El Gran Cierre: Por qué las empresas quieren deshacerse de sus agentes de IA: cuando los agentes de IA cuestan más de lo que valen

Cuando los agentes autónomos toman el control y los centros de datos queman más capital del que el mercado puede generar

Miles de millones invertidos sin retorno: los agentes de IA deben demostrar su utilidad

La inteligencia artificial está entrando en una nueva fase. La primera fase estuvo marcada por avances tecnológicos, demostraciones espectaculares y la perspectiva de aumentar significativamente la productividad del trabajo intelectual. La segunda fase vio enormes presupuestos destinados a modelos, centros de datos, procesadores gráficos, plataformas en la nube y aplicaciones empresariales iniciales. Ahora, comienza la tercera fase: la prueba de fuego económica y organizativa. Esta determinará no solo qué proveedores sobrevivirán, sino también si las empresas realmente generarán valor duradero y cuantificable a partir de la IA o si, por el contrario, simplemente acumularán nuevos riesgos en materia de costes, control y responsabilidad.

Dos acontecimientos ponen de manifiesto este punto de inflexión. A nivel de aplicaciones, los agentes de IA autónomos proliferan a un ritmo mayor del que muchas empresas pueden adaptar su gobernanza, derechos de acceso, control de costes y responsabilidades. Simultáneamente, a nivel de infraestructura, los centros de datos y las capacidades especializadas en la nube están surgiendo a una escala para la que actualmente no existe un mercado final suficientemente grande y dispuesto a operar de forma rentable. Esto representa la confluencia de dos sobreestimaciones distintas: las empresas sobreestiman la madurez organizativa de los sistemas autónomos a corto plazo, mientras que los inversores y los operadores de infraestructura pueden estar sobreestimando la velocidad a la que la demanda de IA se puede traducir en ingresos rentables.

Por lo tanto, la cuestión crucial ya no es si la IA funciona técnicamente, sino dónde funciona de forma fiable, controlable y rentable en condiciones reales. Este cambio está transformando la lógica del mercado. La máxima autonomía, el tamaño máximo del modelo o la máxima potencia de cálculo por sí solos no determinarán el éxito. Las ventajas competitivas surgen cuando la capacidad técnica se combina con un diseño de procesos sólido, una clara rendición de cuentas, decisiones verificables, modelos de costes realistas y un valor diferenciado para el cliente.

La gran desilusión comienza en las empresas

La predicción de que más del 40 % de los proyectos de IA con agentes podrían ser descontinuados, degradados o rediseñados fundamentalmente para finales de 2027 debe entenderse menos como un juicio sobre la importancia a largo plazo de la tecnología y más como una crítica a su implementación actual. Muchos proyectos comienzan como pruebas de concepto en condiciones controladas. En este entorno, se seleccionan los datos, se limitan las tareas, los usuarios son benevolentes y los errores tienen consecuencias relativamente menores. Sin embargo, la transición a las operaciones de producción cambia todos los parámetros. Un agente entonces tiene que lidiar con datos incompletos, reglas contradictorias, sistemas heredados, casos especiales, permisos cambiantes y decisiones relacionadas con la responsabilidad.

Es precisamente en este punto donde fracasa un número significativo de proyectos piloto tecnológicos. Un demostrador convincente responde a la pregunta de si una función es fundamentalmente posible. No responde si puede ejecutarse millones de veces con costes totales aceptables, calidad estable y riesgo manejable. Este problema se agrava con los agentes autónomos, ya que no solo pueden generar contenido, sino también acceder de forma independiente a herramientas, modificar datos, activar procesos y vincular decisiones. Por lo tanto, un error no se limita necesariamente a una respuesta de texto incorrecta. Puede propagarse como un pedido erróneo, un acceso no autorizado a datos, una decisión equivocada del cliente o un cambio en un sistema de producción.

Por lo tanto, la cancelación prevista del proyecto es económicamente plausible. El aumento de los costos, la falta de claridad en el valor comercial y los controles de riesgo inadecuados no son problemas aislados; se refuerzan mutuamente. Cuanto menos fiable sea el funcionamiento de un agente, mayor será el esfuerzo requerido para su supervisión, auditoría y acciones correctivas. Cuanta más intervención manual se necesite, menor será el aumento real de la productividad. Cuanto menor sea el aumento de la productividad, más difícil será justificar los gastos adicionales en modelos, integraciones, supervisión, seguridad y cumplimiento normativo. Un sistema originalmente diseñado para la automatización puede, por lo tanto, crear una nueva capa de supervisión manual, en gran medida invisible.

