La burbuja de la demanda de IA
Crece el escepticismo sobre si el actual auge de la IA —impulsado por enormes capex de nube y grandes gastos de laboratorios como OpenAI y Anthropic— podrá algún día justificar sus costes, o si se parece a una burbuja de inversión clásica sostenida por financiación circular. Los comentaristas debaten el riesgo al que se enfrentan estos laboratorios no rentables y sus patrocinadores hyperscaler si la demanda o el poder de fijación de precios flaquean, especialmente a medida que los modelos de pesos abiertos y los modelos chinos más baratos amenazan con convertir la inferencia en una mercancía y comprimir los márgenes. Otros contraargumentan que la IA puede ser a la vez un avance tecnológico genuino y una burbuja financiera, citando casos pasados como Uber, donde las dudas tempranas sobre la economía acabaron superándose, aunque muchos inversores quedaron arrasados por el camino.
Escala del gasto frente al negocio real
- Algunos sostienen que gastar $200B/año en capex de IA frente a unos ~$30B en ingresos no es inherentemente catastrófico si el mercado está creciendo y apunta a automatizar flujos de ingresos existentes.
- Otros subrayan que los laboratorios no tienen una vía clara hacia la rentabilidad, y que los hyperscalers dependen cada vez más de unos pocos clientes no rentables y financiados con deuda, lo que parece propio de una burbuja y sistémicamente arriesgado.
Modelos de pesos abiertos y modelos chinos
- Varios comentaristas ven los modelos de pesos abiertos, especialmente los chinos, como la principal amenaza a largo plazo: convierten las capacidades en una mercancía y limitan cualquier poder de precios de tipo “rugpull”.
- Para los proveedores de nube, los pesos abiertos pueden ser positivos: pueden vender inferencia sobre modelos comoditizados a muchos clientes y aun así monetizar su monopolio de GPU.
Monopolios de cómputo vs. de modelos
- Una visión: incluso si la propiedad intelectual del modelo se comoditiza, el monopolio se desplaza al cómputo (GPUs, centros de datos); los hyperscalers ya dominan esto y pueden reutilizar capacidad (por ejemplo, para robótica).
- Contraargumento: con una competencia intensa, los márgenes de inferencia tienden a cero, limitando la capacidad de todos para recuperar el capex.
Costes de cambio, fosos y efectos de red
- Muchos dicen que las APIs de inferencia tienen costes de cambio prácticamente cero, a diferencia de los servicios de transporte por app o los smartphones, que se beneficiaron de efectos de red y de encierro.
- Otros señalan un posible encierro futuro si flujos de trabajo enteros de una empresa y sus datos viven dentro de una sola plataforma de IA, pero esto sigue siendo especulativo.
Utilidad frente a sobrevaloración
- Varios usuarios informan de un uso intensivo y productivo de los modelos actuales (incluidos los chinos baratos) y ven poca diferencia cotidiana con los mejores sistemas propietarios, salvo el precio.
- Otros sostienen que, incluso si los LLM son realmente útiles, las valoraciones y el capex asumen retornos a escala de “revolución industrial” en plazos muy cortos, algo que puede no materializarse.
La tesis del autor y su credibilidad
- Algunos critican al autor del artículo por predicciones previas fallidas o prematuras sobre el colapso y por carecer de experiencia en IA o finanzas.
- Otros responden que calcular el momento de una burbuja es intrínsecamente difícil; lo que importa es la financiación circular documentada, la concentración de ingresos y la acumulación de deuda.
- Existe un amplio acuerdo en que “la IA puede ser transformadora” y “los laboratorios insignia actuales y sus financiadores podrían seguir siendo económicamente insostenibles” son posturas compatibles.
Preocupaciones macroeconómicas y laborales
- Hay temor de que las empresas usen la IA para justificar despidos incluso si las inversiones en IA no dan resultado, creando un “doble golpe” de pérdida de empleo y estrés financiero.
- Se hacen comparaciones con las burbujas puntocom e hipotecaria: los críticos tempranos acertaron sobre la burbuja, aunque a menudo se equivocaron en el momento exacto.