Choque de estrategias | ¿Por qué Arvind Krishna, CEO de IBM, no cree en la visión billonaria de Sam Altman: una IA general del 0 al 1 %? – Imagen: Xpert.Digital
Inteligencia Artificial General (AGI) y matemáticas implacables: Por qué el auge de los centros de datos nunca podrá dar sus frutos.
El ciclo de muerte de cinco años: el riesgo subestimado para Nvidia, Microsoft y otros.
Mientras Silicon Valley se encuentra sumido en un frenesí inversor sin precedentes, con billones de dólares invirtiendo en la carrera por la superinteligencia artificial, uno de los directores ejecutivos tecnológicos más experimentados del mundo está frenando el paso. Arvind Krishna, director ejecutivo de IBM, advierte: «La apuesta no está dando resultados».
Una mentalidad de fiebre del oro se apodera del sector tecnológico global. Corporaciones como Microsoft, Google y Meta se superan mutuamente con inversiones en nuevos centros de datos, impulsadas por el temor a quedarse atrás en la próxima gran revolución tecnológica. La visión es clara: el desarrollo de una inteligencia artificial general (IAG) igual o superior a la inteligencia humana. Pero en medio de esta euforia, surge una voz poderosa, no desde las filas de los críticos tecnológicos, sino desde el mismísimo centro del poder: Arvind Krishna, director ejecutivo de IBM.
En un análisis sobrio basado en pura aritmética, Krishna desmantela la narrativa predominante en Silicon Valley. Su advertencia es tan simple como aterradora: los costos de infraestructura se disparan, mientras que el hardware se vuelve obsoleto a un ritmo mayor al de su depreciación. Krishna habla de inversiones de hasta ocho billones de dólares estadounidenses que serían necesarias para continuar la trayectoria actual del desarrollo de la IAG, una suma que podría llevar a la ruina incluso a las empresas más ricas del mundo si las astronómicas ganancias prometidas no se materializan.
Pero la crítica de Krishna no se limita a las cifras financieras. Cuestiona la base tecnológica de la propaganda en sí. Mientras Sam Altman y OpenAI presentan la llegada de la superinteligencia como casi inevitable, Krishna sitúa la probabilidad de alcanzar este objetivo con la tecnología actual de modelado del lenguaje a gran escala en un preocupante 0% o 1%.
¿Nos enfrentamos a la mayor desinformación de la historia económica? ¿Es el auge de la IA una burbuja a punto de estallar, o los escépticos están pasando por alto el potencial transformador que se esconde más allá de los balances? El siguiente artículo examina los argumentos, las matemáticas implacables de la economía de los centros de datos y el conflicto fundamental entre los visionarios de un enfoque de "todo o nada" y los defensores del realismo pragmático.
Adecuado para:
Por qué el CEO de IBM predice el fin del experimento más caro de la historia tecnológica
El sector tecnológico global podría estar enfrentando una de las mayores desviaciones de inversión de la historia económica. Mientras corporaciones como Microsoft, Amazon, Meta y Google invierten cientos de miles de millones de dólares en la construcción de infraestructura de inteligencia artificial, una voz de alerta surge desde el corazón de la industria de TI. Arvind Krishna, CEO de IBM y miembro de la compañía desde 1990, presentó un análisis económico fundamental en una entrevista con el podcast Decoder de The Verge a finales de noviembre de 2025 que podría romper la euforia en torno a la inteligencia artificial general.
Sus declaraciones, publicadas el 30 de noviembre y el 1 de diciembre de 2025, llegan al corazón de un debate que cobra cada vez más fuerza en las salas de juntas y los círculos de analistas. Krishna no habla de riesgos teóricos ni de preocupaciones filosóficas, sino de imposibilidades financieras concretas que cuestionan el modelo actual de inversión en el sector de la IA. Sus cálculos hacen reflexionar incluso a los analistas más optimistas del sector, ya que se basan en cálculos aritméticos simples y sólidos principios empresariales.
Adecuado para:
Las matemáticas despiadadas de la economía de los centros de datos
Krishna comienza su análisis con una evaluación sobria de la situación actual de los costos. Un centro de datos con una capacidad de un gigavatio incurre en gastos de capital de 80 mil millones de dólares estadounidenses según los estándares actuales. Esta cifra incluye no solo la infraestructura física y los edificios, sino también todo el equipo técnico, desde servidores y componentes de red hasta los procesadores gráficos altamente especializados necesarios para los cálculos de IA.
La industria tecnológica se ha comprometido a una expansión masiva en los últimos meses. Varias empresas han anunciado públicamente sus planes de construir entre 20 y 30 gigavatios de capacidad computacional adicional. Con los costos actuales por gigavatio, esto resultaría en inversiones totales de al menos 1,5 billones de dólares. Esta suma equivale aproximadamente a la capitalización bursátil actual de Tesla e ilustra la magnitud de la iniciativa.
Pero el cálculo se vuelve aún más drástico al considerar las ambiciones en el contexto de la deseada inteligencia artificial general. Krishna estima que el camino hacia una verdadera IAG requeriría aproximadamente 100 gigavatios de potencia de procesamiento. Esta estimación se basa en extrapolaciones de los requisitos actuales de entrenamiento para grandes modelos lingüísticos y considera la complejidad exponencialmente creciente que acompaña a cada etapa del desarrollo. Con 80 000 millones de dólares por gigavatio, la inversión ascendería a la asombrosa cifra de ocho billones de dólares estadounidenses.
Sin embargo, esta cifra de inversión es solo la mitad de la historia. Krishna señala un factor que a menudo se pasa por alto en el discurso público: el costo del capital. Con una inversión de ocho billones de dólares estadounidenses, las empresas necesitarían generar aproximadamente 800 mil millones de dólares estadounidenses en ganancias anuales solo para cubrir los intereses del capital invertido. Esta cifra supone una tasa de interés conservadora del diez por ciento, que refleja el costo del capital, las primas de riesgo y las expectativas de los inversores.
