Por Canuto  

Un análisis reciente sostiene que el auge bursátil de la inteligencia artificial podría enfrentar una prueba decisiva por dos frentes: modelos cada vez más costosos de monetizar en Estados Unidos y una competencia china mucho más barata, abierta y difícil de bloquear.
***

  • El análisis compara el actual ciclo de inversión en IA con una burbuja mayor que la puntocom, debido al enorme gasto en centros de datos y chips.
  • También cuestiona el modelo de negocio de la IA generativa, al señalar pérdidas millonarias, falta de métricas claras de retorno y costos operativos crecientes.
  • China aparece como el principal desafío externo, con modelos abiertos y mucho más baratos que podrían debilitar la tesis de ganancias extraordinarias para las firmas estadounidenses.

La narrativa que hoy sostiene buena parte del mercado bursátil estadounidense podría enfrentar una prueba incómoda. Esa es la tesis central presentada en China Is About To Pop The AI Bubble, del creador Andrei Jikh, quien recopiló opiniones de ejecutivos, críticos del sector y datos de mercado para argumentar que el auge de la inteligencia artificial podría estar más cerca de una corrección que de una consolidación estable.

El punto de partida es contundente. Según el análisis, el mercado sigue premiando a las grandes tecnológicas bajo la idea de que Estados Unidos capturará beneficios extraordinarios durante años porque el resto del mundo dependerá de su infraestructura, sus modelos y sus plataformas de IA.

Sin embargo, esa historia enfrenta varias grietas al mismo tiempo. Entre ellas aparecen la desconfianza empresarial hacia los modelos cerrados, la falta de un retorno sobre inversión claramente medible, el fuerte consumo de capital y energía, y una competencia china que ofrece capacidades cercanas a menor precio.

Para lectores menos familiarizados con el tema, conviene recordar que la fiebre de la IA no solo ha impulsado acciones tecnológicas. También ha empujado inversiones masivas en chips, centros de datos, energía, redes de nube y deuda corporativa vinculada al sector.

La preocupación no es menor porque, si esta narrativa se debilita, el golpe no se limitaría a unas pocas startups. Podría alcanzar fondos indexados, planes de retiro y las valoraciones de empresas que hoy concentran una porción enorme del mercado accionario de Estados Unidos.

Desconfianza empresarial y dudas sobre el valor real de la IA

Uno de los primeros cuestionamientos del análisis es si las empresas realmente desean pagar por esta tecnología en su forma actual. La crítica no parte solo de escépticos externos, sino también de figuras cercanas al complejo corporativo y gubernamental estadounidense.

Entre ellas aparece Alex Karp, director ejecutivo de Palantir, quien resumió varias dudas que hoy circulan entre clientes empresariales. Según su planteamiento, muchas compañías no están convencidas de entregar sus datos, sus procesos internos y su propiedad intelectual a proveedores externos de modelos.

Karp también apuntó al modo en que la IA se cobra en la práctica. En lugar de vincular el pago a un resultado concreto, como un ahorro verificable o un incremento directo de ingresos, gran parte del negocio se basa en el cobro por tokens, es decir, por el volumen de texto procesado y generado.

Ese esquema, según la crítica citada por Jikh, genera una tensión evidente. Si la tecnología fuera tan transformadora y confiable como se promociona, los proveedores podrían cobrar como un socio de resultados y no como un servicio que factura incluso cuando la respuesta no crea valor.

El problema se agrava por las llamadas alucinaciones de los modelos. Estas respuestas incorrectas o inventadas siguen siendo una limitación difícil de erradicar, lo que complica usar la IA en flujos críticos donde un error puede traducirse en pérdidas legales, financieras u operativas.

La discusión no se limita a la calidad del resultado. También toca un punto sensible para cualquier compañía: el riesgo de alimentar a un futuro competidor con datos internos, patrones de negocio o procesos diferenciales que constituyen su ventaja estratégica.

Como ejemplo, el análisis menciona el lanzamiento de Claude Design por parte de Anthropic, pese a la relación de la firma con Figma. Según lo expuesto, el director ejecutivo de Figma manifestó públicamente su sorpresa, reforzando el temor de que un proveedor de IA pueda invadir áreas de negocio de sus propios clientes.

De allí surge una salida que, según Karp, ya gana adeptos entre los actores más técnicos. En vez de alquilar una IA externa, algunas empresas preferirían descargar modelos abiertos, ejecutarlos en infraestructura propia y conservar el control sobre datos, pesos, procesos y acceso.

El propio análisis reconoce que Karp no es un observador neutral. Poco antes de esas declaraciones, Palantir anunció una asociación con Nvidia para vender modelos abiertos en entornos soberanos, por lo que su mensaje también puede leerse como parte de una estrategia comercial.

