecerlas. Ese comportamiento redujo errores y aumentó la utilidad práctica, pero incrementó el consumo de tokens y, por ende, el coste de inferencia.
• Tercer salto — Agentes: Las herramientas agenticas (mencionadas en el texto con ejemplos como Claude Code y Codex a finales de 2025) permiten ejecutar tareas compuestas, anidadas y prolongadas sin intervención humana constante. Los agentes pueden verificar y corregir sus propios resultados, automatizar flujos de trabajo complejos y mantenerse operativos horas o días, multiplicando la demanda de cómputo por usuario.

Ben Thompson resume la tesis: no es que la inversión supere a la demanda —como en una burbuja clásica—, sino que la demanda de cómputo real está aumentando rápidamente y las empresas están invirtiendo para no quedarse cortas.

Impacto en infraestructura, mercado y modelos de negocio

Estos saltos tienen efectos concretos y medibles sobre la economía digital y la infraestructura técnica:

• Presión sobre centros de datos y chips: El razonamiento y los agentes elevan el coste por sesión y el tiempo de uso de GPU/TPU. Los grandes proveedores (Microsoft, Google, Amazon, Meta) ya anuncian inversiones significativas en capacidad para sostener la demanda.
• Cambio en el consumidor de cómputo: No hace falta que la totalidad de la población use chatbots: bastan empresas y usuarios profesionales que desplieguen miles de agentes o flujos automatizados para que la demanda escale exponencialmente.
• Modelos de monetización: Las empresas están más dispuestas a pagar por IA que mejore productividad mensurablemente. Esto favorece ofertas empresariales (SaaS/AI-in-the-loop) y contratos de mayor tamaño con proveedores de infraestructura.
• Concentración y dependencia: La necesidad de hardware especializado (por ejemplo, aceleradores de NVIDIA) y servicios gestionados tiende a concentrar poder en unos pocos proveedores, con implicaciones de negociación comercial y resiliencia.

Riesgos, externalidades y consideraciones regulatorias

Que la demanda crezca no elimina riesgos. Los principales son:

• Alucinaciones y confianza: Aunque el razonamiento reduce errores, ninguna arquitectura es infalible. Para usos críticos (salud, finanzas, legal) siguen siendo necesarios controles formales, auditorías y procesos de verificación humana.
• Desplazamiento laboral: La automatización por agentes puede reemplazar roles de coordinación y gestión intermedia. Parte del ajuste ya observado tras la pandemia puede acelerarse, con efectos en reconversión profesional y políticas de mercado laboral.
• Concentración de infraestructuras y seguridad: Dependencias fuertes de unos pocos proveedores y de grandes centros de datos aumentan riesgos de fallo sistémico, chantaje geopolítico o de uso indebido por actores malintencionados.
• Consumo energético y huella ambiental: El aumento del cómputo implica mayor consumo energético. Sin estrategias de eficiencia y energía renovable, la expansión puede generar tensiones regulatorias y reputacionales.
• Riesgos regulatorios y de privacidad: Operaciones automatizadas a escala plantean desafíos sobre responsabilidad, trazabilidad de decisiones y cumplimiento de normas de privacidad.

Análisis para practicantes y recomendaciones accionables

Para equipos técnicos, ejecutivos y responsables de políticas, las implicaciones son prácticas y exigentes. Recomendaciones:

• Planificación de capacidad y contratos flexibles: Adoptar métricas basadas en consumo real (tokens por tarea, horas de agente) y negociar cláusulas de escalado y precios con proveedores. Considerar mix híbrido (on‑prem + nube) para cargas estables y picos en la nube.
• Optimización de coste técnico: Implementar batching, cuantización y compiladores para reducir coste por inferencia. Evaluar modelos especializados más eficientes por dominio antes que usar el modelo más grande por defecto.
• Observabilidad y gobernanza de agentes: Instrumentar ejecuciones de agentes con trazas, logs estructurados y métricas de rendimiento y precisión. Establecer pruebas de regresión y umbrales de intervención humana.
• Seguridad y resiliencia: Desplegar aislamiento entre agentes, límites de recursos y políticas de autenticación/autoridad. Preparar planes de contingencia ante fallos de proveedor o saturación de red.
• Medición del retorno (ROI): Definir KPIs de productividad claros que permitan justificar gasto continuo (p. ej., reducción de tiempo de ciclo, incremento de ingresos por empleado, reducción de costes operativos).
• Formación y reorganización: Invertir en reskilling del personal para roles de supervisión de IA, ingeniería de prompts, evaluación de modelos y diseño de flujos agenticos.
• Sostenibilidad y cumplimiento: Medir huella energética y optar por proveedores con objetivos de energía renovable; cumplir normativas sectoriales y preparar documentación para auditorías.

Comparaciones históricas y lecciones aprendidas

La comparación más habitual es con la burbuja puntocom de finales de los 90 y principios de los 2000: entonces hubo mucha inversión en servicios online antes de que se manifestara la demanda sostenible en todos los casos. La diferencia clave hoy, según el análisis citado, es que la demanda real de infraestructura está emergiendo de usos productivos (razonamiento y agentes) que requieren recursos sostenidos, no únicamente exploración especulativa. De nuevo, esa distinción no garantiza que no haya inversiones erróneas, pero sugiere que la narrativa de «burbuja pura» simplifica demasiado una transformación tecnológica con efectos económicos reales.

Conclusión

Los avances en IA generativa, razonamiento integrado y agentes autónomos cambian la ecuación de oferta y demanda: elevan el consumo de cómputo por tarea y convierten la inversión en infraestructura en una apuesta por capacidad real más que en puro exceso especulativo. No obstante, el crecimiento trae riesgos —desde confianza y gobernanza hasta impacto laboral y ambiental— que requieren respuestas concretas. Para empresas y equipos técnicos, la prioridad es planificar capacidad, optimizar coste e implementar gobernanza y observabilidad sólidas; para reguladores y sociedad, es necesario equilibrar innovación con protección y resiliencia.

Source: www.xataka.com