El ciclo de muerte de cinco años del hardware de IA
Un punto crucial del argumento de Krishna se refiere a la vida útil del hardware instalado. Toda la capacidad informática debe utilizarse en un plazo de cinco años, ya que el hardware instalado deberá desecharse y reemplazarse. Esta evaluación coincide con las observaciones de la industria y es objeto de un intenso debate en el ámbito financiero.
El conocido inversor Michael Burry, famoso por sus acertadas predicciones sobre la crisis financiera de 2008, planteó preocupaciones similares en noviembre de 2025. Burry argumenta que las grandes empresas tecnológicas están sobreestimando la vida útil real de su hardware de IA, lo que reduce artificialmente su depreciación. Anticipa que, en la práctica, los procesadores gráficos y los chips especializados de IA solo serán económicamente viables durante dos o tres años antes de quedar obsoletos ante generaciones más nuevas y potentes.
El rápido desarrollo del sector de los semiconductores respalda esta opinión. Nvidia, el principal proveedor de chips de IA, lanza nuevas generaciones de procesadores aproximadamente cada 12 a 18 meses. Cada generación ofrece mejoras significativas de rendimiento, lo que rápidamente hace que los modelos antiguos resulten antieconómicos. Si bien un servidor convencional en un centro de datos puede utilizarse fácilmente durante seis años o más, se aplican normas diferentes al hardware específico para IA.
En la práctica, el panorama es más complejo. Algunas empresas han ajustado sus periodos de depreciación. A principios de 2025, Amazon redujo la vida útil estimada de algunos servidores de seis a cinco años, alegando el acelerado desarrollo en el campo de la IA. Este ajuste reducirá los ingresos operativos de la empresa en aproximadamente 700 millones de dólares en 2026. Meta, por otro lado, amplió el periodo de depreciación de servidores y equipos de red a 5,5 años, lo que redujo los costes de depreciación en 2.900 millones de dólares en 2025.
Estas diferentes estrategias ilustran que incluso las empresas que invierten miles de millones en hardware de IA tienen incertidumbre sobre la duración de la viabilidad económica de sus inversiones. El escenario de cinco años que describe Krishna se encuentra dentro del rango optimista de estas estimaciones. Si la vida útil real se acerca a los dos o tres años previstos por Burry, los costos de depreciación, y por lo tanto, la presión sobre la rentabilidad, aumentarían significativamente.
La imposibilidad de obtener rendimientos rentables
La conexión entre estos dos factores lleva a Krishna a su argumento central. Cree que la combinación de enormes costos de capital y ciclos de vida cortos impide obtener una rentabilidad razonable de la inversión. Con costos de inversión de ocho billones de dólares estadounidenses y la necesidad de generar 800 mil millones de dólares estadounidenses en ganancias anuales solo para cubrir los costos de capital, un sistema de IA tendría que generar ingresos a una escala muy superior a la que actualmente parece realista.
A modo de comparación, Alphabet, la empresa matriz de Google, tuvo ingresos totales de aproximadamente 350 mil millones de dólares en 2024. Incluso suponiendo un crecimiento agresivo del 12 por ciento anual, los ingresos aumentarían a alrededor de 577 mil millones de dólares para 2029. Los ingresos totales necesarios para justificar las inversiones en IA superarían ampliamente esta cifra.
OpenAI, la empresa detrás de ChatGPT, proyecta ingresos anualizados superiores a 20 000 millones de dólares para 2025 y espera alcanzar cientos de miles de millones de dólares para 2030. La empresa ha firmado acuerdos por un valor aproximado de 1,4 billones de dólares durante los próximos ocho años. Pero incluso estas ambiciosas cifras plantean dudas. Los analistas de HSBC prevén que OpenAI incurrirá en 792 000 millones de dólares en costes de infraestructura de nube e IA entre finales de 2025 y 2030, con compromisos totales de capacidad informática que podrían alcanzar unos 1,4 billones de dólares para 2033.
Los analistas de HSBC predicen que el flujo de caja libre acumulado de OpenAI se mantendrá negativo hasta 2030, lo que resultará en un déficit de financiación de 207 000 millones de dólares. Este déficit deberá subsanarse mediante deuda adicional, capital o una generación de ingresos más agresiva. La pregunta no es solo si OpenAI puede ser rentable, sino si su modelo de negocio, basado en inversiones masivas en centros de datos, es siquiera viable.
La probabilidad extremadamente pequeña de IAG
Krishna añade una dimensión tecnológica aún más fundamental a su crítica económica. Estima la probabilidad de que las tecnologías actuales conduzcan a la inteligencia artificial general entre el 0 % y el 1 %. Esta evaluación es notable porque no se basa en consideraciones filosóficas, sino en una evaluación rigurosa de las capacidades y limitaciones técnicas de los grandes modelos lingüísticos.
Si bien la definición de IAG es controvertida, en esencia se refiere a sistemas de IA capaces de alcanzar o superar las capacidades cognitivas humanas en todo el espectro. Esto significaría que un sistema no solo demuestra conocimiento experto en áreas específicas, sino que también es capaz de transferir conocimiento de un área a otra, comprender nuevas situaciones, resolver problemas de forma creativa y mejorar continuamente sin necesidad de reentrenamiento para cada nueva tarea.
Krishna argumenta que los grandes modelos lingüísticos, que constituyen el núcleo de la actual revolución de la IA, presentan limitaciones fundamentales. Estos modelos se basan en patrones estadísticos en conjuntos de datos textuales masivos y pueden desempeñarse de forma impresionante en tareas lingüísticas. Pueden generar textos coherentes, responder preguntas e incluso escribir código de programación. Pero no comprenden realmente lo que hacen. Carecen de un modelo del mundo, un concepto de causalidad y una auténtica capacidad de abstracción.
