El silicio, no el software, decidirá la carrera de la IA

Sin embargo, los avances científicos por sí solos no generan auges de inversión. Más bien, la IA provocó una conmoción generalizada en el ecosistema de semiconductores e informática. El transformador abrió un camino tecnológico prometedor; ChatGPT creó el mercado masivo que justificó la inversión a gran escala; y sistemas como Codex extendieron la demanda a aplicaciones como el desarrollo de software.

Lo que siguió fue una ola de inversión sin precedentes, impulsada por una combinación de innovación algorítmica, avances en hardware y el surgimiento de un mercado masivo para la inteligencia artificial. A pesar de la gran expectación que rodea a los modelos de vanguardia, el futuro de la IA depende de procesadores, equipos de red, sistemas de refrigeración, electricidad, plataformas en la nube y la capacidad organizativa para coordinarlos todos.

Los economistas han reconocido desde hace tiempo que el tamaño del mercado determina la trayectoria de la innovación. En un artículo fundamental de 2004, el economista y premio Nobel Daron Acemoglu y Joshua Linn demostraron que los mercados potenciales más grandes, impulsados por el cambio demográfico, estimulaban la innovación farmacéutica.

La misma lógica se aplica a la IA, aunque con una importante salvedad. En la industria farmacéutica, el aumento repentino de la demanda provino de fuera del sector, debido al envejecimiento de la población. En cambio, con la IA, los avances sucesivos han generado una demanda de mayor capacidad de procesamiento. ChatGPT creó el mercado que ahora financia el hardware con el que se entrenarán sus sucesores, y la perspectiva de un vasto mercado para la inteligencia artificial ha hecho que la innovación sea mucho más rentable. Esto es cierto no solo para los semiconductores, el software, las redes y la infraestructura de centros de datos, sino también para sectores como la energía y la construcción, que llevan mucho tiempo luchando por aumentar la productividad.

Sin embargo, las tecnologías no mejoran al mismo ritmo indefinidamente. A medida que maduran, experimentan rendimientos decrecientes, lo que dificulta cada vez más los avances. Esto ayuda a explicar por qué el progreso tecnológico suele ralentizarse tras un rápido impulso inicial. No obstante, en ocasiones surge un nuevo paradigma tecnológico que reinicia el “reloj de la innovación”, un mecanismo descrito en un trabajo reciente del premio Nobel de Economía Philippe Aghion y sus coautores.

La IA supone un reinicio, pero con un giro distintivo. En lugar de simplemente inaugurar un nuevo paradigma tecnológico, ha reiniciado el ciclo de innovación de los semiconductores al crear una demanda nueva y aparentemente insaciable de capacidad de procesamiento.

Los límites de la ley de Moore

Por lo tanto, el auge de la IA se comprende mejor no como un evento tecnológico aislado, sino como el capítulo más reciente de un ciclo de innovación e inversión que se extiende por décadas. Desde la invención del transistor en los Laboratorios Bell en 1947, la industria tecnológica se ha transformado gracias a sucesivas oleadas de cambios: las computadoras centrales, las computadoras personales, internet, los dispositivos móviles, la computación en la nube y, ahora, la IA.

Estas oleadas suelen presentarse como la consecuencia inevitable de la ley de Moore: la observación de que el número de transistores en un circuito integrado se duplica cada dos años. Sin embargo, esta interpretación pasa por alto un poderoso ciclo de retroalimentación: la ley de Moore funcionó como un círculo virtuoso en el que el progreso tecnológico y la expansión del mercado se reforzaron mutuamente. La computación más económica permitió nuevas aplicaciones, expandiendo el mercado de la informática e incentivando la inversión continua en chips, herramientas de fabricación, memoria, software e infraestructura digital.

A diferencia de las anteriores oleadas de computación, la IA ejerce una enorme presión sobre la infraestructura física, desde el procesamiento paralelo y el ancho de banda de la memoria hasta las interconexiones de alta velocidad y la capacidad de los centros de datos. Para agravar el problema, su surgimiento se produjo tras la ruptura del acuerdo energético que sustentaba la ley de Moore.

Durante décadas, la ley de Moore se complementó con el principio de escalado de Dennard: a medida que los transistores se hacían más pequeños, podían operar a menor voltaje. Esto permitía controlar las cargas térmicas, lo que posibilitaba que cada nueva generación de chips ofreciera mayor potencia de cálculo sin necesidad de realizar inversiones proporcionales en electricidad, refrigeración e infraestructura física.

Ese acuerdo comenzó a desmoronarse a mediados de la década de 2000. Si bien los transistores continuaron reduciéndose de tamaño, el voltaje ya no podía disminuir tan rápidamente, lo que impedía que los procesadores funcionaran a mayor velocidad sin sobrecalentarse. Para mantener el progreso, la innovación se extendió más allá del transistor en sí para abarcar toda la pila informática: procesadores multinúcleo, unidades de procesamiento gráfico, aceleradores especializados, memoria de alto ancho de banda (HBM), empaquetado avanzado de chips, infraestructura de nube a hiperescala y redes de alta velocidad.

