Detrás de los titulares deslumbrantes, la industria de la IA se enfrenta a preguntas fundamentales sobre el ritmo de la innovación, la sostenibilidad del capital y los caminos divergentes de quienes desarrollan modelos y quienes crean aplicaciones.
El punto de inflexión silencioso de la industria
La inteligencia artificial ha crecido a un ritmo sin precedentes en los últimos tres años. Desde el lanzamiento de ChatGPT, la adopción entre los consumidores ha batido récords, gigantes como OpenAI y Google han anunciado modelos en rápida sucesión y las empresas del Fortune 500 han situado la IA en el centro de sus procesos de negocio. Sin embargo, hoy, detrás de los titulares deslumbrantes, la industria se enfrenta a una pregunta fundamentalmente distinta:
¿La verdadera innovación sigue avanzando con fuerza o estamos viendo cómo una máquina gigantesca choca contra límites invisibles?
Para responder adecuadamente a esta pregunta, necesitamos observar el ecosistema desde dos perspectivas distintas:
Mercado primario: Empresas que desarrollan modelos fundacionales como GPT-4, Claude y Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Mercado secundario: Empresas que utilizan estos modelos para crear soluciones a problemas reales de los usuarios: Perplexity, Cursor, Notion AI, Replit.
Aunque ambos mercados pertenecen a la misma industria, sus dinámicas, estructuras de costes, perfiles de riesgo y expectativas de crecimiento son fundamentalmente diferentes. La tensión que presenciamos hoy surge precisamente de esta divergencia.
Empiezan a aparecer límites naturales en el desarrollo de modelos
Cuatro factores fundamentales han marcado la evolución de los grandes modelos de lenguaje en los últimos cinco años:
- Tamaño del modelo (número de parámetros)
- Datos de entrenamiento (calidad y diversidad)
- Potencia de cálculo (capacidad de GPU/TPU)
- Técnicas de entrenamiento (arquitecturas transformer, mecanismos de atención)
De 2018 a 2023, estos cuatro factores crecieron en la misma dirección y propiciaron enormes avances. Así pasamos de GPT-2 a GPT-4 y de BERT a PaLM. Sin embargo, esta curva no continuará indefinidamente. Los datos de entrenamiento son ahora el cuello de botella más crítico de la industria.
Las reservas de datos de alta calidad, diversos y originales generados por humanos son limitadas. Entrenas con Wikipedia, entrenas con arXiv, entrenas con GitHub: ¿y después qué? Los costos en este ámbito están aumentando de forma exponencial debido a cuestiones de derechos de autor, acuerdos sobre la propiedad de los datos y restricciones de acceso. Cierras acuerdos con Reddit, negocias con Stack Overflow, te enfrentas a demandas de The New York Times. Seguir aumentando el tamaño de los modelos es técnicamente viable, pero la disponibilidad de datos impone un límite natural.
Por eso la industria ha pasado de centrarse en el tamaño de los modelos a centrarse en la eficiencia. El razonamiento en cadena de pensamiento, el aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF), las técnicas de muestreo más eficaces y las arquitecturas de mezcla de expertos (MoE): todo ello forma parte de esta transformación.
Estos avances son importantes, pero no son sostenibles por sí solos, porque las mejoras de eficiencia también llegan a un punto de saturación. La industria empieza a reconocer que la innovación en modelos fundacionales ha entrado en una fase más lenta y más costosa.
Presión sobre el flujo de capital y fragilidad creciente
A medida que los límites tecnológicos se vuelven palpables, el crecimiento del capital implica un riesgo aún mayor.
Las empresas de modelos fundacionales están construyendo enormes infraestructuras de cómputo y haciendo ofertas agresivas en la guerra por el talento. Estos gastos se producen antes de haber consolidado una base sólida de ingresos. Los costos anuales de cómputo de OpenAI ascienden a miles de millones. Anthropic recibe miles de millones en inversiones de Microsoft. Google asigna un presupuesto independiente a DeepMind.
Miles de millones invertidos en centros de datos, contratos de GPU por varios años, salarios astronómicos pagados a figuras como Ilya Sutskever: todo ello dispara los gastos de las empresas.
Este panorama muestra que el mercado primario se sustenta en un modelo de escalado económicamente muy frágil. La estructura de costos de la innovación en modelos supera con creces las tasas de crecimiento de los ingresos.
El ascenso silencioso de la capa de aplicaciones
Mientras el mercado primario está bajo presión, el mercado secundario avanza con una curva de crecimiento relativamente saludable. Estas empresas toman modelos fundacionales y los convierten en casos de uso reales.