Aun así, la crítica revela una tensión estructural del mercado actual. Muchas empresas quieren automatización y productividad, pero no necesariamente bajo un esquema en el que otra firma concentra el acceso, la infraestructura y la posibilidad de interrumpir el servicio.

El negocio de la IA generativa bajo presión financiera

La segunda gran objeción del análisis es económica. A diferencia del software tradicional, donde el producto se desarrolla una vez y luego puede escalar con costos marginales bajos, la IA generativa exige gasto continuo cada vez que un usuario realiza una consulta.

Eso cambia por completo la lógica que hizo tan atractivas a las tecnológicas en las últimas décadas. En vez de capturar márgenes crecientes a escala, los modelos de IA consumen electricidad, capacidad de cómputo y hardware con cada uso, lo que mantiene la estructura de costos muy elevada.

Ed Zitron, citado en el análisis, sostuvo que el problema no es solo que estas compañías pierdan dinero. Su objeción principal es que los costos crecerían casi de forma lineal con los ingresos, una dinámica muy distinta a la del software convencional.

Uno de los datos más llamativos es el referido a OpenAI. Según la exposición recogida por Jikh, la empresa habría quemado más de USD $20.900 millones en 2025, una cifra presentada como evidencia de que la escala no está mejorando los márgenes.

En este contexto, la comparación con negocios de alto margen pierde fuerza. El análisis llega a describir la IA como un restaurante que pierde dinero cada vez que sirve un plato, con la paradoja de intentar resolver el problema vendiendo todavía más platos.

Las dudas no se limitan a OpenAI. También alcanzan a los grandes socios e intermediarios que financian o construyen la infraestructura física detrás del auge de la IA, desde fabricantes de chips hasta operadores de centros de datos y proveedores de nube.

En el caso de Oracle, se mencionó una capacidad en construcción de 7,1 gigavatios para un solo cliente. El argumento es que, si ese cliente no pudiera sostener el pago del cómputo contratado, la exposición financiera podría volverse mucho más delicada para la propia Oracle.

Sobre Nvidia, el análisis destacó el papel de las llamadas NeoClouds, empresas que compran grandes volúmenes de GPU con financiamiento y luego, según la crítica expuesta, terminan alquilando capacidad de regreso a Nvidia. Para los detractores, eso sugiere una demanda menos orgánica de lo que aparentan las cifras brutas de ventas.

Jikh también remarca otro detalle relevante para el mercado. Aunque Microsoft, Google, Amazon y Meta reportan numerosas métricas de sus negocios, no ofrecen un desglose claro de ingresos específicos atribuibles a IA que permita medir con precisión el retorno de sus enormes desembolsos.

Esa ausencia alimenta una sospecha incómoda. Es posible que parte del crecimiento que el mercado asocia al impulso de la IA en realidad provenga de negocios tradicionales aún sólidos, mientras la nueva apuesta sigue drenando caja en silencio.

China como alternativa barata y cada vez más competitiva

El tercer problema planteado por el análisis es geopolítico y comercial al mismo tiempo. Toda la tesis de beneficios extraordinarios para las empresas estadounidenses depende, en gran medida, de que el resto del mundo no tenga una alternativa comparable en costo y desempeño.

Ahí es donde aparece China. El video compara el nivel de inversión anual de ambos países y sostiene que Estados Unidos gastaría alrededor de USD $764.000 millones este año y hasta USD $1 billón el próximo, frente a cerca de USD $102.000 millones y USD $123.000 millones en China.

Presentado como proporción de la economía, el contraste también busca impresionar. El gasto estadounidense equivaldría a cerca de 3% de su PIB, mientras el chino rondaría 0,6%, lo que sugiere que Pekín estaría logrando resultados relevantes con una fracción del desembolso.

La pieza cita una prueba puntual entre Claude Opus, de Anthropic, y GLM, un modelo abierto chino, en una tarea de programación. Ambos habrían completado el trabajo en unos cinco minutos y medio, pero con costos de USD $2,33 frente a USD $0,31.

Eso implica un precio entre siete y doce veces menor, según la exposición. Más allá de ese caso individual, el argumento se apoya en rankings de rendimiento donde Estados Unidos aún conserva los modelos más potentes, pero China multiplica su presencia en el segmento medio del mercado.

Allí aparecen nombres como DeepSeek, Qwen, Kimmy, MiniMax y el propio GLM. La lectura propuesta es que, para una gran parte de las aplicaciones reales de negocio, no hace falta el mejor modelo del mundo, sino uno suficientemente bueno y mucho más barato.

