Por Canuto  

El analista Dylan Patel anticipa que OpenAI y Anthropic podrían absorber hasta la mitad del nuevo cómputo mundial en 2027 y dominar los flops utilizables un año después, mientras la expansión de centros de datos tensiona la cadena de suministro, el crédito y las finanzas públicas.
***

  • OpenAI y Anthropic habrían pasado de cerca de 2 gigavatios a más de 5 gigavatios cada uno en el transcurso del año, según la conversación.
  • Patel proyecta que ambos laboratorios podrían captar entre 40% y 50% del cómputo incremental en 2027 y hasta 70% u 80% en 2028.
  • La construcción de centros de datos, plantas eléctricas y equipos de semiconductores podría elevar el gasto anual de capital hacia varios billones de dólares.

OpenAI y Anthropic podrían convertirse en los principales compradores de capacidad informática del mundo durante los próximos años, según la visión expuesta por Dylan Patel, fundador de SemiAnalysis, en Dylan Patel – Two labs will soon control most of the world’s workforce, una conversación conducida por Dwarkesh Patel. El analista sostiene que la economía global dependerá cada vez más de la economía de los laboratorios de inteligencia artificial, el mercado de aceleradores y la infraestructura energética necesaria para operarlos. Su escenario más extremo plantea que dos empresas podrían controlar la mayoría de los flops utilizables del planeta hacia 2028.

La tesis no describe necesariamente la propiedad directa de todos los centros de datos, sino el control económico de la capacidad que termina atendiendo la demanda de esos laboratorios. Espacios construidos por proveedores externos, plataformas de nube o empresas como SpaceX contarían dentro de esa concentración si OpenAI o Anthropic son los clientes finales que pagan por utilizarlos. La diferencia resulta importante, porque el mercado podría mostrar muchos operadores, aunque la demanda y los ingresos estén cada vez más concentrados en dos compradores.

Una concentración acelerada del cómputo

Patel calcula que alrededor de un tercio del cómputo marginal que se está incorporando en Estados Unidos durante el año se destina finalmente a laboratorios como OpenAI y Anthropic. Aunque otras compañías construyan la infraestructura y luego la alquilen, el cliente final sigue siendo el laboratorio que utiliza los modelos para entrenamiento, investigación o inferencia. El argumento parte de un gasto de capital global en infraestructura de IA superior a USD $1 billón durante el año y de una proyección que lo llevaría por encima de USD $2 billones hacia 2028.

Según la conversación, OpenAI habría comenzado el año con aproximadamente 2 gigavatios de capacidad y Anthropic con menos de 2 gigavatios, pero ambos superarían los 5 gigavatios hacia el cierre del periodo analizado. Ese aumento equivale a triplicar o cuadruplicar su capacidad en un plazo muy corto, una dinámica que Patel vincula con cerca de 30% del cómputo incremental. La previsión para el año siguiente resulta todavía más agresiva: los dos laboratorios podrían captar entre 40% y 50% de la nueva capacidad mundial.

El analista sitúa el punto en que la mitad del nuevo cómputo incremental iría a OpenAI y Anthropic hacia finales de 2027. Como la capacidad global se expande con rapidez, el cómputo añadido cada año representa una parte creciente del total disponible, por lo que dominar el flujo nuevo puede traducirse rápidamente en dominar el inventario operativo. En su escenario, el cómputo de los laboratorios fronterizos se triplicaría anualmente, mientras el cómputo mundial completo apenas se duplicaría.

La diferencia no dependería solo del número de vatios, sino también del rendimiento de cada generación de hardware. Patel menciona aceleradores como GB300, TPU v7 y Trainium3, que, según su estimación, podrían ofrecer entre tres y cinco veces más rendimiento por vatio que generaciones anteriores. Así, la mitad del cómputo incorporado en 2027 tendría una productividad muy superior a buena parte de la infraestructura instalada previamente.

Ingresos crecientes por megavatio

El cambio central en la economía de los laboratorios está en la monetización de la inferencia, es decir, la capacidad de ejecutar modelos para entregar respuestas a usuarios y empresas. Patel afirma que servir modelos anteriores en aceleradores de Nvidia podía generar márgenes brutos negativos, mientras que los modelos más recientes permitirían superar ampliamente el costo de capacidad, estimado en aproximadamente USD $10 millones a USD $15 millones por megavatio. En el caso de Anthropic, la conversación menciona ingresos de hasta USD $50 millones por megavatio.