Estas limitaciones se manifiestan en diversas áreas. Los modelos lingüísticos alucinan con frecuencia, lo que significa que inventan hechos que parecen plausibles pero son falsos. Tienen dificultades con el razonamiento lógico multietapa y a menudo fallan en tareas que resultan triviales para los humanos si no se incluyen en su conjunto de datos de entrenamiento. Carecen de memoria episódica y no pueden aprender de sus propios errores sin reentrenamiento.
Científicos e investigadores de diversos campos comparten cada vez más este escepticismo. Marc Benioff, director ejecutivo de Salesforce, expresó un escepticismo similar respecto a la IA general en noviembre de 2025. En un podcast, describió el término IA general como potencialmente engañoso y criticó a la industria tecnológica por estar bajo una especie de hipnosis respecto a las inminentes capacidades de la IA. Benioff enfatizó que, si bien los sistemas actuales son impresionantes, carecen de consciencia y comprensión verdaderas.
Yann LeCun, científico sénior de IA en Meta, argumenta que los grandes modelos lingüísticos nunca conducirán a la IA general, por mucho que se escalen. Aboga por enfoques alternativos que vayan más allá de la predicción textual pura, incluyendo modelos de mundo multimodales que no solo procesen texto, sino que también integren información visual y sensorial para construir representaciones internas del mundo.
Nuestra experiencia en EE. UU. en desarrollo de negocios, ventas y marketing.
Nuestra experiencia en EE. UU. en desarrollo de negocios, ventas y marketing - Imagen: Xpert.Digital
Enfoque industrial: B2B, digitalización (de IA a XR), ingeniería mecánica, logística, energías renovables e industria.
Más sobre esto aquí:
Un centro temático con conocimientos y experiencia:
- Plataforma de conocimiento sobre la economía global y regional, la innovación y las tendencias específicas de la industria.
- Recopilación de análisis, impulsos e información de fondo de nuestras áreas de enfoque
- Un lugar para la experiencia y la información sobre los avances actuales en negocios y tecnología.
- Centro temático para empresas que desean aprender sobre mercados, digitalización e innovaciones industriales.
¿Burbuja de IA o motor del futuro? La peligrosa brecha entre inversión, consumo energético y beneficios reales.
El avance tecnológico necesario
Krishna cree que lograr la IAG requerirá más tecnologías de las que ofrece la vía actual de los grandes modelos lingüísticos. Sugiere que integrar el conocimiento duro con los modelos lingüísticos podría ser un enfoque viable. Por conocimiento duro, se refiere al conocimiento estructurado y explícito sobre relaciones causales, leyes físicas, principios matemáticos y otras formas de conocimiento que van más allá de las correlaciones estadísticas.
Esta perspectiva se alinea con la investigación en el campo de la IA neurosimbólica, que busca combinar las fortalezas de las redes neuronales en el reconocimiento de patrones con las capacidades lógicas de los sistemas de IA simbólica. La IA simbólica, basada en reglas e inferencia lógica, dominó las primeras décadas de la investigación en IA, pero en los últimos años ha sido superada por los enfoques neuronales. En teoría, la hibridación de ambos enfoques podría producir sistemas capaces tanto de aprender como de razonar lógicamente.
Otras direcciones de investigación prometedoras incluyen la IA incorporada, donde los sistemas aprenden a través de la interacción con un entorno físico o simulado; el aprendizaje continuo, donde los sistemas pueden expandir sus capacidades sin perder conocimiento previo; y los sistemas intrínsecamente motivados que exploran y aprenden por sí mismos.
Incluso con estas tecnologías adicionales, Krishna se mantiene cauteloso. Si se le pregunta si este enfoque ampliado podría conducir a la IA general, solo responde con un "quizás". Esta cautela subraya la incertidumbre que existe incluso entre los expertos que llevan décadas trabajando con IA. El desarrollo de la IA general no es simplemente una cuestión de potencia de cálculo o volumen de datos, sino que podría requerir nuevos conocimientos fundamentales sobre la naturaleza misma de la inteligencia.
Adecuado para:
La paradoja de la IA productiva hoy
A pesar de su escepticismo respecto a la IA general y la rentabilidad de las inversiones masivas en centros de datos, Krishna no es en absoluto un pesimista en materia de IA. Al contrario, habla con entusiasmo sobre las herramientas actuales de IA y su impacto en el mundo empresarial. Está convencido de que estas tecnologías liberarán billones de dólares en potencial de productividad en las empresas.
Esta distinción es fundamental para comprender su postura. Krishna no duda del valor de la IA en sí, sino de la viabilidad económica del camino específico que ha tomado la industria. Los sistemas de IA actuales, en particular los modelos de lenguaje de gran tamaño, ya pueden permitir importantes aumentos de productividad en muchas áreas sin requerir ocho billones de dólares estadounidenses en infraestructura.
IBM es un ejemplo claro de estas mejoras de productividad. Desde enero de 2023, la compañía ha implementado integralmente la IA y la automatización en sus operaciones y prevé alcanzar un aumento de productividad de 4.500 millones de dólares para finales de 2025. Esta iniciativa, denominada por IBM Client Zero, abarcó la implementación de infraestructura de nube híbrida, tecnologías de IA y automatización, y la experiencia en consultoría en diversas unidades de negocio.
Los resultados concretos de esta transformación son impresionantes. IBM ha implementado herramientas basadas en IA en el servicio de atención al cliente que resuelven el 70 % de las consultas y mejoran el tiempo de resolución en un 26 %. En todas las unidades de negocio, aproximadamente 270 000 empleados han sido equipados con sistemas de IA de tipo agente que orquestan flujos de trabajo complejos y dan soporte a los trabajadores humanos.