La autonomía se convierte en un nuevo tipo de coste

Los costes de la IA basada en agentes suelen tener una visión demasiado limitada. Las empresas comparan los precios de los modelos o calculan las tarifas por tokens de entrada y salida, pero esto solo refleja una parte de la carga económica. Un agente suele dividir una tarea en varios pasos, acceder a diversos sistemas, repetir intentos fallidos, comprobar resultados intermedios y mantener contextos más extensos. Por lo tanto, los flujos de trabajo complejos pueden requerir mucha más potencia de cálculo que un chatbot convencional. A esto se suman los gastos de orquestación, preparación de datos, interfaces, registro, gestión de identidades, controles de seguridad, evaluación y operación de diferentes modelos.

Aún más significativos son los costos indirectos. Estos incluyen el tiempo que los especialistas dedican a revisar resultados, resolver errores, implementar controles internos adicionales, brindar capacitación, realizar revisiones legales y adaptar flujos de trabajo. Si un agente realiza una tarea por solo unos centavos, pero el resultado requiere una revisión periódica por parte de una persona calificada, el precio del modelo se vuelve prácticamente irrelevante como indicador. Lo que importa es el costo total del proceso para cada tarea completada correctamente. Esto también debe incluir repeticiones, las consecuencias de los errores, las excepciones y el costo de la supervisión humana.

El hecho de que solo el 21 % de los CIO encuestados tengan total transparencia respecto a los costes de sus agentes y cargas de trabajo de IA revela una falta de control fundamental. Sin una asignación de costes por caso de uso, unidad de negocio y proceso, resulta imposible evaluar los beneficios económicos o gestionar un presupuesto fiable. El riesgo reside en que el gasto en IA crezca de forma descentralizada entre cuentas en la nube, suscripciones de software y presupuestos departamentales, mientras que el departamento de TI central solo percibe una parte de los costes totales. La factura, entonces, aparece con retraso, cuando el uso, el volumen de datos y el número de agentes ya han aumentado considerablemente.

Para una evaluación adecuada, las empresas deben pasar de considerar únicamente los costos de uso técnico a un modelo de valor integral. Deben medirse los costos por finalización exitosa del proceso, la tasa de casos completados correctamente sin intervención humana, las tasas de error y repetición, el tiempo de procesamiento, el esfuerzo de control y el beneficio financiero real obtenido. Solo cuando estas métricas se mantienen estables durante un período prolongado se puede evaluar si se debe ampliar la capacidad de un agente. La autonomía no es un fin en sí misma, sino una variable de inversión: solo es económicamente viable si los beneficios adicionales compensan el aumento de los riesgos de control y error.

La informática en la sombra gana protagonismo

La proliferación de agentes de IA está transformando el problema clásico de la TI en la sombra. Anteriormente, los departamentos adquirían software no autorizado o almacenaban datos en servicios no controlados. Hoy en día, los empleados pueden crear rápidamente sus propios agentes que acceden a los datos de la empresa y realizan acciones de forma independiente. Una encuesta realizada a 685 CIOs de empresas reveló que el 84 % afirma que los empleados desarrollan agentes de IA más rápido de lo que el departamento de TI puede implementar las normas de gobernanza adecuadas. Por lo tanto, el problema no reside únicamente en el creciente número de aplicaciones, sino también en el creciente número de actores digitales.

Estos actores suelen poseer identidades técnicas, claves API, cuentas de servicio o derechos de usuario delegados. Esto crea una nueva categoría de identidades no humanas que, en muchas organizaciones, no están sujetas a las mismas normas que los empleados. El 59 % de las organizaciones encuestadas aún no ha integrado completamente los agentes de IA en sus políticas de gestión de identidades y accesos. Asimismo, el 72 % informa de una brecha de mediana a grande entre el acceso que un agente tiene permitido teóricamente y el acceso que la organización puede demostrar en la práctica.

Desde el punto de vista económico, esta brecha es particularmente peligrosa porque altera el equilibrio esperado entre eficiencia y riesgo. Un agente puede operar las 24 horas del día y a gran velocidad. La misma característica que promete productividad aumenta el alcance del daño en caso de error. Permisos amplios, claves de acceso de larga duración y un registro inadecuado pueden provocar que una sola decisión errónea se repita sistemáticamente. El costo marginal de otra acción incorrecta es prácticamente nulo para el agente, mientras que los costos subsiguientes para la empresa se acumulan.

La consecuencia es clara: todo agente productivo necesita una identidad formal, un propósito documentado, un responsable humano y privilegios limitados. El acceso debe otorgarse según el principio de mínimo privilegio, con una duración limitada y una supervisión continua. Las acciones de mayor trascendencia deben ser aprobadas por un humano antes de su ejecución. Los mecanismos de apagado centralizados son igualmente esenciales para evitar la desactivación individual y laboriosa de los agentes en múltiples sistemas en caso de mal funcionamiento. Si bien estas medidas pueden reducir ligeramente la velocidad a corto plazo, aumentan la escalabilidad general del sistema al limitar los daños, la incertidumbre y la fricción regulatoria.