Ese razonamiento cambia la lógica competitiva. Si el grueso de los casos de uso empresariales se concentra en atención al cliente, clasificación de datos, automatización documental o tareas repetitivas, la combinación de bajo precio y apertura puede pesar más que el liderazgo absoluto en benchmarks.

El análisis atribuye buena parte de esta ventaja al proceso de destilación. En términos simples, consiste en entrenar modelos más pequeños y eficientes a partir de los resultados de modelos más avanzados, reduciendo costo, complejidad y tiempo de desarrollo.

La crítica más dura va un paso más allá y sugiere que cada dólar invertido por Estados Unidos en investigación de frontera termina funcionando como una especie de subsidio indirecto para el ecosistema chino, que luego comprime esos avances en productos abiertos y de menor costo.

Como ejemplo llamativo, se mencionó a LongCat, un modelo atribuido a Meituan, una empresa conocida por su negocio de reparto de comida. La sola idea de que una firma de ese perfil compita con laboratorios punteros de Estados Unidos alimenta la duda sobre si todas las valoraciones actuales pueden justificarse.

Europa, restricciones de acceso y señales a vigilar en los mercados

El análisis también resaltó un episodio regulatorio y diplomático ocurrido el 12 de junio. Ese día, según lo relatado, el secretario de Comercio de Estados Unidos, Howard Lutnick, envió una carta a una empresa de San Francisco que derivó en el bloqueo de modelos avanzados de Anthropic para nacionales extranjeros.

La orden, siempre según la exposición, no solo afectó a ciudadanos chinos. También alcanzó a personas de Francia, Alemania, Japón e incluso empleados de la propia Anthropic que no fueran ciudadanos estadounidenses.

Cuatro días después, de acuerdo con el video, Francia reaccionó con dureza. Su primer ministro afirmó que el país no podía depender de socios capaces de cerrar el grifo de forma unilateral, una frase que resume el creciente interés europeo por opciones soberanas.

El mismo bloque del análisis añade que Alemania ya se había apartado, mientras España pidió a sus empresas dejar de firmar acuerdos similares y Reino Unido avanzó en la misma dirección. Más que un caso aislado, se presenta como una señal de desconfianza estratégica.

Ese factor importa porque la carrera por la IA no es solo una competencia técnica. También define quién controla infraestructura crítica, acceso a modelos, soberanía de datos y continuidad operativa en un contexto global donde las tensiones comerciales y de seguridad están escalando.

En cuanto al posible estallido de una burbuja, el análisis sostiene que no necesariamente ocurriría cuando se detenga la construcción de centros de datos. La referencia histórica usada es la burbuja puntocom, donde el Nasdaq cayó antes de que se frenara el gasto físico en infraestructura.

La señal temprana podría ser mucho más sutil. Bastaría, según esa lectura, con que un gran actor tecnológico moderara su gasto de capital en una conferencia de resultados y fuera recompensado por Wall Street, habilitando a los demás a imitarlo.

Otra señal vigilada sería el mercado de deuda. Zitron planteó que el verdadero punto crítico llegaría cuando dejara de emitirse deuda para centros de datos o cuando el financiamiento para grandes firmas privadas de IA comenzara a fallar de forma visible.

Jikh también repasó el comportamiento de los diferenciales de crédito, que hoy se ubicarían cerca de 2,6%. Aunque ese nivel luce tranquilo, el propio análisis recuerda que en 2007 esos spreads también transmitían calma poco antes del estallido de la crisis inmobiliaria.

Como cierre, se mencionaron gráficos compartidos por Michael Burry. Entre ellos destacó uno que muestra a las acciones de chips en la parte alta de su rango de valoración de quince años, y otro donde las empresas que venden hardware y equipos suben mucho más que los grandes compradores de esa infraestructura.

Ese desacople sugiere una lectura dura del mercado. Wall Street estaría premiando a quienes cobran por la fiebre de la IA, pero sin conceder el mismo entusiasmo a quienes deben recuperar luego una factura multimillonaria en cómputo, energía y centros de datos.

Un tercer gráfico citado mostraba una caída cercana a 20% en el índice de gasto por tokens de modelos de lenguaje desde su máximo de mayo. Bloomberg interpretó esa señal de forma ambigua, aunque una posible lectura es que la demanda migra hacia modelos más baratos, justo donde China parece ganar espacio.

La conclusión del análisis no ofrece una fecha exacta para un ajuste. Lo que sí plantea es que el mercado podría cambiar de narrativa mucho antes de que terminen las obras, se apaguen los centros de datos o desaparezca el entusiasmo público por la inteligencia artificial.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados