Transformación industrial a la luz del informe de IA de Mary Meeker: nuevas reglas para el capital, la capacidad de cómputo y la competencia.

Prólogo: un mapa empírico del auge de la IA

En la actualidad, en la que la industria de la inteligencia artificial se está calentando rápidamente, los datos y el capital suelen ser los indicadores más fiables para juzgar las tendencias. Mary Meeker, socia de Bond VC, publicó recientemente un informe de 340 páginas titulado *Tendencias en Inteligencia Artificial* (*Trends in Artificial Intelligence*), su primer gran informe sobre tendencias industriales en seis años y un documento de gran atención para los círculos tecnológicos y de inversión mundiales. Meeker declaró a Axios: "Nunca habíamos visto un crecimiento de usuarios como el de ChatGPT, especialmente teniendo en cuenta los cambios en los mercados fuera de Estados Unidos; demuestra la transformación del panorama tecnológico y de distribución global". Los gráficos y datos del informe revelan la velocidad, el costo y la estructura competitiva del crecimiento de la IA, ofreciendo una instantánea de alta resolución poco común para comprender esta transformación tecnológica.

Contexto sectorial: el motor acelerado de la inversión en infraestructura de IA

El informe revela en primer lugar el soporte de infraestructura que respalda la rápida expansión de la IA. De 2014 a 2024, los gastos de capital de los seis gigantes tecnológicos —Apple, NVIDIA, Microsoft, Google, Amazon y Meta— crecieron un 21 % anual, mientras que el volumen global de datos generados aumentó a una tasa de crecimiento compuesta anual del 28 %. En esta era, el valor de la IA ya no reside únicamente en la capa de algoritmos, sino que se concentra cada vez más en la capacidad de obtener datos a gran escala, entrenar modelos y realizar inferencias rápidamente. Los centros de datos hiperescala, las redes de alta velocidad y los chips más recientes constituyen la base fundamental de la nueva industria de la IA.

Al mismo tiempo, la escala de los datos necesarios para el entrenamiento de modelos también ha experimentado una expansión exponencial. Según las estadísticas de Epoch AI, en los últimos 15 años, el tamaño promedio de los conjuntos de datos de entrenamiento de modelos de IA ha crecido a una tasa anual superior al 250 %. Este indicador refleja que poseer los activos de datos más valiosos y la capacidad de procesamiento de datos se ha convertido en una barrera clave que las empresas de IA compiten por superar.

Impacto en el mercado: caída de costos y aceleración de la comercialización

En el lado de la demanda del mercado, el hallazgo más destacado del informe es la drástica reducción del costo de inferencia de la IA. Desde los productos de la generación GPT-3.5 de OpenAI hasta la serie GPT-4o, y llegando a DeepSeek-V3, lanzado a finales de 2024, el precio de inferencia por millón de tokens cayó de un rango de más de diez dólares a menos de un dólar, una reducción del 99,7 % en dos años. Meeker describió esta tendencia como "inferencia a tasas de interés cero". La caída del costo de inferencia ha eliminado directamente los obstáculos de comercialización de muchos escenarios potenciales, haciendo posibles las aplicaciones de invocación de alta frecuencia y generación en tiempo real.

Otro conjunto de indicadores también confirma la mejora de la capacidad de comercialización de la IA. Los datos muestran que, en el proceso de escalar hasta alcanzar unos ingresos anualizados de 5 millones de dólares, las empresas de IA tardan una media de 24 meses, mientras que las empresas SaaS necesitan una media de 37 meses. La IA puede transmitir valor comercial más rápidamente; esto se debe, por un lado, al salto en el rendimiento de los propios productos de IA y, por otro, a la fuerte demanda imperiosa de las empresas por la transformación inteligente.

Panorama competitivo: el liderazgo de los modelos de código cerrado y la estructura bipolar China-Estados UnidosEn el plano del ecosistema de modelos, los modelos de código cerrado están ampliando la brecha en capacidad de cómputo frente al bando de código abierto. El informe señala que existe un desfase de aproximadamente 17 meses entre los modelos de código cerrado y los de código abierto en cuanto a la intensidad de cómputo de entrenamiento: los modelos de código cerrado multiplican su capacidad de cómputo por 5,2 veces al año, mientras que los de código abierto la multiplican por 3,6. Esto significa que los clústeres de modelos más avanzados se concentran cada vez más en manos de unas pocas grandes empresas capaces de asumir costos de cómputo extremadamente altos. Aunque la comunidad de código abierto siempre ha defendido una línea tecnológica justa y abierta, la distribución desigual de los recursos puede hacer que el poder de decisión en el ecosistema se concentre progresivamente.

Desde una perspectiva geográfica, los grandes sistemas de IA están altamente concentrados en China y Estados Unidos. Estados Unidos cuenta con cerca de 150 grandes modelos y sistemas de IA, mientras que China ya ha superado los 100, situándose claramente por delante de Reino Unido, Francia, Canadá y Alemania. El modelo de doble fortaleza de Estados Unidos y China en escala de datos, capacidad de ingeniería e intensidad de inversión está definiendo la cadena industrial global de la IA. Esta configuración afectará la autonomía tecnológica de otros países, las normas de flujo transfronterizo de datos y las estrategias de seguridad, e intensificará aún más el debate sobre la “soberanía de la IA”.

Lecciones para las empresas: identificar las acciones reales en medio del ruido

Para las empresas que están formulando su estrategia de IA, las conclusiones de este informe son claras y prácticas.

Primero, la caída de los costos de inferencia implica que las empresas deberían reevaluar los casos de uso de IA que antes no alcanzaban un ROI suficiente, como la atención al cliente en tiempo real, las recomendaciones personalizadas y la asistencia a la programación. Ahora, los costos marginales de las capacidades de IA están entrando en un rango asequible a gran escala.

Segundo, la carrera de gastos de capital de los gigantes tecnológicos demuestra que la IA depende de capacidad de cómputo física y redes energéticas. Al elegir proveedores de servicios en la nube y plataformas de modelos, las empresas deben evaluar la compatibilidad a largo plazo del suministro de cómputo y los posibles riesgos de dependencia de un proveedor.

Tercero, la brecha entre los modelos de código cerrado y los de código abierto obliga a las empresas a construir una estrategia de doble vía: para el negocio principal y los entornos con altos requisitos de cumplimiento normativo, pueden optar por modelos propietarios de gama alta; en escenarios con mayores exigencias de seguridad de datos o que requieren una personalización profunda, las alternativas de código abierto, aunque rezagadas en capacidad, ofrecen control y transparencia.

Cuarto, el consumo energético de la IA se está convirtiendo en una variable externa clave. Las empresas deberían planificar de forma paralela soluciones de energía verde al implementar aplicaciones de IA, para evitar que el consumo de energía y las emisiones de carbono afecten su cumplimiento normativo.

Perspectivas futuras: líneas de evolución de los próximos 12 meses a tres años

En los próximos 12 meses, es muy probable que los costos de inferencia sigan disminuyendo, lo que impulsará a más pequeñas y medianas empresas a sumarse a la innovación en aplicaciones de IA. Los servicios basados en agentes se convertirán en la próxima frontera de aplicaciones. Al mismo tiempo, las grandes empresas de modelos seguirán integrando sus ecosistemas mediante API y servicios en la nube, mientras que el suministro de chips y la oferta de energía eléctrica se convertirán en los nuevos cuellos de botella que limiten el crecimiento del sector.

En los próximos 24 meses, la brecha de rendimiento entre los modelos de código abierto y los de código cerrado podría mantenerse o incluso ampliarse. No obstante, si la eficiencia del hardware y las técnicas de entrenamiento logran nuevos avances, el bando del código abierto también podría acortar el tiempo necesario para ponerse al día. La posición de “dos grandes potencias” que China y Estados Unidos ocupan en cuanto al número de sistemas de IA se consolidará, lo que llevará a que la distribución industrial de los países y regiones circundantes se acerque más a su dotación tecnológica.Si ampliamos el horizonte a tres años, la industria de la IA podría pasar de la actual «carrera armamentista de modelos» a una «competencia de servicios y ecosistemas». El umbral de inversión de capital se elevará aún más, y los actores capaces de dominar a la vez los complejos sistemas de algoritmos, datos, potencia de cómputo y energía serán probablemente muy pocos. Más importante aún: que la IA, al igual que Internet y las tecnologías móviles, aporte una contribución sostenida y visible a la productividad de todos los sectores; ese será el criterio definitivo para evaluar el valor de la industria.

Fuente de referencia

El contenido de este artículo se basa en el análisis del informe publicado por Mary Meeker y Bond VC. Artículo original: 10 Charts That Define the AI Boom, According to Mary Meeker. Todos los hechos y datos enumerados en el artículo provienen de dicho informe.