Responsabilidad sin control real

La tensión organizativa queda patente en una encuesta global realizada a 3200 CIOs. El 88 % observa que la adopción operativa de la IA avanza más rápido que la adaptación de la gobernanza. Al mismo tiempo, el 90 % asume que el departamento central de TI será responsable de los fallos de seguridad o cumplimiento normativo, incluso si las herramientas que los provocaron se adquirieron independientemente de otras unidades de negocio. Esto genera una desconexión entre el poder de decisión y la rendición de cuentas.

Esta estructura genera incentivos perversos. Las unidades de negocio obtienen la ventaja a corto plazo de la experimentación rápida, mientras que una parte significativa del riesgo recae en TI, la protección de datos, la seguridad de la información y la gestión. El departamento central de TI puede convertirse en un cuello de botella si se le exige aprobar cada aplicación individualmente. Sin embargo, si renuncia por completo al control, surge un complejo entramado de modelos, agentes, accesos a datos y contratos. Ambos extremos son ineficientes. Un enfoque puramente centralizado frena la innovación, mientras que un enfoque totalmente descentralizado multiplica los riesgos y la duplicación de esfuerzos.

Por lo tanto, se requiere un modelo de gobernanza federada. Las funciones centrales definen directrices técnicas y organizativas vinculantes, proporcionan plataformas aprobadas y supervisan identidades, costes y actividades críticas. Las unidades de negocio pueden desarrollar y operar aplicaciones dentro de este marco, pero deben documentar los beneficios, las fuentes de datos, los riesgos y las personas responsables. Esto permite que las decisiones estén lo más cerca posible de las operaciones diarias, mientras que los estándares comunes evitan que cada equipo tenga que resolver repetidamente los mismos problemas de seguridad e integración.

La presión personal sobre los CIO demuestra la drástica evolución de la IA, que ha pasado de ser un tema de innovación a un factor clave para la carrera profesional y la gobernanza. El 76 % de los ejecutivos de TI encuestados cree que su puesto corre peligro si su empresa no logra resultados empresariales medibles con la IA para finales de 2027. Esta presión puede acelerar la priorización sensata, pero también conlleva el riesgo de una expansión frenética. Quienes se ven presionados por el éxito a corto plazo podrían priorizar las cifras de implementación visibles sobre las mejoras sólidas de los procesos. La consecuencia paradójica sería que la misma presión por demostrar rápidamente un retorno de la inversión aumenta la probabilidad de cometer errores costosos.

Cuando el propio controlador se convierte en un factor de coste

Las primeras experiencias en materia de gobernanza y auditoría indican que los riesgos no son meramente teóricos. En una encuesta realizada a 417 profesionales de gobernanza, riesgo, cumplimiento y auditoría, el 34 % informó que su organización había actuado basándose en una decisión errónea de un agente. El 30 % observó acciones no deseadas, el 25 % un fallo de control y el 24 % impactos en los clientes. En el 20 % de los casos, dos agentes entraron en conflicto. Casi la mitad de los empleados requirió más tiempo que antes para revisar y corregir los resultados de la IA.

Estos datos deben interpretarse con cautela, ya que las encuestas reflejan las percepciones y experiencias de los participantes, no automáticamente la frecuencia de todos los errores en el mercado en general. Sin embargo, revelan un patrón claro: las empresas están delegando la autoridad para la toma de decisiones a agentes antes de que los procesos, los datos y los sistemas de control estén diseñados para este tipo de autonomía. La IA no convierte automáticamente un mal proceso en uno bueno. Simplemente puede hacerlo más rápido, más opaco y más generalizado.

El esfuerzo adicional de auditoría es particularmente relevante desde una perspectiva económica. La automatización suele justificarse con el argumento de la reducción de costos de personal. Sin embargo, si especialistas cualificados deben verificar continuamente los resultados, aclarar las discrepancias y reconstruir las decisiones de los agentes, el trabajo simplemente se traslada. No desaparece, sino que pasa del procesamiento propiamente dicho a la supervisión y la resolución de problemas. Estas actividades pueden ser más exigentes y costosas que el proceso original, ya que requieren simultáneamente conocimientos técnicos, profesionales y normativos.

Esto no significa que la supervisión humana sea inherentemente antieconómica. En áreas de alto riesgo, es indispensable. Lo crucial es alinear la intensidad del control con el daño potencial. Un agente que clasifica documentos internos requiere aprobaciones diferentes a las de un sistema que inicia pagos, prepara decisiones de personal o modifica cuentas de clientes. Por lo tanto, las empresas deben otorgar autonomía por etapas. Cuanto más irreversible sea una acción, más sensibles sean los datos y mayor sea el impacto externo potencial, más rigurosas deberán ser las aprobaciones previas, el registro de datos y las auditorías independientes.

