Por Canuto  

La inteligencia artificial vive una etapa comparable a internet en 1997: enorme entusiasmo, uso creciente y muchas preguntas sin resolver. Para Benedict Evans, el despegue del coding agentic confirmó un caso de uso con product market fit, pero aún no prueba que los modelos fundacionales sean el producto final ni que capturen el mayor valor económico.
***

  • Benedict Evans sostiene que la IA atraviesa una fase de escasez extrema, con demanda, capacidad y precios todavía fuera de equilibrio.
  • El analista cree que los modelos fundacionales podrían terminar como infraestructura de bajo margen, mientras el valor se movería hacia aplicaciones y software especializado.
  • Aunque el coding agentic ya muestra señales claras de adopción, Evans afirma que aún es demasiado pronto para saber cómo cambiarán el empleo, el software empresarial y el retorno del capex.

La industria tecnológica volvió a poner la mirada sobre Benedict Evans, uno de los analistas más citados del sector, tras su participación en una conversación con el canal a16z publicada el 8 de junio de 2026. En esa entrevista, Evans retomó y actualizó su conocida tesis sobre la inteligencia artificial, insistiendo en que el momento actual se parece menos a una revolución ya resuelta y más a internet en 1997.

La comparación no es casual. Para Evans, la IA genera hoy una mezcla de entusiasmo, confusión y competencia feroz que recuerda a otras grandes transiciones tecnológicas. Hay crecimiento en uso, modelos más grandes y gasto en infraestructura cada vez más elevado. Sin embargo, siguen abiertas las preguntas centrales sobre qué productos dominarán, dónde quedará el valor y qué actores tendrán verdadero poder de fijación de precios.

Durante la conversación, el analista afirmó que el mayor cambio del último año fue el salto del coding agentic, que pasó de ser “algo útil” a convertirse en una herramienta capaz de “cambiarlo todo”. Según explicó, este es el caso de uso que hoy muestra una forma clara de product market fit, con clientes empujando la adopción y una atención del mercado que se estrechó de forma masiva alrededor del desarrollo de software.

Ese avance, dijo, no implica que el resto del panorama ya esté definido. Evans remarcó que todavía no se sabe si habrá un ganador claro entre los modelos, si los laboratorios podrán capturar valor más arriba del stack o si la tecnología actual llegará a convertirse en una herramienta de uso diario para consumidores masivos, en lugar de un recurso de uso ocasional o semanal.

La IA como internet en 1997

Evans sostuvo que una forma útil de pensar la etapa actual es verla como un punto temprano de una curva tecnológica. Tal como ocurrió con las computadoras personales en los años setenta y ochenta, o con internet a finales de los noventa, la tecnología es claramente poderosa, pero todavía no está del todo claro para qué servirá de manera generalizada ni cómo se integrará en productos maduros.

En su lectura, el desarrollo de software fue el primer terreno natural para que los grandes modelos mostraran resultados contundentes. No solo porque los desarrolladores fueron los primeros usuarios intensivos de estas herramientas, sino porque, en cierto sentido, los LLM son también una forma de cómputo. Por eso, dijo, el primer uso de los LLM fue “hacer más cómputo”, es decir, producir software de una forma más automatizada.

También advirtió contra el exceso de confianza al sacar conclusiones rápidas. Señaló que hace apenas seis meses este escenario no existía de la forma actual y que el mercado sigue tratando de entender qué significa para la organización de equipos, para la contratación de perfiles junior o senior y para la trayectoria profesional de los ingenieros. A su juicio, sería “una locura” creer que alguien ya puede anticipar con certeza cómo lucirá esa estructura dentro de tres años.

Para Evans, este tipo de transición tecnológica suele verse obvio solo en retrospectiva. Recalcó que las analogías históricas son útiles, pero no predictivas. Muchas veces se puede explicar después por qué algo ocurrió, aunque no haya sido evidente en su momento. Por eso insiste en que la etapa actual obliga más a formular buenas preguntas que a fingir certezas.

