Estás en el blog de Nicolau Roca
La IA prometió productividad infinita y ahora llega la factura
Durante los dos últimos años, la inteligencia artificial se ha vendido con una promesa bastante simple: más productividad, menos fricción, menos coste, más velocidad y una nueva capa de automatización capaz de cambiar el trabajo tal y como lo conocemos.
La narrativa era cómoda. La IA iba a escribir código, resumir reuniones, generar documentos, contestar correos, analizar datos, crear presentaciones, asistir a equipos comerciales, automatizar tareas repetitivas, sustituir parte del soporte, acelerar la toma de decisiones y convertir a cualquier profesional medio en una versión aumentada de sí mismo.
La parte incómoda es que esa historia nunca fue gratis.. ahora llega la factura.
Y no hablo solo de la factura mensual de ChatGPT, Claude, Copilot, Cursor o cualquier herramienta de moda. Hablo de la factura completa: GPUs, centros de datos, electricidad, agua, refrigeración, deuda, márgenes, dependencia de proveedores, pricing por uso, consumo absurdo de tokens, presión de inversores, promesas laborales que se empiezan a matizar y una pregunta que muchas empresas evitaron hacerse porque era bastante menos sexy que decir que estaban “adoptando IA”.
La pregunta era esta: cuánto valor real genera cada euro que se quema en inteligencia artificial.
La respuesta, de momento, es bastante más incómoda que el PowerPoint.
El problema ya no es si la IA funciona
La IA funciona. Esa discusión, en muchos contextos, ya está bastante superada.
Funciona para programar más rápido en determinados escenarios. Funciona para redactar borradores. Funciona para explorar documentación. Funciona para analizar código. Funciona para prototipar. Funciona para convertir lenguaje natural en consultas, scripts, estructuras de datos, esquemas, pruebas, documentación o flujos de trabajo. Funciona especialmente bien cuando hay una persona competente delante capaz de revisar, corregir, acotar y decidir.
Pero lo interesante no era eso; ¿funciona económicamente a escala?
Porque una cosa es que una herramienta sea impresionante en una demo, y otra muy distinta es que tenga una estructura de costes sostenible cuando la usa una compañía entera todos los días, con miles de empleados, contra repositorios grandes, documentos internos enormes, históricos de conversaciones, agentes autónomos, integraciones corporativas, auditoría, seguridad, compliance y expectativas de disponibilidad casi permanente.
Ahí el cuento cambia.
Microsoft es un buen ejemplo porque estaba en la posición ideal para ganar la primera fase de esta guerra. Tenía inversión estratégica en OpenAI, distribución empresarial masiva, Microsoft 365, Azure, GitHub, Windows, Teams, Outlook, Excel, PowerPoint y una relación directa con departamentos de IT de medio planeta. Sin embargo, Fortune publicó el 21 de mayo de 2026 que las ventas de los Copilot empresariales iban más lentas de lo que Microsoft querría, que menos del 4,5% de los 450 millones de clientes de Microsoft 365 pagaban por funciones Copilot, que el Copilot de consumo iba por detrás de ChatGPT, Gemini y Claude, y que GitHub Copilot, que fue el asistente de programación dominante, había sido desplazado primero por Cursor y después por Claude Code en parte del mercado de desarrollo.
Esto no significa que Microsoft esté perdiendo la guerra de la IA. Sería una lectura demasiado simple. Microsoft sigue siendo una de las compañías mejor posicionadas del mundo para capturar valor en cloud, productividad, datos empresariales y herramientas de desarrollo. Pero sí muestra algo más interesante: tener distribución, marca, integración y capital no garantiza que el producto de IA se convierta automáticamente en una máquina de margen infinito.
La propia Microsoft reconoce en sus resultados del tercer trimestre fiscal de 2026 que el porcentaje de margen bruto de Microsoft Cloud bajó al 66% por inversiones continuadas en infraestructura de IA y crecimiento del uso de productos de IA, aunque parcialmente compensado por eficiencias en Azure y Microsoft 365 Commercial Cloud. También indica que los gastos operativos aumentaron por inversiones en capacidad de cómputo de I+D, talento de IA y datos para desarrollo de producto.
Ese detalle es clave. La IA, además de ingresos, añade también coste estructural.