Las pistas de pruebas se están convirtiendo en parte de la infraestructura económica

Dos tercios de los CIOs no están seguros de poder proporcionar a un regulador un informe completo e integral de la decisión de un agente. Esto va más allá de una simple cuestión de cumplimiento normativo. La falta de trazabilidad incrementa el coste de cada incidente, ya que resulta más difícil determinar las causas, aislar los procesos afectados y ralentizar la implementación de las contramedidas. Sin registros sólidos, una empresa difícilmente puede demostrar que un agente actuó dentro de sus competencias o que una persona responsable intervino de forma adecuada.

Por lo tanto, la auditabilidad debe entenderse como una infraestructura productiva, no como un requisito de documentación añadido retroactivamente. Deben registrarse la identidad del agente, el modelo y la versión del software utilizados, las fuentes de datos consultadas, los permisos disponibles, los pasos intermedios, las llamadas a herramientas externas, las aprobaciones y el resultado final. Igualmente importante es la capacidad de reproducir técnicamente un proceso o, al menos, reconstruirlo de forma plausible. Con los modelos probabilísticos, la replicación exacta no siempre es posible, pero deben conservarse las entradas, las configuraciones y las rutas de decisión relevantes.

El desafío aumenta en los sistemas multiagente. Cuando varios agentes distribuyen tareas, revisan resultados de forma conjunta o modifican secuencialmente diversos sistemas empresariales, surge una cadena de responsabilidad distribuida. Un error puede surgir de la interacción de varias decisiones parciales aparentemente plausibles. Los sistemas de control convencionales que analizan las acciones individuales de los usuarios o las transacciones de software aisladas resultan insuficientes. Las empresas necesitan una monitorización continua de toda la cadena de procesos.

Los avances regulatorios están intensificando esta presión para actuar. El marco jurídico europeo para la inteligencia artificial, las normativas de protección de datos y las obligaciones de supervisión específicas del sector aumentan las exigencias en materia de gestión de riesgos, documentación y supervisión humana. Las autoridades de protección de datos fuera de la Unión Europea también están prestando mayor atención a cómo los sistemas automatizados procesan la información personal. La conclusión económica es que la gobernanza no es un centro de costes adicional que pueda añadirse tras una expansión exitosa. Es un requisito previo para garantizar que la expansión sea legalmente conforme y sostenible.

Los riesgos de la IA pasan a formar parte del grupo de élite

En una encuesta realizada a 1330 miembros de consejos de administración y ejecutivos, los nuevos riesgos derivados de la introducción de la IA a partir de 2027 ya ocupan el segundo lugar entre los riesgos empresariales a corto plazo, justo después de las ciberamenazas. Esta clasificación demuestra que la IA ya no se considera una iniciativa informática aislada. Afecta simultáneamente a la estabilidad operativa, la regulación, la protección de datos, los terceros, el personal, la reputación y la asignación de capital.

La IA y los riesgos cibernéticos no deben analizarse por separado. Los agentes aumentan la superficie de ataque digital porque requieren acceso a datos, aplicaciones y herramientas. Los atacantes pueden intentar manipular la información de entrada, inducir a los agentes a realizar acciones no autorizadas o hacer un uso indebido de sus credenciales. Al mismo tiempo, un agente debidamente autenticado puede realizar acciones riesgosas si su objetivo está mal definido, su contexto manipulado o sus permisos son demasiado amplios. Por lo tanto, la seguridad informática tradicional solo aborda una parte del problema. Más allá de determinar si un actor está autorizado a acceder a los datos, es fundamental evaluar si la acción prevista es permisible y apropiada dentro del contexto específico.

Esto implica mayores responsabilidades para la dirección de la empresa. No necesitan comprender técnicamente cada modelo, pero deben garantizar que existan una clara asignación de responsabilidades, clasificaciones de riesgo, procedimientos de escalamiento y objetivos económicos para las aplicaciones clave de IA. La supervisión no puede limitarse al número de proyectos lanzados ni al tamaño del presupuesto. Fundamentalmente, se necesita información fiable sobre qué procesos se están automatizando de forma productiva, qué datos se ven afectados, con qué frecuencia se requiere intervención humana, qué daños potenciales son posibles y si se están obteniendo realmente los beneficios esperados.

La solución casi interna: Cómo Xpert.Digital cierra las brechas operativas en el marketing y las ventas B2B – Negocios inteligentes basados ​​en contenido - Imagen: Xpert.Digital

Xpert.Digital es un centro industrial B2B basado en datos, dirigido por Konrad Wolfenstein . La empresa actúa como una solución externa, casi interna, para socios industriales, cubriendo las brechas operativas en marketing, contenido y ventas, sin requerir recursos adicionales por parte del cliente.