La IA generativa es la primera aplicación de consumo masivo que aprovecha al máximo esta arquitectura post-Dennard. Un chatbot puede parecer ligero para los usuarios, pero tras su interfaz se esconde un enorme aparato físico. El entrenamiento de modelos de vanguardia requiere una gran capacidad de computación paralela, transferencia de datos a alta velocidad, densos clústeres de chips especializados, refrigeración a escala industrial y un suministro eléctrico abundante y fiable.

La revolución de la IA, por lo tanto, no se limita al software; también afecta al capital físico, la energía y la capacidad industrial. Según el Índice de IA 2025 de Stanford, la cantidad de potencia informática utilizada para entrenar modelos avanzados de IA se ha duplicado aproximadamente cada cinco meses. Epoch AI estima que la potencia informática dedicada al entrenamiento de modelos de vanguardia se ha quintuplicado casi anualmente desde 2020.

Pero la capacidad de procesamiento es solo uno de los insumos esenciales de la IA. El otro es el inmenso volumen de información digital generado por las anteriores oleadas de computación. Internet transformó décadas de texto, código, imágenes, audio y video en un vasto archivo digital, mientras que la drástica reducción de los costos de almacenamiento —otra consecuencia de los constantes avances en la fabricación de semiconductores— hizo que conservar prácticamente todo resultara económico. El preentrenamiento es, en esencia, el proceso de comprimir todos esos datos en un modelo estadístico.

El resultado es una dinámica de retroalimentación positiva que recuerda al antiguo ciclo de retroalimentación de la ley de Moore: mejores modelos aumentan el valor de la potencia de cálculo adicional; mayores rendimientos esperados justifican una mayor inversión en aceleradores, memoria, capacidad en la nube y electricidad; y esas inversiones amplían las capacidades de los modelos de IA de vanguardia al aliviar los cuellos de botella que los limitan, lo que permite nuevas aplicaciones que impulsan aún más la demanda de capacidad de cálculo.

En este contexto, resulta evidente por qué las empresas de IA dominantes en la actualidad son aquellas que coordinan las inversiones complementarias necesarias para transformar los avances científicos en valor económico. La ventaja competitiva de Nvidia, por ejemplo, se basa en el desarrollo, a lo largo de décadas, de CUDA —la plataforma mediante la cual los desarrolladores utilizan sus chips—, junto con sus bibliotecas de software, su experiencia técnica, su avanzado sistema de empaquetado y la coordinación de su cadena de suministro.

La posición dominante de TSMC refleja, asimismo, el valor de su experiencia en fabricación. Amazon, Microsoft y Google, en cambio, transforman la demanda dispersa de computación en vastas plataformas e infraestructuras en la nube. Su ventaja competitiva no reside en una sola tecnología, sino en su capacidad para coordinar capital, hardware, software y electricidad a una escala extraordinaria.

Política industrial para la era de la IA

La señal más clara de que el silicio sigue siendo fundamental para la revolución tecnológica actual es que todas las grandes potencias consideran ahora el control de la cadena de suministro de semiconductores como un activo estratégico. La IA puede parecer una revolución del software, pero sus limitaciones siguen siendo físicas: procesadores, memoria, equipos de fabricación, capacidad de empaquetado y electricidad. Esto ha transformado la fabricación de chips, de una industria privada a un campo de batalla geopolítico.

Estados Unidos es un buen ejemplo. Durante varias décadas, prescindir de las fábricas de semiconductores permitió a las empresas estadounidenses especializarse en el diseño de chips, subcontratando la fabricación a productores extranjeros. Esta división del trabajo ayudó a Estados Unidos a mantener su liderazgo tecnológico, incluso cuando la producción avanzada se concentró en Taiwán.

Sin embargo, el aumento de las tensiones geopolíticas ha llevado a los responsables políticos a redescubrir la importancia estratégica de la capacidad de fabricación. La Ley de Chips y Ciencia de EE. UU. de 2022 supuso un punto de inflexión tras décadas de complacencia con respecto a la producción sin fábricas propias, al comprometer aproximadamente 52,000 millones de dólares en financiación pública y catalizar más de 450,000 millones de dólares en inversión privada anunciada para la producción nacional de semiconductores.

Los efectos ya son visibles. TSMC ha aumentado recientemente su inversión prevista en su megaproyecto de Arizona a 265,000 millones de dólares, y Apple ha reservado más de la mitad de la capacidad de producción inicial de la compañía en tecnología de dos nanómetros (2 nm). La planta Fab 52 de Intel en Arizona ya está produciendo chips 18A, que, según se informa, Microsoft planea utilizar para su acelerador Maia de próxima generación.