Durante años, el software empresarial ha vivido con una lógica maravillosa: una vez construido el producto, vender una licencia más tenía un coste marginal muy bajo. Esa era la belleza económica del SaaS. Pero la IA generativa rompe parte de esa lógica. Cada interacción cuesta. Cada prompt cuesta. Cada respuesta cuesta. Cada conversación larga cuesta más que la anterior porque hay que reenviar contexto. Cada agente que itera, lee ficheros, ejecuta herramientas, inspecciona logs, genera código, falla, corrige, vuelve a intentarlo y sigue razonando consume una cantidad de tokens que alguien tiene que pagar.
La IA no se parece tanto al SaaS clásico como nos gustaría. Se parece más a una mezcla rara entre software, cloud, energía, hardware especializado y servicios intensivos en uso.
La era del token quemado por postureo empieza a acabarse
Una de las señales más interesantes de estos días no viene de un paper académico ni de una keynote. Viene de algo mucho más vulgar: empresas descubriendo que sus empleados estaban quemando tokens como si fueran puntos de una liga interna.
Business Insider ha contado el giro desde el “tokenmaxxing” hacia la eficiencia. Amazon habría cerrado un ranking interno informal de uso de tokens, y Dave Treadwell habría pedido no usar IA solo por usarla. La lógica es bastante obvia: si conviertes el uso de IA en una métrica de prestigio, la gente usará IA aunque no aporte valor.
Esto no es un problema técnico. Es un problema de incentivos.
Si una empresa mide “adopción de IA” como número de usuarios activos, número de prompts, número de tokens, número de agentes creados o número de procesos “con IA”, la organización aprenderá a inflar esas métricas. No porque la gente sea tonta, sino porque las organizaciones optimizan lo que se mide.
- Si mides tokens, obtendrás tokens.
- Si mides valor, quizá obtengas valor.
Aquí hay un paralelismo bastante claro con lo que pasó con los dashboards. Durante años, muchas organizaciones confundieron madurez analítica con número de cuadros de mando. Más dashboards parecía más control. Más informes parecía más inteligencia de negocio. Más Power BI parecía más data-driven. Y luego llegaba la realidad: dashboards que nadie abría, métricas que nadie entendía, definiciones duplicadas, filtros contradictorios, procesos sin dueño y decisiones que seguían tomándose por intuición, jerarquía o urgencia.
Con la IA puede pasar exactamente lo mismo. Más agentes no significa más productividad. Más prompts no significa mejor trabajo. Más automatizaciones no significa mejor operación. Más herramientas no significa más criterio.
La IA útil no se mide por cuántos tokens consume. Se mide por cuántas decisiones mejora, cuántos errores reduce, cuánto tiempo realmente libera, cuánta deuda operativa elimina y cuánto coste evita sin degradar calidad, seguridad ni mantenibilidad.
GitHub Copilot y el golpe de realidad del pricing por uso
El cambio de pricing es otra señal fuerte.
Tom’s Hardware publicó el 3 de junio de 2026 que usuarios de GitHub Copilot estaban reportando subidas de coste muy fuertes tras la transición hacia un modelo más basado en uso. El artículo recoge que el plan Pro de 10 dólares incluye 1.500 créditos, Pro+ de 39 dólares incluye 7.000 y Max de 100 dólares incluye 20.000, y señala un problema práctico: estimar cuántos créditos va a consumir una interacción puede ser difícil, sobre todo en conversaciones largas, proyectos grandes o agentes que trabajan durante mucho rato.
Esto es mucho más importante de lo que parece.
El usuario individual suele pensar en la herramienta como “pago una cuota y uso IA”. La empresa, en cambio, empieza a pensar en unidades económicas. Cuánto cuesta cada equipo. Cuánto cuesta cada flujo. Cuánto cuesta cada integración. Cuánto cuesta cada conversación larga. Cuánto cuesta cada pipeline con IA. Cuánto cuesta cada agente que trabaja en background. Cuánto cuesta cada reintento. Cuánto cuesta cada error. Cuánto cuesta cada alucinación que hay que revisar. Cuánto cuesta cada consulta que manda demasiado contexto porque nadie diseñó bien la arquitectura.