Este tipo de aplicación de IA no requiere nuevos centros de datos masivos, sino que puede aprovechar la infraestructura existente. Se centra en casos de uso específicos donde la IA ofrece mejoras demostrables, en lugar del desarrollo hipotético de la inteligencia general. Este es el núcleo del argumento de Krishna: la tecnología es valiosa y transformadora, pero el enfoque actual de invertir billones en la búsqueda de la IAG no es económicamente sostenible.
Estudios de McKinsey estiman que la IA generativa tiene el potencial de generar entre 2,6 y 4,4 billones de dólares en valor económico anualmente en 63 casos de uso analizados. Al considerar el impacto de integrar la IA generativa en software que actualmente se utiliza para otras tareas, esta estimación podría prácticamente duplicarse. Estas mejoras de productividad podrían impulsar el crecimiento anual de la productividad laboral entre 0,1 y 0,6 puntos porcentuales hasta 2040.
Las estrategias divergentes de los gigantes tecnológicos
Mientras Krishna expresa sus preocupaciones, otros gigantes tecnológicos están redoblando sus apuestas en infraestructura de IA. El gasto de las Cuatro Grandes ilustra la magnitud de este ciclo de inversión. Microsoft planea invertir aproximadamente 80 000 millones de dólares en la construcción de centros de datos con IA en el año fiscal 2025, con más de la mitad de esa inversión destinada a Estados Unidos.
Amazon ha anunciado una inversión de capital de aproximadamente 125 000 millones de dólares para 2025, la mayor parte destinada a la IA y la infraestructura relacionada con Amazon Web Services. La compañía ya ha indicado que la inversión será aún mayor en 2026. Meta Platforms prevé una inversión de capital de entre 70 000 y 72 000 millones de dólares para 2025, lo que supone un aumento respecto a su estimación anterior de 66 000 a 72 000 millones de dólares. Para 2026, la compañía indicó que la inversión sería significativamente mayor.
Alphabet, la empresa matriz de Google, prevé una inversión de capital de entre 91.000 y 93.000 millones de dólares para 2025, frente a una previsión anterior de 85.000 millones de dólares. En conjunto, estas cuatro empresas planean invertir entre 350.000 y 400.000 millones de dólares en 2025, más del doble de lo invertido hace dos años.
Estas inversiones masivas se están llevando a cabo en un entorno donde los ingresos reales por servicios de IA aún están muy por debajo de las expectativas. OpenAI reporta ingresos anualizados superiores a los 20 000 millones de dólares, pero sigue sin ser rentable. Microsoft genera aproximadamente 13 000 millones de dólares en ingresos anuales por IA, con un crecimiento interanual del 175 %, mientras que Meta no puede reportar ni un solo dólar de ingresos directos por IA.
La discrepancia entre inversión e ingresos es sorprendente. Morgan Stanley estima que la industria de la IA invertirá aproximadamente tres billones de dólares estadounidenses en centros de datos para 2028. En comparación, los ingresos actuales son insignificantes. Un estudio del MIT de julio de 2025 reveló que aproximadamente el 95 % de las empresas que invirtieron en IA no obtuvieron ganancias con esta tecnología. El gasto total combinado de estas empresas se estima en aproximadamente 40 000 millones de dólares estadounidenses.
Las crecientes voces del escepticismo
La advertencia de Krishna forma parte de un creciente coro de voces escépticas provenientes de diversos sectores del mundo tecnológico y financiero. Estas preocupaciones se centran no solo en los beneficios económicos inmediatos, sino también en los riesgos sistémicos derivados de la dinámica actual de inversión.
Los economistas señalan que el sector de la IA representó aproximadamente dos tercios del crecimiento del PIB estadounidense en el primer semestre de 2025. Un análisis de JPMorgan Asset Management muestra que el gasto en IA en centros de datos contribuyó más al crecimiento económico que el consumo combinado de cientos de millones de consumidores estadounidenses. El economista de Harvard Jason Furman calculó que, sin los centros de datos, el crecimiento del PIB en el primer semestre de 2025 habría sido de tan solo el 0,1 %.
Esta concentración del crecimiento en un solo sector conlleva riesgos. Daron Acemoglu, economista del MIT y Premio Nobel de Economía 2024, argumenta que el impacto real de la IA podría ser significativamente menor de lo que sugieren las previsiones del sector. Estima que quizás solo el 5% de los empleos serán reemplazados por IA en los próximos diez años, una cifra muy inferior a las entusiastas predicciones de algunos líderes tecnológicos.
La preocupación por una burbuja se ve acentuada por varios factores. Las empresas tecnológicas utilizan cada vez más instrumentos financieros conocidos como vehículos de propósito especial (VPE) para mantener miles de millones de dólares en gastos fuera de sus balances. Estos VPE, financiados por Wall Street, sirven como empresas fantasma para la construcción de centros de datos. Esta práctica plantea dudas sobre la transparencia y el riesgo real que asumen las empresas.
Sundar Pichai, director ejecutivo de Alphabet, describió el auge de la inversión en IA como un momento extraordinario en una entrevista con la BBC en noviembre de 2025, pero también reconoció cierta irracionalidad que acompaña al auge actual de la IA. Advirtió que todas las empresas se verían afectadas si la burbuja de la IA estallara. Incluso Sam Altman, director ejecutivo de OpenAI y uno de los principales defensores de la IA, admitió en agosto de 2025 que la IA podría estar en una burbuja, comparando las condiciones del mercado con las del auge de las puntocom y enfatizando que muchas personas inteligentes se estaban entusiasmando demasiado con una pizca de verdad.