Más información aquí:

• La solución casi interna: Cómo Xpert.Digital cierra las brechas operativas en el marketing y las ventas B2B – Smart Content-Driven Business

Un problema de capital está creciendo bajo la superficie del software

Mientras las empresas luchan por controlar a sus agentes, la industria tecnológica está expandiendo la infraestructura física de la IA a una escala sin precedentes. Se prevén inversiones de casi un billón de dólares estadounidenses en infraestructura de IA para 2026. Entre 2027 y 2030, podrían añadirse otros seis billones de dólares. Estas sumas se destinan a centros de datos, unidades de procesamiento gráfico (GPU), tecnología de redes, almacenamiento, refrigeración, fuentes de alimentación y terrenos. Esta expansión responde a la previsión de que la necesidad de entrenar y ejecutar modelos de IA crecerá significativamente en los próximos años.

Sin embargo, el crecimiento por sí solo no garantiza una rentabilidad adecuada de la inversión. Los operadores de centros de datos de IA necesitarían generar ingresos acumulados de aproximadamente 8,5 billones de dólares para 2030 para cubrir las inversiones anunciadas, los costes de financiación y una rentabilidad estimada del 12 %. Se estima que los ingresos potencialmente atribuibles a las empresas y a los consumidores de IA alcanzarían un máximo de 3,6 billones de dólares en el mismo periodo. Si bien estas cifras están sujetas a una considerable incertidumbre debido a sus largos horizontes de previsión, la magnitud de la brecha es notable.

Sin embargo, sería erróneo comparar directamente las inversiones con los ingresos de la IA. Los centros de datos tienen una vida útil de varios años, la infraestructura puede gestionar diversas cargas de trabajo y parte de los beneficios económicos recaen en las empresas usuarias, en lugar de en el operador de la infraestructura. Además, la disminución de los costes informáticos puede generar nueva demanda. No obstante, el mensaje central sigue siendo válido: el mercado no solo debe crecer con fuerza, sino también generar aplicaciones monetizables con una rapidez excepcional para todas las capacidades previstas, a fin de lograr la rentabilidad esperada.

Esta situación resulta compleja. Muchas de las aplicaciones de IA actuales reducen costes o mejoran los productos existentes, pero no generan automáticamente ingresos adicionales equivalentes a las inversiones en infraestructura subyacente. Además, las mejoras en la productividad pueden distribuirse entre proveedores y clientes. La intensa competencia reduce los precios, los modelos de código abierto disminuyen las barreras de entrada y los modelos más eficientes reducen los requisitos computacionales por tarea. Si bien esto beneficia a la economía en general, puede afectar negativamente a la rentabilidad de los operadores de centros de datos individuales.

El tiempo de amortización avanza más rápido que la demanda

El hardware de IA se diferencia de la infraestructura básica tradicional por sus cortos ciclos de innovación. Las nuevas generaciones de aceleradores suelen ofrecer un rendimiento significativamente mayor o una mejor eficiencia energética. En consecuencia, el hardware antiguo puede perder valor económico, aunque siga funcionando técnicamente. Por lo tanto, un operador debe recuperar su inversión lo antes posible mediante una alta utilización y precios atractivos. Si la demanda no alcanza las expectativas, los valores contables y los modelos de financiación se ven afectados.

Para 2030, aproximadamente 3,5 billones de dólares en activos de IA podrían estar en riesgo de deterioro; para 2032, esta cifra podría superar los 4 billones de dólares. Un cargo por deterioro no implica la desaparición física de los servidores, sino que indica que los flujos de efectivo futuros previstos ya no justifican el valor contable del activo. Para los operadores con un alto nivel de endeudamiento, esto puede endurecer las condiciones crediticias, erosionar el capital y dificultar futuras inversiones.

La dinámica es similar a la de ciclos de infraestructura anteriores. Las nuevas tecnologías fundamentales suelen impulsar la expansión, generando inicialmente un exceso de capacidad. Los ferrocarriles, las redes de telecomunicaciones y la fibra óptica han experimentado fases comparables. Parte del capital invertido se perdió, mientras que la infraestructura, fácilmente disponible y económica, permitió posteriormente nuevos modelos de negocio. Por lo tanto, dos afirmaciones pueden ser ciertas simultáneamente: la IA puede desencadenar una profunda transformación económica, y aun así, una parte significativa de los inversores actuales podría obtener rendimientos insuficientes.

Para la economía en general, una corrección del mercado no tiene por qué ser totalmente negativa. Las amortizaciones y las quiebras pueden reducir el coste de la capacidad de procesamiento y facilitar el acceso a la infraestructura a compradores más eficientes. Las empresas pueden beneficiarse de precios más bajos, incluso si los inversores iniciales sufren pérdidas. La situación se complica cuando la sobreinversión está vinculada a un elevado endeudamiento, contratos energéticos a largo plazo o una capacidad concentrada regionalmente. En estos casos, las correcciones pueden afectar a bancos, proveedores de energía, mercados inmobiliarios y presupuestos públicos locales.