Durante la fase de crecimiento, muchas empresas de IA han vendido acceso de forma relativamente generosa porque necesitaban adopción, datos, cuota de mercado, hábitos de uso y narrativa. Pero si el coste de servir el producto es alto, tarde o temprano el precio tiene que acercarse al coste real. Y cuando eso pasa, el usuario descubre que aquella sensación de abundancia infinita era, en parte, una subvención.
No es nuevo. Ha pasado con cloud, con almacenamiento, con APIs, con SaaS, con plataformas de delivery, con streaming y con casi cualquier mercado digital donde primero se compra crecimiento y después se exige rentabilidad.
La diferencia es que la IA generativa tiene una presión de coste mucho más física. No basta con alojar una aplicación web. Hay que alimentar un monstruo de cómputo.
La IA no vive en la nube vive en fábricas de electricidad y silicio
Uno de los errores más habituales al hablar de IA es tratarla como si fuese etérea. Como si “la nube” fuese una especie de dimensión abstracta donde las cosas ocurren sin fricción física.
No lo es.
La IA vive en centros de datos. Vive en GPUs. Vive en memoria HBM. Vive en redes de alta velocidad. Vive en refrigeración líquida. Vive en transformadores eléctricos. Vive en contratos de energía. Vive en suelo industrial. Vive en permisos. Vive en agua. Vive en fibra. Vive en deuda.
La Agencia Internacional de la Energía estima que los centros de datos consumieron unos 415 TWh en 2024, alrededor del 1,5% del consumo eléctrico mundial. También proyecta que el consumo eléctrico global de centros de datos se duplique hasta unos 945 TWh en 2030, con la IA como principal impulsor junto con otros servicios digitales.
La misma IEA señala que, en Estados Unidos, los centros de datos representarían casi la mitad del crecimiento de la demanda eléctrica hasta 2030, y que para final de la década el país podría consumir más electricidad en centros de datos que en la producción conjunta de aluminio, acero, cemento, químicos y otros bienes intensivos en energía.
Esto no significa que la IA vaya a “romper” el sistema eléctrico global mañana. Pero sí significa que la IA ha dejado de ser solo una categoría de software. Es infraestructura crítica. Y cuando algo se convierte en infraestructura crítica, aparecen restricciones mucho más duras que “necesitamos más features”.
Capacidad de red. Permisos. Subestaciones. Latencia. Refrigeración. Capacidad de fabricación de chips. Ciclos de renovación de hardware. Concentración geográfica. Riesgo regulatorio. Conflicto con comunidades locales. Impacto en precios eléctricos. Dependencia de proveedores.
La IA prometía desmaterializar trabajo. Pero para hacerlo está materializando una cantidad brutal de infraestructura.
Por eso Jensen Huang habla de “AI factories”. Nvidia informó en mayo de 2026 ingresos trimestrales récord de 81.600 millones de dólares, un 85% más interanual, con 75.200 millones procedentes del negocio Data Center, un 92% más interanual. La compañía también anunció 80.000 millones adicionales en autorización de recompra de acciones y elevó su dividendo trimestral.
Ahí está una de las claves económicas del momento: mientras muchas empresas intentan demostrar cómo monetizar la IA aplicada, Nvidia ya está monetizando la infraestructura que todos necesitan para intentarlo.
En una fiebre del oro, no siempre gana quien busca oro. Muchas veces gana quien vende las palas.
El capex de la IA ya compite con las mayores burbujas de infraestructura tecnológica
Reuters publicó el 27 de mayo de 2026 un análisis muy relevante sobre el boom de inversión en IA. Según el artículo, el capex relacionado con IA podría alcanzar unos 800.000 millones de dólares este año, con Morgan Stanley elevando su previsión para 2027 hasta 1,12 billones de dólares. Reuters también recoge que el capex de los hyperscalers en 2024 era de 260.000 millones, y que analistas de PIMCO estiman que el capex absorberá el 94% del flujo de caja operativo de los hyperscalers durante los próximos dos años, frente al 40% en 2023.
La comparación con la burbuja puntocom aparece sola, pero conviene hacerla bien.