OpenAI, Anthropic y el foco en coding

Al referirse a la estrategia de OpenAI, Evans describió un período reciente de experimentación intensa. Según dijo, durante la segunda mitad del año pasado la compañía parecía explorar “todo a la vez” en busca de capas adicionales de valor sobre la infraestructura. En contraste, Anthropic, pese a contar con menos capital levantado, se enfocó en coding y logró que esa apuesta funcionara.

Ese punto le parece decisivo. Evans planteó que, deliberadamente o no, Anthropic encontró un área donde la tecnología sí resolvía un problema de forma contundente. Mientras tanto, en otros sectores la adopción sigue siendo desigual. Mencionó una brecha entre los usuarios más intensivos en el entorno tecnológico, capaces incluso de correr modelos abiertos durante todo el día, y un grupo amplio que solo usa estas herramientas de forma esporádica.

Esa distancia entre entusiastas y usuarios comunes es, para él, uno de los grandes retos. En software, el puente ya se cruzó. En cambio, en muchas otras áreas todavía se está en la etapa de pruebas parciales o soluciones muy puntuales. Evans citó el ejemplo de una empresa de commodities interesada en usar LLM para mejorar la predicción de flujo de caja en un negocio de márgenes bajos y pagos inciertos. Ese caso, señaló, es muy distinto a pedirle a un chatbot que resuma reuniones.

La conclusión es que no existe todavía una adopción homogénea de la IA generativa. Hay automatizaciones corporativas de nicho, hay experimentación en los bordes y hay un caso fuerte en coding. Pero fuera de eso, todavía no aparece otra categoría con la misma nitidez comercial.

Modelos fundacionales, capex y el riesgo de commoditización

Uno de los argumentos más importantes de Evans es que los modelos fundacionales podrían no ser el producto final. En la entrevista Why AI Feels Like the Internet in 1997 | Benedict Evans on a16z, el analista dijo de forma explícita que no cree que un modelo fundacional sea un producto, ni que un chatbot, por sí solo, lo sea. En su opinión, el valor terminaría más arriba del stack.

Su razonamiento parte de varias observaciones. Primero, no ve una diferenciación sostenible clara entre modelos equivalentes. A su juicio, no aparecen efectos de red comparables a los de Google Search, Instagram o YouTube. Puede haber diferencias de énfasis o calidad en ciertas tareas, pero no señales contundentes de una ventaja estructural imposible de replicar.

Segundo, considera que el chatbot es una interfaz limitada, propia de una primera versión. Funciona bien en algunos casos y para ciertos usuarios, pero muchas tareas requieren herramientas, datos, configuración, controles e interfaces adaptadas. Por eso, el trabajo con IA se parecería más a una capa de infraestructura sobre la que terceros construirán software vertical u horizontal, como ocurrió antes con sistemas operativos, nube y semiconductores.

Tercero, Evans duda que los laboratorios puedan construir por sí solos todas las aplicaciones que surgirán de esta tecnología. Lo compara con la imposibilidad de que Microsoft o Apple desarrollaran cada aplicación para Windows o iPhone. Si el grueso del valor surge en productos específicos para sectores o problemas concretos, entonces los proveedores de modelos podrían terminar pareciéndose más a hyperscalers o a operadores de infraestructura que a dueños de una capa dominante de plataforma.

Ese debate se vuelve más tenso por el tamaño del gasto. Evans advirtió que la industria vive una “escasez extrema” en capacidad y que hoy existe un fuerte desequilibrio entre demanda, suministro y precios. En ese marco, afirmó que se encamina entre USD $1.000.000.000.000 y USD $2.000.000.000.000 en capex durante los próximos años, mientras los modelos se vuelven entre 100 y 200 veces más eficientes cada año.

Su tesis es que esta situación no puede durar intacta. La demanda por tokens puede parecer infinita, pero eso no garantiza poder de fijación de precios permanente. Recordó que algo parecido ocurrió con los datos móviles, donde el tráfico creció entre 1.500 y 2.000 veces, la infraestructura fue carísima y transformó la vida de todos, pero gran parte del valor terminó capturado por capas superiores, no por los operadores de red.

