Precios de tokens de IA: por qué el mercado podría caer hacia una infraestructura commodity

El debate sobre cuánto valen realmente los tokens de IA está lejos de resolverse. Benedict Evans plantea que, pese al auge del sector, casi todas las variables clave siguen abiertas y hoy las fuerzas del mercado apuntan más hacia una infraestructura commodity que hacia un negocio con poder duradero de fijación de precios.

***

• Benedict Evans sostiene que el mercado de tokens de IA vive una crisis de suministro que no será permanente.
• La evolución de la oferta, la demanda, los costos de entrenamiento y el ROI empresarial sigue siendo demasiado incierta para hacer proyecciones sólidas.
• Sin un cambio estructural, los modelos fundacionales podrían terminar como infraestructura de bajo margen, con el valor capturado por capas superiores.

Un mercado enorme, pero todavía sin equilibrio claro

El debate sobre cómo valorar los tokens de IA parte de una premisa incómoda: hoy casi nada está resuelto. Lo único que puede afirmarse con cierta seguridad es que existe una crisis de suministro y que el estado actual del mercado luce inherentemente inestable.

La lectura central es que la industria atravesará varios reacomodos antes de alcanzar un nuevo equilibrio. En ese proceso, cambiarán de forma simultánea la oferta de cómputo, la demanda de uso, los precios, la capacidad de los centros de datos y el gasto de capital.

En el corto plazo, buena parte del análisis del sector se ha concentrado en el llamado “tiempo hasta el poder”. Sin embargo, la pregunta decisiva no es solo cuánto tardan los modelos en volverse útiles, sino si podrán sostener poder de fijación de precios, ventaja estratégica y captura de valor.

Según expone Benedict Evans en Ways to think about token pricing, las dinámicas visibles hoy apuntan más bien al escenario opuesto. Es decir, a que los modelos fundacionales terminen pareciéndose a infraestructura de bajo margen.

Esa conclusión importa porque la historia reciente de la tecnología muestra que un sector puede ser crítico, costoso y transformador sin que eso garantice grandes beneficios para quienes operan la base de la pila. En otras palabras, la importancia estratégica de la IA no asegura por sí sola que los proveedores del cómputo y los modelos capturen la mayor parte del valor económico.

La oferta crece, la eficiencia mejora y la demanda sigue siendo una incógnita

Del lado de la oferta, se aproxima una ola de inversión enorme. Evans señala que vienen al menos USD $1.000 millones o más en gasto de capital para centros de datos, junto con un desembolso todavía mayor en semiconductores.

Al mismo tiempo, la eficiencia de inferencia continúa mejorando con rapidez. Además, los nuevos modelos son mucho más eficientes, o en algunos casos mucho menos, en su consumo de tokens, lo que vuelve todavía más difícil anticipar cuál será el costo real de servir la demanda futura.

Del lado de la demanda, el cuello de botella ha existido desde 2022. Aun así, la tensión observada en la primera mitad del año habría sido impulsada por un ajuste súbito del mercado alrededor de un solo caso de uso: el desarrollo de software.

Ese detalle es clave porque, pese al ruido mediático, el desarrollo de software sigue siendo un mercado relativamente pequeño frente al potencial de consumo masivo. Evans plantea que si apareciera un caso de uso para consumidores con cientos de millones de usuarios activos diarios, la infraestructura actual no podría absorberlo a ningún precio.

El problema es que nadie sabe con precisión cuáles serán los próximos casos de uso que escalen, cuándo ocurrirá ni cuántos tokens requerirán. Esa falta de visibilidad hace que cualquier pronóstico firme sobre precios sea, como mínimo, frágil.

Márgenes, entrenamiento y retorno: las variables que aún no encajan

Una de las piezas más citadas en el debate es la rentabilidad de la inferencia. Se ha reportado que hoy esta actividad tendría márgenes brutos de entre 40% y 50%, incluyendo la depreciación de servidores o el costo de arrendarlos.

Sin embargo, ese dato tiene zonas grises importantes. No existe claridad suficiente sobre la vida útil real de esos activos, que podría ser de cinco o siete años, y tampoco incorpora el costo de entrenar nuevos modelos varias veces al año.

Ese punto pesa mucho porque el entrenamiento sigue siendo, por ahora, bastante mayor que los ingresos generados. En principio, la inferencia funciona como un costo marginal y el entrenamiento como un costo fijo, así que con ingresos elevados la rentabilidad podría aparecer, pero nadie sabe cuánto cambiarán esos costos en el tiempo.

Tampoco está claro si la explosión de uso de los últimos meses tiene un retorno sobre la inversión medible para las empresas. Y si los directores financieros no pueden cuantificar ese valor, también resulta incierto qué precios estarán realmente dispuestos a pagar.