La lectura burda sería decir: “esto es 2000 otra vez”. La lectura más seria es bastante más interesante: hay paralelismos claros en el ritmo de inversión, el miedo a quedarse atrás y el riesgo de sobrecapacidad, pero también hay diferencias importantes. En la burbuja de telecomunicaciones de finales de los noventa, muchas compañías estaban muy endeudadas, tenían rentabilidades débiles o directamente perdían dinero. Hoy los grandes hyperscalers siguen siendo empresas extraordinariamente rentables, con balances mucho más fuertes y negocios core que generan caja.
Reuters recoge precisamente esa diferencia: existen riesgos reales de monetización incierta, sobreconstrucción, vida útil más corta de activos y mayor dependencia de deuda, pero el ciclo actual parece más disciplinado y financiable que el boom telecom de finales de los noventa.
Esto es importante porque evita caer en dos caricaturas.
- Primera caricatura: “la IA es humo y todo va a explotar”.
- Segunda caricatura: “la IA es una revolución y por tanto cualquier valoración está justificada”.
Las dos son intelectualmente vagas.
La IA puede ser una revolución tecnológica real y, al mismo tiempo, contener burbujas locales, inversiones excesivas, productos mal monetizados, valoraciones privadas disparatadas y modelos de negocio que no sobreviven cuando desaparece el capital barato.
Internet fue real. La burbuja de las puntocom también. Las dos cosas pueden ser verdad a la vez.
Anthropic, OpenAI y el problema de salir a bolsa con hambre de capital
El caso de Anthropic es uno de los más llamativos.
La compañía anunció el 28 de mayo de 2026 una Serie H de 65.000 millones de dólares con una valoración post-money de 965.000 millones. En el mismo anuncio, Anthropic dijo que su run-rate revenue había superado los 47.000 millones ese mismo mes, y que la financiación serviría para investigación en seguridad e interpretabilidad, expansión de cómputo y escalado de productos y partnerships.
El 1 de junio de 2026, Anthropic confirmó que había presentado de forma confidencial un borrador de registro S-1 ante la SEC para una posible salida a bolsa. La compañía aclaró que eso le da la opción de salir a bolsa tras la revisión de la SEC, pero que la operación dependerá de condiciones de mercado y otros factores, y que aún no se han fijado número de acciones ni precio.
La palabra importante aquí es “opción”.
Presentar un S-1 confidencial no equivale a salir a bolsa mañana. Pero sí indica una dirección. Y esa dirección cambia el tipo de conversación.
Una startup privada puede vivir mucho tiempo en modo narrativa. Puede pedir paciencia. Puede vender visión. Puede financiar pérdidas con rondas privadas. Puede explicar que está construyendo una plataforma de largo plazo. Puede decir que el mercado aún está naciendo. Puede pedir que no se evalúe con métricas convencionales.
Una compañía cotizada no pierde del todo esa capacidad, pero entra en otro régimen. Tiene analistas, guías, presión trimestral, accionistas minoritarios, regulación, escrutinio público, expectativas de margen, comparables bursátiles y preguntas mucho más agresivas sobre unit economics.
Fortune publicó el 6 de junio una pieza apoyada en la teoría Good Money / Bad Money de Clayton Christensen y Michael Raynor. El punto central es potente: no importa solo cuánto dinero entra, sino qué expectativas trae ese dinero. El “buen dinero” es paciente con el crecimiento pero impaciente con la rentabilidad. El “mal dinero” es impaciente con el crecimiento pero paciente con la rentabilidad, porque puede empujar a una compañía a perseguir escala gigantesca antes de haber demostrado una estructura económica sana.
Fortune menciona además que el S-1 de OpenAI proyectaría, según reportes, 14.000 millones de dólares de pérdidas en 2026 y que la rentabilidad no llegaría antes de 2030. Esa afirmación debe tratarse con cuidado porque no hay un S-1 público de OpenAI que permita verificar directamente el dato completo. La forma correcta de escribirlo es “según reportes citados por Fortune”, no como hecho auditado por el lector.