Neonubes entre crecimiento y selección

Los más vulnerables son los proveedores de neocloud especializados que suministran potencia informática para cargas de trabajo de IA. Su ventaja reside en su alto nivel de especialización técnica, el acceso rápido a procesadores gráficos muy demandados y, a menudo, ofertas más flexibles que las de las grandes empresas de nube ampliamente diversificadas. Empresas como CoreWeave y Nebius son un ejemplo de este segmento. El mercado potencial para las ofertas de Infraestructura como Servicio (IaaS) optimizadas para IA podría crecer de 66.000 millones de dólares en 2027 a 174.000 millones de dólares en 2030. Este sería un aumento impresionante, pero aún podría no ser suficiente para aprovechar de forma rentable la capacidad que se está desarrollando simultáneamente.

La predicción de que más del 80 % de las neoclouds podrían cesar su actividad independiente para 2030 no implica necesariamente la desaparición total de sus recursos informáticos. Quiebras, adquisiciones, fusiones, alianzas a largo plazo o la integración en plataformas más grandes son todas posibilidades. El factor económico subyacente es una consolidación significativa. Los proveedores que no cuenten con financiación favorable, un suministro energético seguro, una alta utilización de sus recursos y una oferta de servicios claramente diferenciada tendrán dificultades para mantenerse independientes.

El modelo de negocio es frágil por varias razones. Primero, requiere enormes inversiones iniciales en hardware que envejece rápidamente. Segundo, la base de clientes puede estar concentrada, lo que significa que perder incluso unos pocos clientes importantes puede alterar drásticamente la utilización de la capacidad. Tercero, las neoclouds se interponen entre los fabricantes de chips y los clientes, sin necesariamente tener el mismo poder de negociación. Cuarto, los hiperescaladores pueden competir con servicios de plataforma integrales, infraestructura global y relaciones con clientes ya existentes. Quinto, la presión sobre los precios amenaza a medida que aumenta la capacidad disponible o los modelos de negocio se vuelven más eficientes.

Por lo tanto, no todas las neoclouds son iguales. Las que tienen más probabilidades de sobrevivir son aquellas con ventajas estructurales: acceso a largo plazo a energía más barata, una utilización técnica particularmente alta, acceso a capital escaso, servicios especializados o una posición sólida en regiones específicas e industrias reguladas. La infraestructura soberana, controlada a nivel nacional o europeo, también puede ser un factor diferenciador si los clientes priorizan la privacidad de los datos, la residencia de los datos y la independencia estratégica por encima del precio más bajo.

Los hiperescaladores están ganando tiempo

Las grandes empresas de tecnología y servicios en la nube tienen una ventaja decisiva sobre los proveedores especializados: financian la expansión de la IA a partir de sectores comerciales amplios y rentables. Las plataformas en la nube, la publicidad, el comercio electrónico, las suscripciones de software, las redes sociales y los servicios empresariales existentes generan flujos de ingresos que permiten mantener las inversiones durante periodos prolongados. Esto permite a Amazon, Google, Microsoft, Meta y otros grandes proveedores afrontar mejor un periodo de bajos rendimientos directos de la IA.

Sin embargo, la diversificación no elimina el problema del retorno de la inversión. Incluso las grandes corporaciones deben explicar a largo plazo cómo sus inversiones generan valor. Simplemente disponen de más tiempo y canales de monetización adicionales. La IA puede aumentar el uso de la nube, mejorar los productos publicitarios, fidelizar clientes en las plataformas, acelerar los procesos de desarrollo y proteger otras áreas de negocio. Por lo tanto, algunos de los beneficios no se reflejan como ingresos de IA reportados por separado. Estos efectos secundarios estratégicos dificultan la comparación directa con las neoclouds, cuyo éxito económico depende en mayor medida del alquiler de capacidad de procesamiento.

El poder de mercado de los proveedores de servicios en la nube a gran escala podría aumentar aún más como resultado de la consolidación. Cuando los proveedores más pequeños abandonan el mercado, las grandes plataformas adquieren clientes, personal cualificado e infraestructuras de gran valor. Esto puede incrementar las economías de escala, pero también exacerbar las dependencias. Por lo tanto, las empresas y los gobiernos deben sopesar la eficiencia frente a la resiliencia. Una infraestructura altamente concentrada suele ser más barata a corto plazo, pero puede influir en los precios, las vías de innovación y la soberanía digital a largo plazo.