La mejora altera la forma en que estas compañías financian su expansión. Durante buena parte de su historia, OpenAI, Anthropic y otras empresas similares dependieron de capital de riesgo para cubrir pérdidas derivadas del entrenamiento y la operación de modelos; ahora, según Patel, una proporción creciente del negocio se sostiene con ingresos propios. El nuevo capital no desaparecería, pero serviría para acelerar la inversión en lugar de cubrir exclusivamente un déficit operativo.

El analista también sostiene que Anthropic habría comenzado a obtener ganancias en el segundo trimestre y que OpenAI podría alcanzar rentabilidad en el tercer trimestre del periodo descrito, impulsada por herramientas de programación como Codex y nuevas versiones de sus modelos. Estas afirmaciones forman parte de la conversación y no equivalen a estados financieros auditados presentados públicamente. Su importancia está en la señal económica: si cada megavatio produce varias veces lo que cuesta, los laboratorios pueden justificar ofertas cada vez mayores por capacidad escasa.

Patel proyecta que los ingresos de los laboratorios podrían llegar a USD $70 millones u USD $80 millones por megavatio hacia finales de 2027, aunque reconoce que el resultado dependerá de la calidad de los modelos y de que las compañías puedan publicar sus sistemas más avanzados. Si el progreso se frena por seguridad, regulación o decisiones internas, la monetización por unidad podría crecer más lentamente. En cambio, un avance continuo permitiría pagar precios de USD $25 millones, USD $30 millones o incluso USD $50 millones por megavatio.

El cuello de botella industrial

La demanda no sería el único límite de esta carrera. La expansión requiere obleas avanzadas, memoria de alto ancho de banda, aceleradores, equipos de fabricación, centros de datos, conexiones eléctricas y plantas de generación construidas con años de anticipación. Patel estima que una fábrica capaz de producir un gigavatio anual de cómputo podría exigir entre USD $3.000 millones y USD $4.000 millones en herramientas, cifra que subiría a unos USD $6.000 millones al incluir salas limpias, edificios y otros componentes.

El atractivo financiero surge de la enorme diferencia entre el capital industrial y los ingresos potenciales de la capacidad terminada. En el ejemplo planteado, un gigavatio podría generar alrededor de USD $100.000 millones en ingresos acumulados durante varios años, aunque esa cifra bruta todavía tendría que cubrir operación, energía, centros de datos, investigación, personal e intermediarios. La comparación ilustra por qué el valor económico de un componente escaso, como una máquina litográfica o una turbina, puede superar ampliamente su costo de fabricación.

Las máquinas de litografía ultravioleta extrema de ASML aparecen como uno de los cuellos de botella más difíciles de resolver. Patel considera que el número de herramientas que la cadena de suministro podría entregar hacia 2030 todavía rondaría las 100 unidades, salvo que los fabricantes reciban una expansión coordinada y masiva de capital. Incluso una inversión de USD $10.000 millones para ampliar la producción de componentes críticos no produciría resultados inmediatos, porque la señal de demanda tarda en recorrer toda la cadena industrial.

El mercado ya estaría reflejando esa escasez en activos auxiliares. La conversación menciona operaciones especulativas con turbinas, compradas para revenderlas posteriormente a precios más altos porque su disponibilidad limita la puesta en marcha de centros de datos. El capitalismo puede incentivar una mayor oferta, pero Patel advierte que las fábricas, las herramientas y la infraestructura energética no responden con la misma velocidad que la demanda de los laboratorios.

Capital, deuda y presión macroeconómica

La expansión de la inteligencia artificial exige contabilizar más que los servidores y aceleradores. Para instalar nuevos gigavatios también deben construirse edificios, líneas de transmisión y centrales eléctricas, mientras que los centros de datos pueden funcionar como activos de 15 a 20 años y las plantas de energía como activos de aproximadamente 30 años. Por esa razón, el gasto real de capital sería muy superior al cálculo habitual que solo incluye la infraestructura tecnológica.