Lo que sí está confirmado por OpenAI es su cambio estructural de octubre de 2025. OpenAI explica que la organización sin ánimo de lucro pasó a ser OpenAI Foundation y que la parte comercial pasó a ser OpenAI Group PBC, una public benefit corporation. OpenAI también señala que esta recapitalización le proporciona estructura para levantar capital y atraer talento, manteniendo control por parte de la fundación. Según su propia página, Microsoft posee aproximadamente el 27% de OpenAI Group, la fundación posee el 26% y el 47% restante está en manos de empleados actuales, antiguos empleados e inversores.
Ese cambio no es un detalle jurídico aburrido. Es una señal de madurez financiera. OpenAI ya no puede explicarse solo como laboratorio de investigación. Tampoco puede explicarse solo como producto de consumo. Es una organización que necesita cantidades enormes de capital para entrenar, servir, distribuir y defender modelos en una carrera donde la frontera se mueve muy rápido.
Y cuanto más capital necesita una empresa, más importante se vuelve la pregunta que al principio parecía vulgar: ¿dónde está el beneficio?
El giro sobre el empleo no es casual
El otro gran giro de estos días está en el discurso laboral.
Fortune publicó el 26 de mayo de 2026 que Sam Altman y Dario Amodei estaban matizando sus predicciones sobre un apocalipsis laboral white-collar. Según Fortune, Altman admitió que estaba equivocado sobre su predicción del impacto de la IA en trabajos white-collar, y la pieza enmarca el cambio dentro de un contexto donde los líderes tecnológicos empiezan a rebajar el tono catastrofista.
Este cambio es importante por dos razones:
- La primera es obvia: si los propios líderes de las empresas que venden IA empiezan a matizar la idea de sustitución masiva inmediata, quizá conviene revisar la narrativa de “la IA va a eliminar medio mercado laboral en dos años”.
- La segunda es más incómoda: cuando una compañía se acerca a mercados públicos, el discurso extremo sobre destrucción de empleo puede convertirse en un problema político, reputacional y regulatorio. No puedo verificar que esa sea la causa directa del cambio de tono de Altman o Amodei. Sí puedo decir que el contexto de IPOs, regulación, escrutinio público y sensibilidad laboral hace que la comunicación corporativa tenga incentivos distintos.
Una cosa es vender a venture capital la idea de que vas a capturar una parte gigantesca del trabajo humano.
Otra cosa es decirle eso mismo al mercado público, a reguladores, empleados, clientes empresariales y gobiernos.
La narrativa “vamos a sustituir trabajadores” puede sonar muy bien en una ronda privada donde se busca justificar una valoración brutal. Pero también puede activar rechazo social, presión política, miedo en clientes y preguntas incómodas sobre concentración de poder.
Por eso el lenguaje empieza a moverse hacia “augmentación”, “productividad”, “nuevas capacidades”, “copilotos”, “herramientas para humanos” y “automatización parcial”.
El paper incómodo de la trampa de despidos
Aquí entra un elemento académico relevante: The AI Layoff Trap, de Brett Hemenway Falk y Gerry Tsoukalas, publicado en arXiv en marzo de 2026 y revisado en junio. El paper plantea que, si la IA desplaza trabajadores más rápido de lo que la economía puede reabsorberlos, puede erosionar la propia demanda de consumidores de la que dependen las empresas. Lo interesante del modelo es que incluso si las empresas entienden ese riesgo agregado, la competencia puede empujarlas a una carrera de automatización que individualmente parece racional pero colectivamente resulta destructiva.
Este argumento tiene mucha fuerza porque no se limita a decir “despedir gente es malo”. Dice algo bastante más técnico: hay una externalidad de demanda.
Cada empresa, individualmente, tiene incentivos para automatizar, reducir costes y mejorar margen. Pero si muchas empresas hacen lo mismo a la vez y desplazan demasiada renta laboral, el sistema puede reducir la capacidad de consumo que sostiene los ingresos agregados. Es el clásico problema de una decisión racional a nivel micro que puede generar un resultado malo a nivel macro.
No hace falta comprar todas las conclusiones del paper para entender la advertencia.
La IA puede mejorar productividad, pero la productividad no paga facturas si no se convierte en demanda solvente, salarios, beneficios sostenibles o nuevos mercados. Producir más barato no sirve de mucho si el mercado al que vendes pierde poder adquisitivo o confianza.