Adecuado para:
La cuestión energética como factor limitante
Otro problema fundamental, que Krishna no aborda explícitamente, pero que está implícito en sus cálculos de costos, se refiere al suministro de energía. Un centro de datos de 100 gigavatios requeriría aproximadamente el 20 % de la generación eléctrica total de Estados Unidos. Este no es un desafío trivial, sino un posible cuello de botella que podría poner en peligro toda la visión.
La Agencia Internacional de Energía pronostica que la demanda mundial de electricidad de los centros de datos podría más que duplicarse para 2030, pasando de aproximadamente 415 teravatios-hora en 2024 a entre 900 y 1000 teravatios-hora. La IA podría representar entre el 35 % y el 50 % del consumo eléctrico de los centros de datos para 2030. En Estados Unidos, se espera que la demanda de electricidad de los centros de datos aumente de 35 gigavatios a 78 gigavatios para 2035, lo que representa el 8,6 % del consumo eléctrico nacional.
Esta demanda surge en un momento en que muchos países intentan descarbonizar sus redes eléctricas y aumentar la cuota de energía renovable. El reto reside en que los centros de datos requieren un suministro eléctrico constante, las 24 horas del día, los 365 días del año. Esto complica la transición a las energías renovables, ya que la energía eólica y solar son intermitentes y requieren soluciones de almacenamiento o capacidad de respaldo.
Se proyecta que las emisiones de carbono de los centros de datos aumentarán de 212 millones de toneladas en 2023 a un potencial de 355 millones de toneladas para 2030, aunque esta cifra varía considerablemente según la velocidad de las soluciones de energía limpia y las mejoras de eficiencia. Un solo proceso de generación de imágenes mediante IA consume tanta electricidad como cargar completamente un teléfono inteligente. Procesar un millón de tokens produce tanto dióxido de carbono como un automóvil de gasolina que recorre entre 8 y 32 kilómetros.
La IA generativa requiere entre siete y ocho veces más energía que la computación tradicional. Entrenar grandes modelos de IA puede consumir tanta electricidad como cientos de hogares durante varios meses. Esta intensidad energética significa que, incluso si se dispusiera de los recursos financieros para construir centros de datos masivos, la infraestructura física para alimentar estas instalaciones podría no estar lista a tiempo.
Adecuado para:
Vías tecnológicas alternativas y su importancia
El debate en torno a las limitaciones de los modelos lingüísticos a gran escala ha impulsado un aumento de la investigación en campos alternativos. Algunos consideran la computación cuántica como un avance potencial que podría superar las limitaciones actuales. En octubre de 2025, Google presentó su chip cuántico Willow, que logró una ventaja cuántica verificable. Este hito trascendió los límites de la física clásica y abrió nuevas posibilidades en campos como la medicina, la energía y la inteligencia artificial.
Las computadoras cuánticas operan con principios completamente diferentes a los de las computadoras clásicas. Utilizan bits cuánticos, o cúbits, que pueden existir en múltiples estados simultáneamente, lo que permite cálculos paralelos a una escala imposible con los sistemas convencionales. Sin embargo, las computadoras cuánticas enfrentan desafíos significativos, en particular la decoherencia, que afecta la estabilidad de los cúbits.
Los recientes avances en la estabilización de cúbits sugieren que las computadoras cuánticas escalables podrían ser una realidad en los próximos años. Empresas como PsiQuantum planean poner en funcionamiento computadoras cuánticas 10.000 veces más grandes que Willow antes de que finalice esta década: computadoras lo suficientemente grandes como para abordar cuestiones importantes sobre materiales, medicamentos y los aspectos cuánticos de la naturaleza.
La convergencia de la computación cuántica y la inteligencia artificial podría, en teoría, abrir nuevas posibilidades. Los algoritmos cuánticos se han multiplicado por más de 200 en la simulación de fármacos y materiales importantes. Algunos especulan que la combinación de la IAG y la computación cuántica podría ser posible en uno o dos años, seguida de la superinteligencia artificial en cinco años.
Otras líneas de investigación prometedoras incluyen arquitecturas de computación óptica que utilizan luz en lugar de electricidad para alimentar chips. Una arquitectura denominada Multiplicación Matriz-Matriz Óptica Paralela, presentada en noviembre de 2025, podría eliminar uno de los mayores obstáculos en el desarrollo actual de la IA. A diferencia de los métodos ópticos anteriores, esta arquitectura realiza múltiples operaciones tensoriales simultáneamente con un solo pulso láser, lo que podría aumentar significativamente la velocidad de procesamiento.
Posicionamiento estratégico de IBM
La posición de Krishna resulta especialmente interesante en el contexto de la estrategia de IBM. En los últimos años, IBM ha redirigido conscientemente su enfoque, alejándose del negocio puramente de hardware e infraestructura, hacia el software empresarial, los servicios en la nube y la consultoría. La compañía vendió gran parte de su negocio tradicional de TI y se concentró en soluciones de nube híbrida y aplicaciones de IA para empresas.
Esta dirección estratégica difiere fundamentalmente de los enfoques de Microsoft, Amazon, Google y Meta, que invierten fuertemente en el desarrollo de su propia infraestructura. IBM, en cambio, se centra en ayudar a las empresas a implementar la IA según sus propios términos, con transparencia, opciones y flexibilidad. Esta filosofía refleja la convicción de que no todas las empresas utilizarán una única nube pública y que, en particular, las industrias reguladas y las empresas fuera de Estados Unidos preferirán enfoques híbridos.
Por lo tanto, la crítica de Krishna a las enormes inversiones en infraestructura también puede entenderse como una defensa implícita del enfoque de IBM. Si la búsqueda de la IAG mediante billones de dólares en inversiones en centros de datos no es económicamente viable, esto confirmaría la estrategia de IBM de centrarse en casos de uso específicos y generadores de valor que puedan aprovechar la infraestructura existente o moderadamente ampliada.