Patel plantea que la instalación de 100 gigavatios anuales podría implicar cerca de USD $5 billones en equipos de cómputo, pero entre USD $7 billones y USD $10 billones al considerar energía y centros de datos adelantados para los años siguientes. Hacia 2030, ese desembolso podría acercarse a una décima parte de la economía mundial, siempre dentro de un escenario de crecimiento extremo. Si la mayor parte de la inversión ocurriera en Estados Unidos, el peso relativo sobre su economía sería todavía más visible.

Los hiperescaladores han financiado buena parte de la expansión mediante flujo de caja, reducción de recompras y emisión de deuda. Google, Microsoft, Amazon y Meta cuentan con balances capaces de respaldar proyectos que todavía no tienen un cliente final plenamente identificado, pero el volumen requerido crecería hasta cientos de miles de millones de dólares adicionales. El financiamiento también podría involucrar a fabricantes de semiconductores, empresas de memoria e inversionistas especializados en infraestructura.

La competencia por capital puede elevar las tasas de interés para otros sectores. Si los centros de datos ofrecen retornos extraordinarios, consumidores, compañías tradicionales y gobiernos tendrían que pagar más para captar recursos en los mercados de crédito, un efecto de desplazamiento que podría afectar especialmente a economías con alta deuda y baja recaudación. Patel menciona a Pakistán y Nigeria como ejemplos de países que, bajo ese escenario, enfrentarían una posición particularmente vulnerable.

En Estados Unidos, el analista cree que la expansión doméstica de centros de datos podría ampliar la base tributaria y ofrecer más margen para gestionar el aumento del servicio de la deuda. Sin embargo, también advierte que la automatización puede reducir parte de los ingresos fiscales vinculados al trabajo, mientras los intereses ya representan una fracción significativa del gasto federal. Una subida de las tasas podría elevar esa carga desde cerca de 20% de los ingresos fiscales hacia niveles de 25%, 40% o incluso más de 60%, dependiendo de la magnitud y la estructura del endeudamiento.

China y la carrera por capacidad de calidad

La concentración geográfica también forma parte del análisis. Patel afirma que Estados Unidos representaba cerca de 45% o 50% del cómputo mundial agregado en 2022, frente a aproximadamente 30% o 35% de China, pero sostiene que la participación estadounidense habría aumentado hasta alrededor de 70% de los vatios utilizados en centros de datos de IA. China, por su parte, tendría menos de 10% de los aceleradores instalados en esos centros, aunque mantiene una producción nacional relevante.

El escenario descrito prevé que China conserve alrededor de 10% del cómputo incremental durante los próximos años y alcance cerca de 30 gigavatios hacia 2028. Esa capacidad no sería equivalente a la estadounidense en términos de rendimiento, porque una parte importante dependería de chips nacionales menos avanzados o de componentes importados bajo restricciones. En la comparación de Patel, 30 gigavatios chinos podrían ofrecer una capacidad efectiva cercana a 20 gigavatios de infraestructura norteamericana.

La producción interna podría acelerarse a partir de 2028, cuando fabricantes como SMIC y CXMT aumenten sus volúmenes y algunos proyectos de fabricación comiencen a entregar millones de unidades al año. Patel considera completamente posible que China añada 50 gigavatios durante 2029 mediante una combinación de producción nacional y compras en el extranjero. La brecha de calidad, no obstante, podría mantener a los laboratorios estadounidenses por delante en flops útiles incluso si China aumenta rápidamente su capacidad nominal.

El analista atribuye parte de esta diferencia a los controles de exportación y a las restricciones financieras que limitan el acceso chino a equipos y aceleradores avanzados. También reconoce que el Estado chino puede subsidiar agresivamente una industria estratégica y escalar la fabricación con rapidez cuando decide priorizar un sector. El resultado dependerá de si las restricciones se mantienen, de la velocidad con que China produzca herramientas propias y de cuánto tarde en cerrar la brecha tecnológica.

Entrenamiento, inferencia y el valor de la automatización

Disponer de varios gigavatios no significa que todo pueda utilizarse simultáneamente para entrenar un modelo gigantesco. Patel estima que Anthropic podría dedicar cerca de 60% de su cómputo al entrenamiento y 40% a la inferencia, pero el entrenamiento se dividiría entre investigación, desarrollo y preentrenamiento de modelos concretos. En su desglose, aproximadamente 50% iría a investigación, 10% a desarrollo y 40% a atender consultas de clientes.