Aquí conviene recordar una idea que Erik Brynjolfsson lleva años defendiendo. En The Turing Trap, Brynjolfsson argumentaba que centrar la IA en imitar y sustituir humanos puede reducir el poder económico y político de los trabajadores, mientras que orientarla a aumentar capacidades humanas puede generar más valor y repartirlo mejor.
La pregunta es qué tipo de sistema económico y operativo estamos construyendo alrededor de esa automatización.
Productividad inmediata contra pérdida de criterio
Hay otro riesgo menos visible pero muy importante: la descualificación.
The Augmentation Trap, un paper de Michael Caosun y Sinan Aral publicado en abril de 2026, plantea que las herramientas de IA pueden aumentar la productividad inmediata, pero que un uso sostenido también puede erosionar la experiencia de la que dependen esos propios aumentos. El modelo distingue entre ganancias inmediatas y costes de largo plazo por descarga cognitiva. Bajo ciertos incentivos, una organización puede adoptar IA racionalmente por los beneficios iniciales y terminar en un estado donde el trabajador es menos productivo que antes sin la herramienta.
Esto encaja perfectamente con lo que se ve en desarrollo, datos y trabajo técnico.
Un senior con criterio puede usar IA para acelerar tareas, explorar alternativas, generar borradores, encontrar errores, escribir tests, explicar código legado o documentar. Pero un perfil sin base puede usar la IA como prótesis permanente y confundir output con conocimiento.
- La IA en manos de alguien que sabe lo que hace puede multiplicar capacidad.
- La IA en manos de alguien que no sabe validar lo que recibe puede multiplicar deuda técnica.
Y aquí las empresas tienen un problema serio. Si la adopción se mide solo por velocidad, se pueden generar capas enteras de trabajo aparentemente productivo pero internamente frágil: código que funciona de casualidad, documentación convincente pero falsa, queries no optimizadas, automatizaciones sin observabilidad, agentes sin límites, decisiones sin trazabilidad y dependencias externas que nadie entiende.
El coste aparece más tarde. En producción. En auditoría. En mantenimiento. En seguridad. En facturas cloud. En equipos que ya no saben tocar lo que han desplegado.
La IA hace que el criterio técnico sea aún más importante.
El caso de los mini data centers domésticos y la desesperación por capacidad
Uno de los elementos más llamativos del vídeo es la idea de instalar pequeños centros de datos de IA en viviendas. El vídeo lo presenta como si Nvidia quisiera pagar a particulares por poner una especie de aire acondicionado lleno de servidores con GPUs. La formulación necesita matiz. Lo verificable, según reportes como Realtor.com, es que Span, junto con PulteGroup y Nvidia, ha explorado unidades XFRA montadas en viviendas o edificios, y que Span afirmó a CNBC que podría instalar 8.000 unidades unas seis veces más rápido y a un coste cinco veces menor que construir un centro de datos centralizado típico de 100 MW equivalente.
La idea puede sonar absurda, pero precisamente por eso es interesante.
Si el cuello de botella fuese solo software, nadie estaría pensando en distribuir mini nodos de cómputo en viviendas. El hecho de que aparezcan propuestas así indica que la demanda de capacidad está chocando con restricciones físicas: energía, permisos, tiempo de construcción, latencia, ubicación y coste.
Puede que este modelo concreto no escale, tenga problemas regulatorios, de seguridad, ruido, mantenimiento, vandalismo, conexión o aceptación social. Pero su mera existencia señala una presión real: la infraestructura centralizada no crece tan rápido como el apetito por cómputo.
La IA se vendió como una capa invisible sobre el trabajo. Cada vez parece más una industria pesada.
Michael Burry y el peligro de convertir señales en dogma
Michael Burry aparece en la conversación porque lleva tiempo siendo una figura cómoda para cualquier narrativa de burbuja. Anticipó la crisis hipotecaria, se hizo famoso por The Big Short y desde entonces cada advertencia suya se mira con lupa. También se ha equivocado muchas veces, como cualquiera que opina en mercados durante suficiente tiempo.
Business Insider ha recogido recientemente sus críticas a valoraciones de SpaceX y Anthropic, y su tesis de que parte del boom de IA tiene rasgos de burbuja.
Aquí conviene tener cuidado. Que Burry diga algo no lo convierte en verdad. Que Burry se haya equivocado antes no convierte automáticamente su advertencia actual en basura.
