La industria de la Inteligencia Artificial vive un momento paradójico: nunca ha sido tan útil, ni tan cara de sostener. La carrera por entrenar modelos más capaces y servir inferencias a escala planetaria se ha convertido, de facto, en una competición industrial: centros de datos, energía, redes, refrigeración, chips y un suministro de hardware que no crece al ritmo de la demanda. El resultado es un patrón que inquieta a inversores y clientes: muchas compañías de IA aún no generan caja suficiente para justificar el gasto que exige seguir “en primera división”.

Esa tensión se aprecia incluso en los indicadores macro del sector. Omdia prevé que los ingresos globales de semiconductores superen por primera vez el billón de dólares en 2.026, impulsados principalmente por el tirón de la IA en memoria y lógica. En su análisis, la categoría de Computing & Data Storage liderará el crecimiento, con un avance del 41,4 % interanual y superando los 500.000 M$, mientras que los cuatro grandes hiperescalares destinarían alrededor de 500.000 M$ en capex “este año” (en el contexto del informe).

Lo relevante no es solo el tamaño de la cifra, sino lo que implica: la IA está empujando a toda la cadena de valor hacia un modelo de inversión continua, donde el coste no se concentra únicamente en “entrenar el próximo modelo”, sino en operarlo y mantenerlo competitivo.

Por qué la IA “quema caja” (aunque el producto funcione)

En términos económicos, la IA moderna combina lo peor de dos mundos:

• Costes variables altos (cada consulta consume cómputo; a gran escala, eso es dinero constante).
• Costes fijos elevadísimos (capex en infraestructura y compromisos de suministro de hardware).

A diferencia del SaaS clásico, donde el margen tiende a mejorar rápidamente con escala, aquí el crecimiento puede venir acompañado de una factura creciente si no se controlan tres palancas:

1. Coste por inferencia (unit economics): cuánto cuesta responder y cuánto se ingresa por ese “turno”.
2. Utilización real de infraestructura: GPUs infrautilizadas son capital ocioso muy caro.
3. Diferenciación pagable: si el usuario percibe la IA como “commodity”, presiona precio a la baja.

No es solo OpenAI: toda la “IA grande” comparte el mismo problema estructural

Cuando se habla de riesgo de burbuja, el foco suele ponerse en un nombre concreto. Pero el patrón es transversal:

• Laboratorios de IA (modelos fundacionales): compiten por talento, datos y cómputo; monetizan por suscripción, API y enterprise, pero su gasto se parece cada vez más al de una empresa industrial.
• Hiperescalares: financian la capa física (capex, energía, chips) y buscan retorno vía consumo cloud, bundles y servicios gestionados.
• Startups de capa aplicación: dependen de inferencia (propia o de terceros) y su margen puede quedar estrangulado si no dominan costes y retención.

En otras palabras: el “burn” no es un accidente, es un síntoma del modelo. La pregunta no es si hay gasto, sino si el gasto está comprando un moat defensable o solo alimentando la carrera armamentística.

Tabla: dónde se va el dinero y qué tendría que pasar para que sea sostenible

La señal más peligrosa: cuando la industria intenta monetizar “el aire”

Si el mercado no corrige el desequilibrio entre coste y valor, aparecen dos “salidas” típicas de burbuja:

1. Subir precios sin entregar más valor (churn, sustitución por alternativas más baratas).
2. Monetización indirecta agresiva (publicidad, afiliación, bundling forzado), que puede erosionar confianza y calidad.

De ahí que empiecen a tomar fuerza propuestas para reconstruir la economía de Internet alrededor de la IA, especialmente en el punto más conflictivo: el contenido. Cloudflare, por ejemplo, ha comunicado la adquisición de Human Native y plantea herramientas para que los propietarios de contenido decidan cómo se accede a sus datos (control de crawlers, mecanismos de pago, e índices/actualizaciones estructuradas en lugar de scraping masivo). En su tesis, la web necesita nuevos modelos económicos para que la IA no destruya el incentivo de producir información de calidad.

Ese tipo de movimientos apunta a una idea clave: si la IA no puede capturar valor de forma legítima y repetible, su coste terminará siendo políticamente, socialmente y financieramente insostenible.

Qué indicadores deberían vigilar inversores y empresas (antes de que “explote”)

Sin caer en futurología, hay señales prácticas para separar “crecimiento sano” de “carrera irracional”:

• Margen bruto por producto de IA (no solo ingresos).
• Coste por consulta y su tendencia (optimización real vs marketing).
• Tasa de retención y uso recurrente (la IA “bonita” que no se convierte en hábito no paga el capex).
• Dependencia de subsidio (si el precio al usuario está artificialmente por debajo del coste).
• Capacidad de convertir IA en workflows (automatización real, reducción de tiempos y costes en procesos críticos).

El desenlace de esta etapa no será “IA sí o no”. La IA ya es infraestructura. La cuestión será qué actores convierten esa infraestructura en un negocio rentable y cuáles se quedarán como “gran promesa” sostenida por financiación hasta que el mercado exija beneficios.