Al mismo tiempo, IBM participa activamente en áreas como la computación cuántica, que podría representar la próxima ola tecnológica. La compañía está invirtiendo significativamente en el desarrollo de computadoras cuánticas y colaborando con otras empresas tecnológicas para impulsar esta tecnología. Esto sugiere que Krishna no se opone a la innovación ni a objetivos tecnológicos ambiciosos, sino a un enfoque específico que considera económicamente inviable.
🎯🎯🎯 Benefíciese de la amplia experiencia quíntuple de Xpert.Digital en un paquete de servicios integral | BD, I+D, XR, PR y optimización de la visibilidad digital
Benefíciese de la amplia y quíntuple experiencia de Xpert.Digital en un paquete integral de servicios | I+D, XR, RR. PP. y optimización de la visibilidad digital - Imagen: Xpert.Digital
Xpert.Digital tiene un conocimiento profundo de diversas industrias. Esto nos permite desarrollar estrategias a medida que se adaptan precisamente a los requisitos y desafíos de su segmento de mercado específico. Al analizar continuamente las tendencias del mercado y seguir los desarrollos de la industria, podemos actuar con previsión y ofrecer soluciones innovadoras. Mediante la combinación de experiencia y conocimiento generamos valor añadido y damos a nuestros clientes una ventaja competitiva decisiva.
Más sobre esto aquí:
Productividad sí, IA general no: Por qué los proyectos de IA específicos podrían ser más rentables que los megamodelos
La perspectiva del liderazgo de OpenAI
El escepticismo de Krishna contrasta directamente con las declaraciones públicas de Sam Altman, director ejecutivo de OpenAI. Altman ha enfatizado repetidamente que OpenAI está dispuesta a realizar inversiones masivas para lograr la IAG. La compañía ha firmado acuerdos por un total aproximado de 1,4 billones de dólares durante los próximos ocho años, incluyendo importantes acuerdos con Oracle, Broadcom y otros socios.
Altman predice que OpenAI alcanzará ingresos anualizados de cientos de miles de millones de dólares estadounidenses para 2030. Esta proyección se basa en el supuesto de que la demanda de servicios de IA crecerá exponencialmente a medida que los sistemas se vuelvan más potentes. El modelo de negocio de OpenAI depende de que empresas e individuos estén dispuestos a pagar sumas sustanciales para acceder a capacidades avanzadas de IA.
Krishna declaró en el podcast que comprende la perspectiva de Altman, pero no la comparte. Esta es una forma notablemente diplomática de expresarlo, sugiriendo que respeta la visión de OpenAI, pero hace suposiciones fundamentalmente diferentes sobre su viabilidad tecnológica y económica. Krishna responde a la pregunta de si OpenAI puede generar un retorno de la inversión con un rotundo "no".
Este desacuerdo representa un conflicto fundamental en la industria tecnológica entre aquellos que creen en una IAG transformadora inminente y están dispuestos a invertir sumas astronómicas, y aquellos que son más escépticos y prefieren un enfoque incremental y económicamente más sostenible.
Adecuado para:
El papel de la política de depreciación y las normas contables
El debate en torno a la vida útil real del hardware de IA plantea cuestiones fundamentales sobre contabilidad y transparencia. La forma en que las empresas deprecian sus activos afecta directamente sus beneficios declarados y, en consecuencia, el precio y la valoración de sus acciones.
Michael Burry argumenta que las grandes empresas tecnológicas sobreestiman la vida útil de sus chips de IA para mantener baja la depreciación e inflar las ganancias. Por ejemplo, si Meta invierte 5000 millones de dólares en un nuevo rack de servidores Nvidia Blackwell en 2025 y lo deprecia a lo largo de 5,5 años, los costos anuales de depreciación se distribuirán en aproximadamente 909 millones de dólares. Sin embargo, si la vida útil real es de solo tres años, la depreciación anual debería rondar los 1670 millones de dólares, una discrepancia significativa.
Burry estima que esta mayor vida útil podría aumentar las ganancias de varias grandes empresas en un total de 176 000 millones de dólares entre 2026 y 2028. Nvidia refutó estas afirmaciones en un memorando interno en noviembre de 2025, argumentando que los hiperescaladores deprecian las GPU en un período de cuatro a seis años según su longevidad real y las tendencias de uso. La compañía señaló que las GPU más antiguas, como la A100 lanzada en 2020, siguen utilizándose con altos índices de utilización y conservan un valor económico significativo.
La realidad probablemente se encuentre en un punto intermedio. Las GPU pueden funcionar físicamente durante más de tres años, pero su valor económico puede disminuir rápidamente a medida que se lanzan al mercado modelos más nuevos y eficientes. Un factor clave es la cascada de valor: las GPU más antiguas, que ya no son óptimas para entrenar los modelos más recientes, aún pueden ser útiles para tareas de inferencia y para ejecutar modelos ya entrenados. También pueden utilizarse para aplicaciones menos exigentes o venderse en mercados secundarios.
Estos matices dificultan una evaluación clara. CoreWeave, un proveedor de servicios en la nube centrado en la IA, amplió el período de depreciación de sus GPU de cuatro a seis años en enero de 2023. Los críticos consideran esta decisión un intento de mejorar artificialmente la rentabilidad. Los defensores, por otro lado, argumentan que el uso real del hardware justifica períodos más largos.
Las dimensiones sociales y políticas
El debate en torno a las inversiones en IA también tiene una dimensión política y social. David Sacks, capitalista de riesgo y asesor de la Casa Blanca sobre criptomonedas e IA, advirtió en noviembre de 2025 que una reversión del auge de la inversión en IA podría provocar una recesión. Sus palabras sugieren que la economía se ha vuelto tan dependiente de las inversiones en IA que una interrupción o una desaceleración significativa tendría consecuencias macroeconómicas sustanciales.