- Perplexity: Rediseña la experiencia de búsqueda
- Cursor & Replit: Transforman el proceso de programación
- Notion AI: Dota de inteligencia a las herramientas de productividad
- Dvina: Se conecta a 120+ aplicaciones para gestionar toda la vida digital desde una única capa inteligente
La ventaja de estas empresas es su cercanía al usuario. El valor real surge directamente en la experiencia de usuario. Búsqueda, programación, creación de contenido, productividad, procesamiento de información: todas estas áreas ofrecen modelos de ingresos escalables y comprensibles.
Por eso muchos desarrolladores de modelos fundacionales han empezado a orientarse hacia la capa de aplicaciones. OpenAI convirtió ChatGPT en un producto, Anthropic transformó Claude en una oferta para consumidores y Google integró Gemini. La estrategia de integración vertical se ha extendido rápidamente.
Pero esta estrategia ha provocado efectos secundarios: los costos de adquisición se han disparado y las valoraciones del mercado secundario se han inflado. El hecho de que el mercado secundario —la única área capaz de generar ingresos— se haya vuelto tan caro aumenta aún más el riesgo de capital en el sector.
Los ciclos históricos y el factor que distingue al presente
La inteligencia artificial ha atravesado dos grandes declives: a finales de la década de 1970 y a principios de la de 1990. Estos períodos tenían algo en común: altas expectativas, un ritmo de innovación lento y un interés por invertir que se desvanecía.
La situación actual es diferente. La innovación técnica continúa, pero el ritmo de los avances decisivos se está ralentizando. El flujo de capital, sin embargo, crece a una escala sin precedentes. Sam Altman habla de un fondo de 7 billones de dólares para cómputo y Elon Musk invierte miles de millones en xAI.
Por tanto, lo que estamos viviendo no es un clásico "invierno de la IA". Es más bien un período de fragilidad ligado a la asignación de capital: las valoraciones se inflan, los costos aumentan cada vez más rápido, pero el ritmo de innovación no cumple las expectativas.
La nueva era: ganarán los enfoques más inteligentes, no los modelos más grandes
La diferencia más importante hoy es esta: lo que importa ahora no es crear modelos cada vez más grandes añadiendo más parámetros.
La verdadera transformación se producirá en estas áreas:
- Aumentar la eficiencia de los parámetros
- Lograr una mayor calidad con modelos más pequeños
- Desarrollar nuevas técnicas de entrenamiento
- Utilizar los datos de forma más estratégica y eficaz
- Reducir radicalmente los costes de entrenamiento
Uno de los ejemplos recientes más llamativos fue DeepSeek. Esta startup china desarrolló un modelo con un rendimiento al nivel de GPT-4, pero con costes de entrenamiento mucho más bajos. Arquitectura de mezcla de expertos, optimización de parámetros, técnicas de entrenamiento centradas en la eficiencia. El mercado reaccionó con fuerza.
Tras el anuncio de DeepSeek, la capitalización bursátil de NVIDIA cayó 600.000 millones de dólares en un solo día. Esto demostró que los inversores ya no siguen solo la carrera por modelos más grandes, sino también la carrera por la eficiencia y la innovación arquitectónica.
Pero esto aún no basta. Si el sector da un verdadero salto, será gracias a nuevos paradigmas arquitectónicos. Algo que vaya más allá de la arquitectura transformer. Quizá la computación neuromórfica, quizá modelos híbridos o quizá un marco de aprendizaje completamente distinto.
Este tipo de transformaciones radicales no suele venir de las grandes empresas. Estas actúan con cautela por la presión de operar a gran escala, los costes de infraestructura y la gestión del riesgo empresarial. Los verdaderos avances suelen surgir de startups pequeñas, agresivas, dispuestas a asumir riesgos y ambiciosas.
Es probable que el ecosistema actual de la IA esté esperando precisamente una disrupción de ese tipo.
Conclusión: ganará el enfoque, no los recursos
Hoy, el sector de la IA oscila entre dos tensiones: por un lado, una estrategia de escalado de modelos que se acerca a sus límites; por otro, riesgos crecientes para el capital y un mercado de aplicaciones que se revaloriza rápidamente.
Este panorama muestra que el problema fundamental ahora es el enfoque, no la capacidad. Los ganadores del mañana no serán quienes construyan modelos más grandes, sino quienes desarrollen métodos más inteligentes. La eficiencia, los nuevos diseños arquitectónicos y las técnicas de entrenamiento optimizadas se están convirtiendo en la verdadera línea divisoria del sector.
Lo decisivo en el futuro será la calidad del enfoque, no el poder de los recursos. Y es bastante probable que sean startups visionarias, y no grandes empresas, las que inicien este cambio de enfoque.