Qué preguntas importan ahora

Evans propuso mirar el futuro de la IA no solo desde la tecnología, sino también desde la estructura de industrias concretas. Si una parte relevante del trabajo que hacían los escalones bajos de una pirámide profesional se automatiza, entonces cambian preguntas básicas sobre contratación, entrenamiento y márgenes. Eso podría afectar a firmas legales, consultoras, bancos de inversión, empresas de publicidad y muchos servicios profesionales.

Sin embargo, remarcó que esas respuestas no pueden venir solo desde Silicon Valley. Entender cómo impactará la IA en un bufete, una firma de consultoría o una compañía financiera requiere conocer cómo funcionan de verdad esas organizaciones, qué compran sus clientes y qué parte del trabajo es explícita o implícita. En eso, dijo, muchas preguntas dejan de ser puramente tecnológicas.

También subrayó una diferencia clave con transiciones previas. En la web, en el móvil o en el PC, aunque no se supiera qué producto ganaría, sí era posible intuir límites físicos. En IA generativa, esos límites son menos estables. Un cambio repentino en eficiencia, costo o arquitectura podría alterar rápido el panorama. Por eso, el analista considera que incluso las filas básicas del modelo financiero son visibles, pero no así los valores que deberían colocarse dentro.

Cuando se le preguntó por los próximos usos capaces de generar actividad diaria más allá de coding, evitó hacer predicciones tajantes. En cambio, sugirió analizar qué tareas antes imposibles o demasiado costosas se vuelven de pronto alcanzables. Ahí podrían surgir nuevos modelos de negocio, al igual que ocurrió con Spotify, YouTube o servicios imposibles de imaginar si se pensaba internet solo como una digitalización de procesos existentes.

Entre las áreas que más le intrigan aparece publicidad, comercio electrónico y marketing. Evans argumentó que los sistemas de recomendación actuales conocen productos como unidades estadísticas, pero no necesariamente entienden bien qué son o por qué se compran. Con IA, cree, podría abrirse una nueva capa de comprensión y personalización, con motores capaces de sugerir variantes, estilos y decisiones de compra con mucha más precisión.

La cuenta pendiente del retorno y los límites del gasto

El analista también se detuvo en la magnitud del gasto en infraestructura. Señaló que Microsoft, Meta y Google estarían encaminadas a gastar más del 50% de sus ingresos en capex este año, una cifra enorme si se la compara con sectores intensivos en capital como telecomunicaciones, que suelen moverse entre 15% y 20% de sus ingresos.

Evans mencionó que la guía combinada de las cuatro grandes compañías ronda USD $700.000.000.000 este año. Aclaró que no es una cifra imposible para infraestructura global, pero sí una suma gigantesca. Aun así, afirmó que el sistema tiene límites físicos y financieros. “No podemos gastar USD $10.000.000.000.000 al año en infraestructura de IA porque no existen USD $10.000.000.000.000 al año para gastar en eso”, resumió.

En su análisis, buena parte de este impulso también responde al temor estratégico. Para empresas como Google, Meta o Microsoft, participar en esta carrera no es solo una decisión de retorno inmediato, sino una cuestión existencial. Si esta es la próxima capa de cómputo y una de ellas se queda fuera, el costo competitivo podría ser mucho mayor que el de sobreinvertir durante un tiempo.

Aunque reconoce esa lógica, insiste en que el actual desequilibrio es transitorio. Los precios, la capacidad, la eficiencia y la adopción terminarán reacomodándose. La gran duda es si, cuando eso ocurra, los laboratorios de modelos seguirán capturando la mayor parte del valor o si solo habrán construido la infraestructura para que otros se lleven la ganancia principal.

Su cierre fue una advertencia y, al mismo tiempo, una apuesta histórica. La IA, dijo, es transformadora y distinta, pero eso también se dijo del móvil, de internet y de la computación personal. Habrá disrupción, pérdidas y nuevos ganadores. Y dentro de 20 años, concluyó, muchas de estas capacidades parecerán tan normales que costará recordar que alguna vez las computadoras no podían hacerlas.


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