Lo útil no es convertirlo en profeta ni en meme. Lo útil es preguntarse qué está señalando: valoraciones privadas enormes, dependencia de crecimiento futuro, estructuras financieras complejas, concentración en infraestructura, expectativas de monetización aún no probadas y una narrativa de inevitabilidad que suele aparecer en ciclos de exceso.
Las alegaciones concretas sobre estructuras específicas de chips fuera de balance, vehículos financieros y exposición indirecta de jubilados estadounidenses no las puedo verificar aquí con fuente primaria suficiente. Si se usan en el artículo final, deben aparecer como alegaciones de Burry o de terceros, no como hechos demostrados.
Lo que sí se puede sostener sin necesidad de convertir a Burry en autoridad absoluta es esto: el dinero que está entrando en IA es de una magnitud tan grande que exige una disciplina analítica que el discurso público todavía no tiene.
El verdadero riesgo no es que la IA sea inútil
La IA puede….
- .. ser útil y aun así estar mal valorada.
- .. aumentar productividad y aun así destruir margen si se usa mal.
- .. cambiar industrias y aun así generar pérdidas durante años.
- .. automatizar tareas y aun así no sustituir puestos completos.
- .. crear nuevas empresas gigantes y aun así arruinar a muchas otras que entraron tarde, caras y sin ventaja competitiva.
- .. ser una revolución tecnológica y una burbuja financiera localizada al mismo tiempo.
Esta es la parte que más cuesta aceptar porque el debate público adora los extremos. O todo es humo, o todo es inevitable. O la IA no sirve para nada, o quien no la adopte desaparecerá. O va a eliminar todos los trabajos, o no tendrá impacto. O Nvidia es una burbuja absurda, o cualquier múltiplo está justificado porque “esto es el futuro”.
La realidad suele ser más desagradable.
La IA está funcionando, pero su economía aún no está resuelta en todas las capas.
En la capa de infraestructura, Nvidia está capturando valor de forma brutal. En la capa cloud, los hyperscalers están invirtiendo cantidades históricas mientras intentan sostener margen. En la capa de modelos, OpenAI, Anthropic y otros necesitan capital masivo para entrenar y servir sistemas cada vez más caros. En la capa de aplicaciones, muchas empresas todavía están buscando productos que los clientes paguen de forma recurrente y rentable. En la capa corporativa, muchos CIOs están descubriendo que la adopción masiva sin gobierno puede ser un agujero de costes. En la capa laboral, el discurso está pasando del apocalipsis a una mezcla más ambigua de automatización parcial, aumento de productividad y reorganización de tareas.
El resultado es un mercado enorme, real y profundamente desordenado.
Qué deberían mirar las empresas antes de meter IA en todo
La pregunta práctica no es si hay que usar IA.. la pregunta es dónde tiene sentido, con qué arquitectura, con qué límites, con qué datos, con qué coste, con qué trazabilidad y con qué métrica de éxito.
Una empresa que quiera adoptar IA con criterio debería mirar, como mínimo, estos puntos.
Primero, coste por tarea resuelta, no coste por usuario. Un copiloto que cuesta 30 euros al mes puede parecer barato o caro dependiendo de cuántas tareas reales resuelva. Un agente que consume 20 euros en tokens para ahorrar 5 minutos de trabajo no es automatización, es teatro caro.
Segundo, coste de contexto. Muchos proyectos de IA fallan económicamente porque meten demasiado contexto en cada llamada. Documentación completa, repositorios enteros, historiales largos, tablas enormes, logs sin filtrar. El diseño de contexto es ya una disciplina técnica. RAG, embeddings, caching, resúmenes, ventanas deslizantes, selección de documentos, permisos y jerarquía de fuentes no son detalles. Son la diferencia entre una solución viable y una trituradora de tokens.
Tercero, coste de revisión. Si la IA genera mucho output pero exige una revisión humana intensa, el ahorro puede evaporarse. Esto no invalida la herramienta. Simplemente obliga a medir bien. Un borrador puede ahorrar tiempo. Una respuesta incorrecta en un proceso crítico puede generar más trabajo que hacerlo desde cero.