Esta dependencia plantea la pregunta de si la sociedad se ha visto obligada a seguir invirtiendo, independientemente de su viabilidad económica, simplemente para evitar una crisis repentina. Esta sería una dinámica clásica de burbuja, donde las consideraciones económicas racionales se ven eclipsadas por el temor a las consecuencias de una burbuja que estalla.
La concentración de inversiones y recursos en IA también plantea interrogantes sobre los costos de oportunidad. Los billones que fluyen hacia los centros de datos de IA podrían, en teoría, destinarse a otras prioridades sociales, desde la mejora de los sistemas educativos y la expansión de las energías renovables hasta la solución de los déficits de infraestructura. La justificación de esta asignación masiva de recursos depende de si los beneficios prometidos se materializan realmente.
Al mismo tiempo, la IA ya está teniendo efectos positivos demostrables. En Alemania, según un estudio de IBM de noviembre de 2025, dos tercios de las empresas reportan importantes aumentos de productividad gracias a la IA. Las áreas con los mayores aumentos de productividad relacionados con la IA incluyen el desarrollo de software y TI, la atención al cliente y la automatización de procesos empresariales. Aproximadamente una quinta parte de las empresas alemanas ya han alcanzado sus objetivos de retorno de la inversión (ROI) mediante iniciativas de productividad impulsadas por la IA, y casi la mitad espera un retorno de la inversión en un plazo de doce meses.
Estas cifras muestran que la IA realmente crea valor económico, pero también respaldan el argumento de Krishna de que este valor no resulta necesariamente de la búsqueda de una IAG con billones de dólares en inversiones, sino más bien de aplicaciones más específicas y focalizadas.
La perspectiva histórica de las transformaciones tecnológicas
Para poner la situación actual en perspectiva, conviene considerar paralelismos históricos. El auge de las puntocom de finales de la década de 1990 suele citarse como una advertencia. En aquel entonces, enormes sumas de dinero fluyeron hacia las empresas de internet, basándose en la creencia justificada de que internet sería transformador. Muchas de esas inversiones resultaron ser erróneas, y cuando la burbuja estalló en el año 2000, se esfumaron billones de dólares en valor de mercado.
Sin embargo, la tecnología subyacente resultó ser verdaderamente transformadora. Empresas como Amazon y Google, que sobrevivieron a la crisis, se convirtieron en las fuerzas dominantes de la economía global. La infraestructura construida durante el auge, incluida la de empresas fallidas, sentó las bases de la economía digital de las décadas siguientes. En este sentido, se podría argumentar que incluso una inversión excesiva en infraestructura de IA podría ser beneficiosa a largo plazo, incluso si muchas de las empresas actuales fracasan.
Sin embargo, una diferencia clave radica en la intensidad del capital. Las empresas de internet de primera generación podían escalar con una inversión relativamente baja una vez establecida la infraestructura básica. Un sitio web o servicio en línea, una vez desarrollado, podía llegar a millones de usuarios con costos adicionales mínimos. La IA, especialmente en su aplicación actual, no sigue este patrón. Cada consulta a un modelo de lenguaje extenso implica costos computacionales significativos. Escalar los servicios de IA requiere aumentos proporcionales en la infraestructura, lo que altera fundamentalmente la economía.
Otra comparación histórica es el desarrollo de la electricidad. Cuando la energía eléctrica estuvo disponible por primera vez, las empresas tardaron décadas en aprender a rediseñar sus procesos de producción para aprovechar al máximo las nuevas posibilidades. Inicialmente, las fábricas simplemente reemplazaron las máquinas de vapor por motores eléctricos, pero por lo demás conservaron sus antiguos diseños y procesos. Las verdaderas ganancias de productividad solo se produjeron cuando ingenieros y gerentes aprendieron a diseñar fábricas desde cero, aprovechando la flexibilidad de la energía eléctrica.
Lo mismo podría ocurrir con la IA. Las aplicaciones actuales podrían ser solo una pequeña muestra de lo que es posible, y las transformaciones reales podrían no llegar hasta que las organizaciones aprendan a reorganizarse fundamentalmente para aprovechar las capacidades de la IA. Esto llevaría tiempo, posiblemente años o décadas, y no está claro si la dinámica actual de inversión permitirá esa paciencia.
El futuro del desarrollo de la IA
A pesar de todo el escepticismo y las advertencias, el desarrollo de la IA continuará. La cuestión no es si la IA es importante, sino qué camino es el más prometedor y económicamente sostenible. La intervención de Krishna puede entenderse como una petición de reevaluación de la estrategia, no como un llamado a detener la investigación en IA.
El desarrollo más probable es una diversificación de enfoques. Mientras que algunas empresas seguirán invirtiendo fuertemente en la ampliación de grandes modelos lingüísticos, otras explorarán vías alternativas. Se explorarán en paralelo enfoques neurosimbólicos, sistemas multimodales, inteligencia corpórea, aprendizaje continuo y otras líneas de investigación. Los avances en hardware, desde la computación cuántica hasta las arquitecturas de computación óptica y los chips neuromórficos, podrían cambiar la ecuación.
Un factor clave será la aceptación real del mercado. Si las empresas y los consumidores están dispuestos a pagar sumas sustanciales por servicios de IA, incluso los elevados costes de infraestructura podrían justificarse. Sin embargo, hasta el momento, esta cuestión sigue siendo en gran medida una incógnita. ChatGPT y servicios similares han atraído a millones de usuarios, pero la disposición a pagar cantidades sustanciales por ellos es limitada. La mayoría de los usuarios utilizan versiones gratuitas o con importantes subvenciones.