Esto plantea un dilema estratégico para Europa. Desarrollar sus propias capacidades de IA requiere una gran inversión de energía y capital, mientras que los proveedores estadounidenses y asiáticos ya cuentan con importantes economías de escala. Copiar sin más a los grandes proveedores de servicios en la nube no sería nada prometedor. Un enfoque más sensato consiste en centrarse en aplicaciones industriales específicas, espacios de datos fiables, sectores regulados, eficiencia energética, modelos técnicos y lingüísticos europeos, y soluciones operativas soberanas. La justificación económica debe basarse en beneficios diferenciados, no en un intento de imitar indiscriminadamente las carreras globales por la capacidad tecnológica.

Seis billones de dólares no es una previsión de la demanda

Otro modelo ilustra la magnitud del desafío. Si se prevé que el gasto anual en infraestructura de IA alcance aproximadamente 1,5 billones de dólares para 2031, y se espera que las inversiones representen cerca de una cuarta parte de los ingresos del sector, el mercado global de IA tendría que generar casi 6 billones de dólares anuales. Las aplicaciones existentes para consumidores y empresas podrían aportar entre 1,2 y 1,8 billones de dólares de esta cantidad. Esto dejaría un déficit de aproximadamente 4,2 billones de dólares que tendría que cubrirse con nuevos mercados.

Esta cifra de seis billones de dólares estadounidenses debe entenderse como un obstáculo económico, no como una previsión fiable de ingresos. El número describe el orden de magnitud necesario para financiar de forma sostenible la expansión bajo ciertos supuestos de rentabilidad e inversión. No predice que estos ingresos se generarán realmente. Esta distinción es crucial, ya que los altos volúmenes de mercado potenciales suelen tratarse como ingresos previstos en los debates tecnológicos.

Otros mercados en crecimiento incluyen la búsqueda y publicidad impulsadas por IA, vehículos autónomos, camiones y drones, automatización industrial, robótica, gemelos digitales, desarrollo de fármacos, servicios médicos, investigación de materiales y energía. Se proyecta que los sistemas autónomos alcancen un potencial de alrededor de 400 mil millones de dólares, mientras que la IA física, que abarca simulaciones, gemelos digitales y robótica, se estima en aproximadamente 900 mil millones de dólares. Estos campos poseen un valor económico significativo, pero se desarrollan más lentamente que los productos puramente basados ​​en software. Requieren hardware, aprobaciones regulatorias, pruebas de seguridad, integración en procesos físicos y, a menudo, nuevas regulaciones de responsabilidad.

Por lo tanto, el lapso de tiempo es potencialmente más importante que el potencial de mercado a largo plazo. Incluso si la robótica y la IA industrial generan ingresos enormes, deben escalar con la suficiente rapidez para justificar las inversiones actuales. Los costos de los centros de datos, los chips y la financiación se incurren de inmediato; las nuevas aplicaciones físicas a menudo tardan años en alcanzar una madurez generalizada en el mercado. Por consiguiente, una expectativa futura fundamentalmente sólida puede convertirse en una mala inversión si el precio, la estructura de financiación o el momento no son los adecuados.

La IA física determinará la segunda mitad del auge

Los éxitos de la IA generativa hasta la fecha se han centrado principalmente en el trabajo basado en el conocimiento digital. Textos, imágenes, código de software, investigación y comunicación con el cliente pueden integrarse en aplicaciones existentes con relativa rapidez. Los ingresos potenciales de estos mercados son sustanciales, pero no suficientes por sí solos para justificar todas las inversiones previstas en infraestructura. Por lo tanto, la siguiente fase de crecimiento debe extenderse a un ámbito más profundo de la economía física.

La IA física conecta los sistemas de aprendizaje con máquinas, vehículos, instalaciones de producción y entornos del mundo real. En las fábricas, los gemelos digitales pueden simular nuevos procesos de producción antes de modificar equipos costosos. Los robots pueden reaccionar con mayor flexibilidad a los cambios en las piezas de trabajo. En los centros logísticos, se pueden coordinar los flujos de materiales, la preparación de pedidos y el transporte autónomo. En la industria automotriz, se pueden reducir los tiempos de desarrollo, mientras que los sistemas autónomos permiten nuevos servicios. El valor económico surge no solo de la reducción de los costos de personal, sino también de una mayor disponibilidad de la planta, menores tasas de desperdicio, puestas en marcha más rápidas de las fábricas y nuevos productos.

Esto representa una oportunidad estratégica, especialmente para Alemania y Europa. Su base industrial, el conocimiento de sus procesos, los fabricantes de maquinaria especializada y las complejas cadenas de suministro ofrecen valiosos datos y áreas de aplicación. Sin embargo, esta ventaja no surge automáticamente. Gran parte de los datos industriales están fragmentados, son de propiedad privada o carecen de una estructura adecuada. Las empresas deben modernizar sus arquitecturas de datos, estandarizar las interfaces y digitalizar el conocimiento operativo. Sin esta base, la IA física seguirá limitada a prototipos.