Cuarto, coste de integración. Muchas demos funcionan porque están aisladas. El problema empieza cuando hay que integrarlas con CRM, ERP, Snowflake, SharePoint, Jira, GitHub, Teams, permisos, auditoría, logs, catálogos de datos, entornos, procesos de aprobación y modelos de seguridad.
Quinto, coste de operación. Una IA en producción necesita monitorización, evaluación, fallback, control de versiones, pruebas, trazabilidad, análisis de prompts, análisis de drift, control de alucinaciones, gestión de secretos, límites de uso, rate limits, presupuestos y responsables.
Sexto, coste de dependencia. Si toda la productividad de un equipo queda atada a una herramienta concreta, un modelo concreto o un pricing concreto, el proveedor tiene poder. Walmart, según Business Insider, habría creado Code Puppy como herramienta interna model-agnostic precisamente para evitar lock-in frente a proveedores dominantes y cambios de pricing.
Séptimo, valor capturado. La gran pregunta no es cuánto valor genera la IA en abstracto. La pregunta es quién captura ese valor. El proveedor del modelo. El cloud. Nvidia. El integrador. La empresa usuaria. El trabajador. El cliente final. El accionista. Si el ahorro se va entero en licencias, cómputo y complejidad, quizá no había tanta productividad como parecía.
La IA entra en su fase adulta y eso la hace menos cómoda
La fase infantil de la IA generativa fue la sorpresa. ChatGPT escribiendo textos. Copilot completando código. Midjourney generando imágenes. Claude razonando sobre documentos. Cursor modificando proyectos. Agentes prometiendo ejecutar tareas completas.
La fase adolescente fue el exceso. Todo tenía que tener IA. Todo era copiloto. Todo era agente. Todo era revolución. Todo iba a cambiar en seis meses. Los departamentos querían “usar IA” aunque no supieran para qué. Los proveedores vendían automatización total. Los consultores envolvían procesos mediocres con una capa de lenguaje natural. Los directivos pedían casos de uso para decir que estaban en la ola.
La factura de Microsoft dice que la IA presiona márgenes cloud. La factura de GitHub Copilot dice que los modelos de precio plano tienen límites. La factura de los hyperscalers dice que el capex puede alcanzar niveles históricos. La factura energética dice que los centros de datos ya son una variable seria para planificación eléctrica. La factura laboral dice que no basta con prometer sustitución masiva sin consecuencias sociales, políticas y de demanda. La factura de OpenAI y Anthropic dice que levantar capital no es lo mismo que demostrar rentabilidad. La factura de las empresas usuarias dice que adoptar IA sin gobierno puede convertirse en otro cementerio de herramientas infrautilizadas.
Es el final de la IA como excusa barata.
Conclusión
La IA prometió productividad infinita porque era la promesa que el mercado quería escuchar.
Pero ninguna productividad es infinita si depende de infraestructura finita, electricidad finita, capital finito, atención humana finita, talento finito y clientes con presupuestos finitos.
La buena noticia es que la IA útil va a quedarse. No porque sea mágica, sino porque resuelve problemas reales cuando se aplica con criterio: automatización de tareas repetitivas, asistencia técnica, análisis de información, generación de borradores, exploración de código, soporte a decisiones, documentación, búsqueda semántica, agentes acotados y nuevas interfaces para sistemas internos.
La mala noticia es que esa IA útil no se parece demasiado al relato cómodo del hype. No consiste en poner un chatbot encima de todo. No consiste en medir tokens quemados. No consiste en sustituir personas sin rediseñar procesos. No consiste en desplegar agentes sin límites. No consiste en comprar licencias para decir que la empresa ya está transformada.
La IA útil exige arquitectura, gobierno, datos buenos, procesos claros, evaluación, seguridad, control de costes y criterio técnico.
Justo lo que muchas empresas intentaban saltarse.
Por eso esta fase es tan interesante. Porque separa la IA como juguete de la IA como sistema. Separa la demo del producto. Separa la promesa del margen. Separa la adopción cosmética de la transformación real.
La inteligencia artificial está madurando. Y madurar, en tecnología, casi siempre significa lo mismo: dejar de hablar solo de posibilidades y empezar a responder por costes, resultados y consecuencias.