Mientras tanto, la apuesta de Taiwán por TSMC, que se remonta a décadas atrás, sigue dando frutos extraordinarios. La compañía opera sus líneas de producción de 3 nm a plena capacidad, y se estima que la demanda de sus chips de tecnología avanzada supera la oferta en una proporción de tres a uno. La incomparable capacidad de fabricación de Taiwán ha convertido su llamado escudo de silicio en una realidad estratégica: la seguridad de la isla es ahora una cuestión de vital interés estratégico para Estados Unidos y sus aliados.

La experiencia de Corea del Sur pone de relieve otro punto crítico de la IA: la memoria. Los responsables políticos surcoreanos comprendieron hace mucho tiempo lo que sus homólogos europeos aún no logran reconocer: la memoria sigue siendo un activo estratégico incluso cuando parece estar fácilmente disponible en los mercados globales.

Con esto en mente, Corea del Sur impulsó una política industrial que, en 1983, la convirtió en el tercer país del mundo, después de Estados Unidos y Japón, en producir chips DRAM de 64K. Samsung y SK Hynix aprovecharon este liderazgo inicial para formar, junto con la estadounidense Micron, un oligopolio que controla más del 90 por ciento del mercado mundial de DRAM. SK Hynix también se ha consolidado como el principal proveedor de HBM, un componente fundamental para el entrenamiento de modelos de IA de vanguardia.

China ofrece el ejemplo más contundente de lo que puede lograr una política industrial ambiciosa. En las últimas décadas, ha ido escalando la cadena de valor de los semiconductores desde la base, comenzando con el ensamblaje y las pruebas de semiconductores subcontratadas (OSAT), que comprenden las etapas finales de la producción de chips después de la fabricación. Las empresas occidentales descartaron en gran medida este segmento por considerarlo un negocio de bajo margen, pero China lo trató como un punto de entrada estratégico.

Esa apuesta ha dado sus frutos. Empresas como JCET, Tongfu y Huatian han pasado del empaquetado por contrato a la integración de chiplets y al empaquetado 2.5D, lo que permite que los procesadores y la memoria se comuniquen a velocidades mucho mayores. JCET es ahora la tercera empresa OSAT más grande del mundo, con ingresos anuales de 5.000 millones de dólares.

De los envases, China pasó a la memoria. Los chips DDR5 de CXMT, la última generación de DRAM, según se informa, alcanzan 8.000 megatransferencias por segundo, lo que permite a los productores chinos desafiar el oligopolio de Samsung-SK Hynix-Micron.

El siguiente paso fue la fabricación. SMIC, la fundición líder de China, ahora produce los aceleradores de IA Ascend de Huawei utilizando la técnica de multipatrón ultravioleta profundo, que amplía las capacidades de los sistemas de litografía más antiguos mediante una serie de pasos de fabricación adicionales.

Según los informes, a finales de 2025, China había alcanzado la última frontera de la industria: la litografía. Tras numerosos intentos, un consorcio chino desarrolló un prototipo de una máquina de luz ultravioleta extrema (EUV), la tecnología de fabricación de chips más avanzada y la más difícil de replicar. Las autoridades esperan que la tecnología entre en producción para 2028, aunque algunos allegados al proyecto consideran que 2030 es una fecha más realista.

Las cifras hablan por sí solas: China produce actualmente cerca del 35 por ciento de sus equipos para semiconductores a nivel nacional, y las empresas locales suministran más del 40 por ciento de las herramientas utilizadas en procesos de fabricación clave, como el grabado y la deposición de películas delgadas. Si bien el país aún presenta deficiencias en litografía, software de diseño y fotorresistencias, ha desarrollado capacidades nacionales en prácticamente todas las etapas de la cadena de valor de los semiconductores.

Estas inversiones tendrían poco sentido si la industria de los semiconductores fuera un sector maduro a punto de ser desplazado. En cambio, el auge de la IA ha convertido a los semiconductores en un campo de batalla clave en la lucha por la supremacía tecnológica y militar.

El próximo cuello de botella de la IA

A medida que se desmorona la barrera que separaba a diseñadores y fabricantes de chips, característica de las décadas de 1990 y 2000, el modelo sin fábricas propias está dando paso a una nueva forma de integración vertical. Desde TPU de Google y Trainium de AWS hasta Maia de Microsoft, las grandes empresas que dominan la computación en la nube están diseñando sus propios aceleradores de IA.

Pero estas empresas siguen dependiendo de TSMC para la fabricación de sus aceleradores personalizados de vanguardia. Resulta que la reintegración vertical se detiene en la puerta de la fundición. Con el cuello de botella estratégico desplazándose del diseño de chips a la fabricación y el empaquetado avanzado, los gobiernos de todo el mundo están invirtiendo decenas de miles de millones de dólares para expandir la fabricación nacional de chips.