Por eso, la ecuación económica sigue abierta por ambos lados. El precio del token puede describirse como una función entre oferta y demanda, situada en algún punto entre el costo marginal del vendedor y el ROI del comprador, pero hoy no conocemos con certeza ninguno de esos cuatro componentes.

El enfoque de abajo hacia arriba y sus límites

En teoría, este mercado podría modelarse desde una hoja de cálculo. Bastaría con formular supuestos sobre cuántos chips existen, qué rendimiento podrán entregar TSMC y el resto de la industria, y a qué ritmo podrá instalarse esa capacidad en centros de datos.

A partir de allí, también podría estimarse la disciplina de precios y hacerse conjeturas sobre los casos de uso futuros. El resultado sería un número, pero ese número no implicaría necesariamente una visión útil del mercado a largo plazo.

Evans compara ese ejercicio con intentar proyectar en 1998 cómo sería el mercado de banda ancha cinco años después. El modelo tal vez acierte para el año en curso, pero tendría demasiadas variables desconocidas para anticipar la estructura final del sector.

La observación no es menor para inversionistas y analistas. En sectores emergentes, una proyección muy elegante puede transmitir una falsa sensación de precisión justo cuando la incertidumbre estructural es más alta.

Por eso el autor propone complementar la visión cuantitativa con una mirada de arriba hacia abajo. En vez de intentar adivinar cada cifra, sugiere observar cómo suelen evolucionar este tipo de tecnologías y qué bifurcaciones estratégicas podrían definir el mercado.

Cuatro preguntas para entender si habrá poder de precios real

La primera pregunta es cuántos usuarios o empresas querrán estar en la parte más cara y avanzada de la curva. En un extremo ya existen casos de uso que funcionan con modelos pequeños, viejos o de código abierto que pueden ejecutarse casi gratis en local o en un teléfono.

En el otro extremo estarán los usos que exijan el modelo fronterizo más reciente y costoso, consumiendo gran cantidad de tokens. Entre ambos polos aparecerá una amplia zona intermedia, y allí se definirá buena parte del mercado.

La segunda pregunta es si la frontera tecnológica seguirá avanzando con fuerza. Este es, en esencia, el gran interrogante científico de la IA: cuánto tiempo seguirán mejorando los modelos de frontera y cuánto cómputo adicional requerirá ese progreso.

La tercera pregunta es si la competencia entre modelos de frontera continuará siendo feroz. También importa saber si el campo se reducirá a pocos jugadores, si surgirán efectos de red o si diferentes modelos desarrollarán ventajas mucho más claras en áreas específicas.

La cuarta pregunta es cuánto del valor de los casos de uso de alto nivel será capturado por el modelo mismo. También debe medirse cuánto dependerá ese valor de herramientas, procesos, datos propietarios, distribución, soporte y otras capas típicas del software empresarial.

¿Modelo dominante o simple infraestructura?

En un escenario extremo, dos o tres laboratorios podrían controlar la mitad de todo el mercado y ejercer un poder fuerte de fijación de precios. En el otro, los modelos de lenguaje se parecerían más a bases de datos: abundantes, intercambiables y con valor capturado principalmente por quienes construyen productos encima.

Evans incluso traza esa tensión con una frase provocadora. Después de todo, dice, cada empresa de software como servicio es también una especie de “envoltorio de base de datos”.

Así, podría existir un futuro en el que Anthropic, u otra empresa todavía poco conocida, termine ganándolo casi todo. Pero también podría aparecer un sistema con docenas de enrutadores que subasten tareas en tiempo real entre cientos de granjas de modelos de bajo margen.

Ese segundo escenario es especialmente relevante para el mercado tecnológico y financiero. Si los modelos se vuelven sustituibles, el diferencial económico se desplazaría hacia integradores, aplicaciones especializadas, dueños de datos y canales de distribución.

El propio Evans insiste en que nadie puede saber aún cuál de esos caminos prevalecerá. Repite deliberadamente la idea de “no sabemos” porque considera que la etapa actual de la IA se parece al comienzo de otras curvas S, donde está claro que el cambio será enorme, pero no cómo se distribuirá el valor.

Las analogías ayudan a pensar, pero no predicen el resultado

Buena parte del debate sobre IA ha terminado recurriendo a metáforas históricas. Una de las más comunes compara la expansión actual de infraestructura con la sobreconstrucción de fibra óptica durante la burbuja puntocom.

Evans cree que la analogía es limitada. En aquel caso, la fibra se construyó muy por delante de la demanda, mientras que en IA la capacidad de cómputo todavía corre por detrás de la demanda observable.