El preentrenamiento de un modelo avanzado como el mencionado en la conversación requeriría menos de 200 megavatios durante un máximo de dos meses, mientras que el aprendizaje por refuerzo utilizaría menos capacidad en un momento determinado. La limitación responde a problemas de coordinación, colocación física de los equipos, comunicación entre instalaciones y complejidad de ejecutar aprendizaje por refuerzo a escala. Por ello, la mayor parte del presupuesto podría terminar financiando experimentos y nuevas ideas, no solo una sesión de entrenamiento final.

La proporción podría cambiar con la programación autónoma y la investigación autónoma. Si los propios modelos ayudan a diseñar arquitecturas, probar datos, optimizar hiperparámetros y generar experimentos, el laboratorio tendría incentivos para destinar más capacidad a investigación y aprendizaje continuo. En ese escenario, el valor interno de un modelo superior podría superar el ingreso obtenido al vender la misma capacidad de inferencia a clientes externos.

La discusión económica se resume en una pregunta: ¿quién captura el valor de la IA? Hoy, una empresa financiera puede pagar por tokens y generar un valor mucho mayor mediante operaciones de mercado, mientras una plataforma tecnológica puede obtener más ingresos al mejorar sus anuncios que lo que paga por el modelo. Si la IA llega a automatizar el trabajo de un ingeniero de software o de una parte amplia de los trabajadores de oficina, el valor social podría alcanzar cientos de miles de millones por gigavatio, aunque ese valor no necesariamente quedaría en manos de OpenAI o Anthropic.

La relación entre costo y monetización tampoco permanecería indefinidamente en una brecha de cuatro veces. Patel considera probable que el precio del cómputo se acerque gradualmente al valor económico que los laboratorios extraen de cada unidad, con un margen todavía favorable para los proveedores. Mientras Anthropic y OpenAI mantengan modelos más productivos que sus competidores, seguirán ofreciendo más por la capacidad escasa, y esa puja redistribuirá ingresos hacia fabricantes, operadores de centros de datos, proveedores de memoria y empresas energéticas.

Regulación y límites del escenario extremo

El pronóstico depende de que los laboratorios puedan continuar publicando y utilizando sus modelos más avanzados. Patel menciona pausas de entrenamiento, modelos que no llegan al público y restricciones de seguridad que podrían impedir desplegar plenamente sistemas internos, factores que reducirían el ingreso por megavatio y limitarían la capacidad de comprar nueva infraestructura. También plantea que los controles regulatorios pueden frenar más a los laboratorios estadounidenses que a los modelos chinos de código abierto.

Las reglas sobre centros de datos añaden otra fuente de incertidumbre. La conversación menciona iniciativas en Nueva York, moratorias en Texas y propuestas en Ohio relacionadas con impuestos a la propiedad en zonas cercanas a instalaciones de cómputo. Aunque no todas esas medidas tendrían el mismo alcance, una menor oferta de terrenos, energía o permisos elevaría el costo de la capacidad y podría retrasar la expansión prevista.

El escenario de 100 gigavatios para los laboratorios hacia finales de 2028, por tanto, no es una certeza financiera ni industrial. Requiere que OpenAI y Anthropic mantengan una ventaja de monetización, que los hiperescaladores y proveedores continúen financiando infraestructura, que la cadena de suministro multiplique su producción y que los reguladores no impongan restricciones capaces de romper la trayectoria. También exige que los mercados de deuda acepten una escala de inversión que todavía no generan por sí mismos los laboratorios.

Patel calcula que el cómputo mundial podría superar los 200 gigavatios hacia 2028, con incrementos anuales de aproximadamente 30 gigavatios, 50 gigavatios y 70 gigavatios en la secuencia analizada, seguidos por otros 90 a 100 gigavatios en 2029. Si la pendiente continúa y los laboratorios captan entre 70% y 80% de la nueva capacidad, dos compañías podrían controlar la mayoría de los flops utilizables, aunque el desenlace dependerá tanto de la tecnología como de la política, el crédito y la disponibilidad energética.

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