Las implicaciones van mucho más allá de los semiconductores. La Agencia Internacional de Energía proyecta que el consumo de electricidad de los centros de datos se duplicará con creces para 2030, alcanzando aproximadamente 945 teravatios-hora, lo que representa poco menos del 3 por ciento del consumo eléctrico mundial. Contrariamente a la creencia popular, el principal desafío no radica en construir más centros de datos, sino en asegurar los terrenos, los equipos, la capacidad de la red eléctrica y los permisos necesarios para su funcionamiento.

La lección para los responsables políticos es clara: los modelos de vanguardia son importantes, pero solo constituyen una capa del entramado de la IA. El liderazgo tecnológico también requiere capacidad de procesamiento, electricidad, infraestructura en la nube, semiconductores avanzados, ingenieros cualificados y mercados lo suficientemente grandes como para justificar una inversión sostenida.

Estas capacidades se distribuyen de forma desigual entre las principales economías del mundo. Estados Unidos cuenta con un vasto mercado continental, mercados de capitales sólidos, proveedores de servicios en la nube líderes a nivel mundial y empresas dispuestas a implementar nuevas tecnologías a gran escala. Las ventajas de China, en cambio, residen en su capacidad para alcanzar la autosuficiencia en toda la cadena de valor de los semiconductores, desde el empaquetado hasta la litografía. Europa, por su parte, ha tenido dificultades para transformar la excelencia científica en liderazgo industrial, considerando la innovación como un problema de investigación y su implementación como algo secundario.

En industrias donde la innovación depende de la escala, la capacidad física es tan importante como el ingenio científico. La IA no es una excepción, ya que la competencia se desplaza del desarrollo de mejores modelos a la inferencia, es decir, su ejecución eficiente una vez entrenados. Si bien el entrenamiento sigue siendo esencial, satisfacer la creciente demanda a bajo costo puede ser el mayor desafío.

El costo de ejecutar un modelo de IA se reduce en última instancia a sus insumos físicos: semiconductores, electricidad, refrigeración y el capital invertido en centros de datos. Hoy en día, las estimaciones de la industria sitúan los servidores en alrededor de El hardware representa el 60 por ciento del coste anual de operar un gran centro de datos, mientras que la energía supone el 7 por ciento. Sin embargo, a medida que el hardware se abarata y se estandariza, la electricidad representará una proporción cada vez mayor del coste, lo que convierte el acceso a energía abundante y fiable en el factor determinante para el éxito de las empresas.

La carrera por el chip es, por tanto, también una carrera energética. Al fin y al cabo, un procesador menos eficiente no supone una desventaja decisiva si la electricidad es abundante y barata. Esto, a su vez, redefine la geografía de la IA: dado que los centros de datos pueden construirse prácticamente en cualquier lugar, la disponibilidad de electricidad fiable y de bajo coste es más importante que la proximidad a las ciudades.

En este sentido, el impulso que China ha dado durante la última década para expandir y modernizar su sistema eléctrico podría resultar tan trascendental como las apuestas de Corea del Sur y Taiwán por los semiconductores hace una generación. Sin embargo, sostener una economía basada en la IA requiere tanto una reforma institucional como una profunda transformación física.

En el plano institucional, China está construyendo un mercado eléctrico nacional más integrado. Cada provincia está obligada a operar un mercado mayorista de electricidad, mientras que la proporción de electricidad comercializada entre provincias ha aumentado del 18 por ciento en 2017 a aproximadamente el 24 por ciento en 2024. El desafío físico es aún mayor: la demanda de electricidad per cápita alcanzó los 7.5 megavatios-hora en 2025, casi el doble del promedio mundial y muy superior a apenas un MWh en el año 2000. Se requerirá un vasto desarrollo de infraestructura de generación y transmisión.

Independientemente del éxito de China, la naturaleza de la competencia tecnológica ha cambiado radicalmente. Durante décadas, se la concibió como una carrera por expandir las fronteras de la ciencia y el diseño de semiconductores. Hoy, se trata de una carrera por construir la infraestructura física que haga que los avances científicos sean comercialmente viables. Ahora que el reloj del silicio se ha reiniciado, el próximo ciclo de innovación se medirá tanto en vatios como en nanómetros.

Los autores, Antonin Bergeaud es catedrático de Economía en HEC París; Robin Rivaton es director ejecutivo de Stonal, una empresa tecnológica europea, asesor en inteligencia artificial de la confederación empresarial francesa MEDEF y miembro del centro de estudios Fondapol, con sede en París. Es autor de ocho libros.

Copyright: Project Syndicate, 2026.
www.project-syndicate.org