Lista de reproducción
- No hay más artículos para escuchar
Durante los últimos dos años, la narrativa dominante sobre la IA ha sido la de las posibilidades ilimitadas. Modelos más grandes, ciclos de entrenamiento de billones de tokens y ciclos de inversión de capital récord han reforzado la sensación de aceleración ininterrumpida. Pero el cambio tecnológico rara vez es tan sencillo, y esta vez no es la excepción. A medida que la IA pasa de la experimentación a las aplicaciones en el mundo real, los límites impuestos por el mundo físico, los mercados de capital y los sistemas políticos claramente importan más que su potencial teórico.
La limitación más inmediata es la electricidad. En ningún lugar es esto más evidente que en Estados Unidos, donde se prevé que la demanda de energía de los centros de datos aumente de aproximadamente 35 gigavatios a 78 GW para 2035. El norte de Virginia, el mayor clúster de infraestructura en la nube del mundo, ya ha agotado prácticamente su capacidad de red disponible. Las empresas de servicios públicos de Arizona, Georgia y Ohio advierten que la construcción de nuevas subestaciones podría tardar casi una década. Un solo campus puede requerir entre 300 y 500 MW, suficiente para abastecer a una ciudad entera. El silicio se puede fabricar rápidamente; la transmisión de alto voltaje, no.
Los mercados están respondiendo con la velocidad y la ambición esperadas. Los hiperescaladores (las grandes empresas tecnológicas que desarrollan modelos avanzados de IA gracias a una capacidad de computación cada vez mayor) se han convertido en algunos de los mayores compradores mundiales de energía renovable de larga duración. Se están construyendo parques solares y eólicos privados específicamente para dar servicio a instalaciones en la nube, y algunas empresas están explorando pequeños reactores modulares de nueva generación como una forma de evitar la lenta infraestructura municipal.
Estos esfuerzos eventualmente ampliarán la frontera de lo posible, pero no eliminan la restricción, sino que la redirigen. La próxima ola de capacidad de IA probablemente se concentrará no en el norte de Virginia ni en Dublín, sino en regiones donde la tierra, la energía y el agua siguen siendo abundantes: el Medio Oeste estadounidense, Escandinavia, partes de Oriente Medio y el oeste de China. La geografía de la IA la define la física, no las preferencias.
El silicio es la siguiente limitación, y aquí la situación se complica. Si bien Nvidia parecía ser el sustrato universal de todo el desarrollo de IA a nivel mundial, esa era está llegando a su fin. En un hito significativo, Google entrenó su último modelo de lenguaje de gran tamaño, Gemini 3, completamente con sus propias Unidades de Procesamiento Tensorial (Tensor Processing Units), y los chips Trainium2 de Amazon, Maia de Microsoft y MTIA de Meta se están desarrollando con fines similares. De igual manera, en China, la plataforma Ascend de Huawei se ha convertido en la columna vertebral estratégica para el entrenamiento de modelos nacionales frente a los controles de exportación estadounidenses.
Parte de este cambio refleja la maduración tecnológica natural. A medida que aumentan las cargas de trabajo, los aceleradores especializados se vuelven más eficientes que las GPU de propósito general, originalmente adaptadas para la IA. Pero el momento no es casual. La escasez, las fricciones geopolíticas y las presiones de costes han impulsado a los hiperescaladores a asumir un papel que antes estaba reservado para las empresas de semiconductores. Dado que abandonar el ecosistema CUDA de Nvidia conlleva enormes costes organizativos, la creciente disposición a asumirlos indica la gravedad de la restricción. Lo que seguirá será un panorama de hardware más fragmentado y, con él, un ecosistema de IA aún más fragmentado. Una vez que las arquitecturas divergen a nivel de silicio, rara vez vuelven a converger.
La tercera restricción, el capital, opera de forma más sutil. Los planes de inversión de las empresas hiperescaladoras para 2026 superan ya los 518,000 millones de dólares, una cifra que ha aumentado casi dos tercios tan solo en el último año. Ya estamos presenciando la mayor expansión de infraestructura del sector privado de la historia moderna. Meta, Microsoft y Google revisan sus previsiones de inversión con tanta frecuencia que a los analistas les cuesta seguirles el ritmo.
Sin embargo, aún es pronto para obtener beneficios económicos. Baidu informó recientemente 2,600 millones de yuanes chinos (369 millones de dólares) en ingresos relacionados con aplicaciones de IA, impulsados principalmente por contratos empresariales y suscripciones de infraestructura. Tencent afirma haber aumentado su rentabilidad gracias a la mejora de la eficiencia de la IA en sus negocios consolidados. Sin embargo, en EE. UU., la mayoría de las empresas aún concentran sus ganancias de IA en categorías más amplias de la nube.
La brecha entre la adopción de la IA y su monetización es amplia, pero conocida. En oleadas tecnológicas anteriores, el gasto en infraestructura solía preceder en años a las ganancias de productividad. La limitación no proviene de la debilidad de los inversores, sino de la presión estratégica que genera el entusiasmo: distintas empresas buscan diferentes concepciones de valor porque sus modelos de negocio y estructuras de costes así lo exigen.
Muchos sectores simplemente no pueden adoptar la IA al ritmo de la aparición de nuevos modelos. Los grandes bancos, por ejemplo, siguen sujetos a marcos de seguridad y cumplimiento normativo que exigen implementaciones de software in situ, aisladas y totalmente auditables. Estas normas los excluyen instantáneamente de los modelos fronterizos más avanzados, que se basan en la orquestación en la nube y en iteraciones rápidas entre nuevas versiones. Los sistemas sanitarios se enfrentan a limitaciones similares, y los gobiernos, aún más. El problema no reside en las capacidades teóricas de la IA, sino en la dificultad de incorporar estas herramientas a sistemas heredados, diseñados para una era diferente.
En conjunto, estas fuerzas sugieren un futuro muy diferente al que implica la narrativa mediática estándar. La IA no está convergiendo hacia una única frontera universal. Diversas arquitecturas regionales e institucionales se ven moldeadas por diferentes límites: desde la escasez de energía en EE. UU. hasta las limitaciones de terreno y refrigeración en Singapur y Japón, la escasez geopolítica en China (donde los controles de exportación occidentales limitan el acceso a chips avanzados y hardware en la nube), las fricciones regulatorias en Europa y las rigideces organizativas en el mundo corporativo. La tecnología puede ser global, pero su implementación es local.
Afortunadamente, las limitaciones del mundo real no son enemigas del progreso. A menudo, forman el andamiaje sobre el que se construyen nuevos sistemas. El exceso de fibra óptica de finales de la década de 1990, inicialmente criticado como un derroche excesivo, posteriormente impulsó el auge del streaming, las redes sociales y la computación en la nube.
Las limitaciones actuales desempeñarán un papel similar. La escasez de energía ya está modificando la geografía de la IA. La fragmentación del silicio está creando nuevos ecosistemas nacionales y corporativos. Las asimetrías de capital están empujando a las empresas hacia diferentes equilibrios estratégicos. Los límites institucionales están configurando los primeros casos de uso reales.
La próxima década de la IA no pertenecerá a los sistemas con mayor capacidad teórica, sino a los ecosistemas más hábiles para convertir las limitaciones del mundo real en ventajas de diseño. La posibilidad define el horizonte, pero la restricción determinará el camino que finalmente tomará el mundo.
El autor es director de MindWorks Capital.
Derechos de autor: Project Syndicate, 2025.
www.project-syndicate.org