Además, la fibra era sobre todo un costo fijo vinculado a abrir zanjas e instalar redes. En IA, en cambio, el crecimiento de la capacidad exige comprar más equipos, lo que la acerca más a una estructura de costos marginales.

Por eso considera más útil comparar este fenómeno con los datos móviles. Las redes celulares también enfrentaron un salto explosivo en el tráfico, obligando a los operadores a ampliar capacidad y rediseñar sus precios.

Allí aparece una advertencia importante. El tráfico de datos celulares creció varios órdenes de magnitud en dos décadas, generó una industria anual de USD $1 billón con gasto de capital de USD $200.000 millones, pero sus acciones no despegaron y el valor terminó en manos de actores situados más arriba en la pila.

TSMC, la nube y el espejo incómodo para la IA

La fabricación de semiconductores ofrece otra analogía sugerente. A diferencia de las redes móviles, comparte con la IA la escalada continua en costos y complejidad en la frontera tecnológica.

La Ley de Rock sostiene que el costo de una fábrica de vanguardia se duplica cada cuatro años. Con el tiempo, esa dinámica redujo el número de competidores desde docenas hasta un puñado, y en la práctica dejó a TSMC como líder casi único en la frontera.

Para la IA, la pregunta es evidente: si el desarrollo de modelos se vuelve tan costoso y difícil, ¿terminará concentrado en solo unos pocos laboratorios, incluso sin efectos de red? Ese sería uno de los caminos posibles hacia márgenes más defendibles.

Pero incluso ese espejo trae matices. Aunque TSMC posee un monopolio de facto en la frontera y disfruta de márgenes atractivos, su ingreso neto del año pasado fue de USD $53.000 millones, menos de la mitad del beneficio de Apple por sí sola.

También aparecen otras referencias, como la nube o la comparación de Sam Altman entre OpenAI y Windows, por un lado, o las utilidades eléctricas, por el otro. Aun así, Evans sostiene que ninguna analogía tiene verdadero poder predictivo, porque bits, tokens y transistores son mercados distintos con dinámicas propias.

Qué tendría que cambiar para evitar la commoditización

El punto más duro del análisis es que casi todos los caminos hacia una captura extraordinaria de valor requieren que ocurra algo diferente a lo que hoy se observa. No basta con asumir que la importancia tecnológica de la IA se traducirá en dominio económico automático.

Una posibilidad es que los modelos de frontera dejen de competir de forma tan estrecha. Sin embargo, el autor recuerda que en apenas seis meses Mark Zuckerberg y Elon Musk pasaron de cero a aparecer en los tablones de líderes.

Otra opción es que emergan efectos de red duraderos o que los chatbots evolucionen hasta convertirse en productos capaces de capturar valor por sí mismos. Evans ha argumentado antes que los chatbots son una interfaz débil para ese objetivo, pero reconoce que el desenlace sigue abierto.

También podría ocurrir que un laboratorio supere claramente a todos los demás por pura ejecución de producto. Algo similar ocurrió con gigantes como Microsoft, Google, Facebook y Apple, que primero consolidaron posición y luego aprovecharon dinámicas más cercanas al ganador se lo lleva todo.

Y existe un factor adicional que no depende del mercado puro: la política. Evans menciona dos posibles “deus ex machina”, Trump y China, por el riesgo de regulaciones sobre código abierto y por la expansión de controles de exportación que alteren artificialmente la competencia.

La tesis final: sin un giro inesperado, la IA se parecerá a infraestructura

El artículo concluye que el mercado actual se dirige, por ahora, hacia una normalización en la que la crisis de suministro se suavizará. Si eso ocurre sin cambios estructurales mayores, los modelos de frontera tenderían a convertirse en infraestructura cada vez más commodity.

En ese escenario, el grueso del valor no quedaría en el modelo base, sino en las capas superiores que construyan experiencias, herramientas, datos, procesos y distribución. Esa lectura tiene implicaciones directas para startups, inversionistas y grandes compradores de cómputo.

Para el lector interesado en cripto e IA, la reflexión también sirve como advertencia metodológica. Un mercado puede ser revolucionario y aun así terminar con retornos mediocres en la base, mientras la mayor creación de valor migra hacia aplicaciones y servicios de más cercanía con el usuario.

La tesis no es que ese desenlace esté garantizado. La tesis es que, con la información disponible hoy, ese parece el camino más visible salvo que suceda algo nuevo que altere de raíz la dinámica competitiva.

Ese “algo” podría ser científico, comercial o regulatorio. Hasta que aparezca, la fijación de precios de tokens de IA seguirá siendo menos una ciencia exacta y más una disputa abierta entre escasez temporal, expectativas gigantes y una commoditización que avanza en silencio.

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.

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