En el sector empresarial, la situación es algo distinta. Aquí, existe una clara disposición a pagar por soluciones de IA que resuelvan problemas empresariales específicos. Microsoft reporta un fuerte crecimiento en sus servicios de IA para empresas. La pregunta es si estas fuentes de ingresos pueden crecer lo suficientemente rápido como para justificar las enormes inversiones.
Adecuado para:
Hallazgos de un análisis multidimensional
Las preocupaciones planteadas por Arvind Krishna en el podcast Decoder abordan la esencia de una de las apuestas económicas y tecnológicas más importantes de la historia. Su argumento se basa en sólidos principios económicos y conocimientos técnicos. La combinación de enormes costos de capital, ciclos de vida cortos del hardware y la baja probabilidad de que las tecnologías actuales conduzcan a la IAG (Inteligencia Generada Automatizada) presenta un argumento convincente contra la estrategia de inversión actual.
Al mismo tiempo, la postura de Krishna no está exenta de contraargumentos. Quienes defienden inversiones masivas en IA argumentan que las tecnologías transformadoras suelen requerir enormes inversiones iniciales, que el coste por unidad de cómputo disminuye continuamente, que surgirán nuevos modelos de negocio aún impredecibles y que el riesgo de quedarse atrás en una tecnología potencialmente revolucionaria es mayor que el riesgo financiero de una inversión excesiva.
La verdad probablemente se encuentre en un punto intermedio entre estas posturas extremas. La IA es, sin duda, una tecnología importante y transformadora que generará un valor económico significativo. Los modelos de lenguaje y las aplicaciones de IA actuales ya demuestran capacidades impresionantes y están impulsando aumentos de productividad mensurables en muchas áreas. Al mismo tiempo, la idea de que la simple ampliación de los enfoques actuales conducirá a la inteligencia artificial general es cada vez más controvertida, incluso entre los principales investigadores de IA.
El análisis económico es elocuente. La magnitud de las inversiones requeridas y la necesidad de generar enormes ganancias en un corto período de tiempo representan un desafío sin precedentes. Si los cálculos de Krishna son siquiera remotamente precisos, es difícil imaginar cómo la estrategia de inversión actual puede ser sostenible.
Sin embargo, esto no significa necesariamente que el desastre sea inminente. Los mercados tienen la capacidad de adaptarse. Los flujos de inversión pueden cambiar, los modelos de negocio pueden evolucionar y los avances tecnológicos pueden alterar fundamentalmente la economía. La historia de la tecnología está llena de ejemplos donde el escepticismo inicial fue refutado y desafíos aparentemente imposibles fueron superados.
Lo que parece probable es un período de consolidación y reevaluación. Las tasas actuales de crecimiento de las inversiones en IA no pueden continuar indefinidamente. En algún momento, los inversores y líderes empresariales querrán ver evidencia de rentabilidad real. Las empresas que puedan ofrecer casos de uso convincentes y un valor económico demostrable prosperarán. Otras podrían tener que ajustar sus estrategias o salir del mercado.
La intervención de Krishna sirve como una importante advertencia para ser cautelosos en un entorno caracterizado por la euforia y la necesidad de mantenerse al día. Sus décadas de experiencia en el sector tecnológico y su posición al frente de una de las empresas de TI más antiguas y consolidadas del mundo refuerzan sus palabras. El tiempo dirá si tiene razón. Lo que es seguro, sin embargo, es que las preguntas que plantea deben tomarse en serio y debatirse a fondo antes de que se inviertan billones más en una estrategia cuyo éxito está lejos de estar garantizado.
Una nueva dimensión de la transformación digital con IA Gestionada (Inteligencia Artificial) - Plataforma y Solución B2B | Xpert Consulting
Una nueva dimensión de transformación digital con IA Gestionada (Inteligencia Artificial) – Plataforma y Solución B2B | Xpert Consulting - Imagen: Xpert.Digital
Aquí aprenderá cómo su empresa puede implementar soluciones de IA personalizadas de forma rápida, segura y sin grandes barreras de entrada.
Una Plataforma de IA Gestionada es su paquete integral y sin preocupaciones para la inteligencia artificial. En lugar de lidiar con tecnología compleja, infraestructura costosa y largos procesos de desarrollo, recibirá una solución integral adaptada a sus necesidades de un socio especializado, a menudo en cuestión de días.
Los beneficios clave de un vistazo:
⚡ Implementación rápida: De la idea a la aplicación operativa en días, no meses. Ofrecemos soluciones prácticas que generan valor inmediato.
🔒 Máxima seguridad de datos: Tus datos confidenciales permanecen contigo. Garantizamos un procesamiento seguro y conforme a la normativa sin compartirlos con terceros.
💸 Sin riesgo financiero: Solo pagas por los resultados. Se eliminan por completo las altas inversiones iniciales en hardware, software y personal.
🎯 Concéntrese en su negocio principal: Concéntrese en lo que mejor sabe hacer. Nos encargamos de toda la implementación técnica, la operación y el mantenimiento de su solución de IA.
📈 Escalable y a prueba de futuro: Su IA crece con usted. Garantizamos la optimización y la escalabilidad continuas, y adaptamos los modelos con flexibilidad a las nuevas necesidades.
Más sobre esto aquí:
Su socio global de marketing y desarrollo empresarial
☑️ Nuestro idioma comercial es inglés o alemán.
☑️ NUEVO: ¡Correspondencia en tu idioma nacional!
Konrad Wolfenstein
Estaré encantado de servirle a usted y a mi equipo como asesor personal.
Puedes ponerte en contacto conmigo rellenando el formulario de contacto o simplemente llámame al +49 89 89 674 804 (Múnich) . Mi dirección de correo electrónico es: wolfenstein ∂ xpert.digital
Estoy deseando que llegue nuestro proyecto conjunto.