La monetización también difiere del software típico en la nube. Las empresas industriales esperan fiabilidad demostrable, ciclos de vida prolongados y una clara rendición de cuentas. No aceptan un entorno experimental permanente en procesos críticos para la seguridad. Por lo tanto, los proveedores deben ofrecer sistemas robustos e integrados que combinen modelos, sensores, sistemas de control, ciberseguridad y mantenimiento. Es precisamente aquí donde puede desarrollarse un mercado para proveedores europeos especializados, uno que se centre menos en el tamaño máximo del modelo y más en la experiencia en el sector, la integración y la confianza.

El núcleo común de ambas crisis

Los problemas relacionados con los agentes de IA y las neoclouds parecen, en principio, independientes. Por un lado, están los procesos de negocio, la gobernanza y las decisiones erróneas; por otro, los centros de datos, la financiación y la depreciación. En realidad, ambos se basan en la misma idea errónea económica: que la capacidad técnica se traducirá casi automáticamente en beneficios rentables y escalables.

En el ámbito de los agentes, un proyecto piloto exitoso suele confundirse con la madurez de la producción. En el de la infraestructura, las crecientes necesidades informáticas se equiparan con una disposición suficiente a pagar y un retorno de la inversión sostenible. En ambos casos, las etapas intermedias se pasan por alto con frecuencia. Entre el rendimiento del modelo y el beneficio empresarial se encuentran la calidad de los datos, el rediseño de procesos, la integración, la seguridad, la supervisión humana y la aceptación. Entre la capacidad informática y el retorno para el inversor se encuentran la utilización, los precios, los costes energéticos, el envejecimiento del hardware, la financiación y la competencia.

Este hallazgo no contradice la IA, sino que aboga por una asignación de capital más profesional. Las revoluciones tecnológicas rara vez se desarrollan de forma lineal. Los excesos financian experimentos e infraestructura, pero posteriormente conducen a correcciones y consolidación. Las empresas ganadoras no son necesariamente las que invierten primero o más. A menudo, quienes triunfan son aquellas que gestionan los costes con prudencia, aprenden de los errores iniciales y alinean sus ofertas con la disposición real de los consumidores a pagar.

La expectación generada debe traducirse en prácticas empresariales sólidas

Las empresas solo deberían implementar agentes de IA cuando exista un proceso claramente definido, datos fiables y una métrica objetivo medible. El punto de partida no debe ser donde se pueda demostrar la mayor autonomía posible. El factor crucial es dónde se puede eliminar un cuello de botella específico, reducir un tiempo de entrega, mejorar la calidad o generar ingresos adicionales. Para cada caso de uso, se debe determinar antes de comenzar qué costos y tasas de error son aceptables y bajo qué condiciones se detendrá el proyecto.

El despliegue debe realizarse por fases. Inicialmente, un agente puede ofrecer sugerencias, luego actuar bajo la aprobación humana y solo después de un rendimiento estable podrá ejecutar de forma autónoma tareas limitadas. Estos niveles de madurez permiten un seguimiento independiente de los beneficios y los riesgos. Un sistema que ya no genera ningún valor cuantificable como asistente no se volverá económicamente viable simplemente por otorgarle más privilegios.

Paralelamente, se requiere un inventario centralizado. Las empresas necesitan saber qué agentes existen, qué modelos utilizan, a qué sistemas acceden y quién es el responsable. Los costos deben asignarse a los procesos y unidades de negocio individuales. Las acciones críticas requieren umbrales de aprobación, y cada aplicación en producción necesita un mecanismo de apagado que funcione correctamente. La gobernanza no debe considerarse un documento rígido; debe estar integrada técnicamente en las plataformas, identidades, protocolos y procesos de desarrollo.

La gestión de compras también está cambiando. Los contratos con proveedores de IA y servicios en la nube deben incluir cláusulas sobre el uso de datos, cambios de modelo, acceso a registros, incidentes de seguridad, rendimiento, responsabilidad y opciones de cambio. Las empresas deben evitar que sus procesos centrales dependan de un único proveedor cuyos precios, modelos o estrategia comercial puedan cambiar repentinamente. Siempre que sea posible, las arquitecturas modulares y los modelos intercambiables aumentan el poder de negociación.

Para los inversores en infraestructuras, lo que cuenta es el cliente, no el chip

Para los centros de datos y las neoclouds, el acceso al hardware actual por sí solo no basta para un modelo de negocio viable. Los inversores deben analizar principalmente la calidad y la duración de la demanda. Los contratos a largo plazo solo son valiosos si los clientes tienen solvencia y se pueden cumplir los requisitos mínimos de compra. Igualmente importantes son los precios de la energía, las conexiones de red, la refrigeración, los patrones de utilización, las opciones de refinanciación y el valor residual del hardware antiguo.

Se recomienda especial precaución cuando el crecimiento se financia principalmente con deuda adicional y la utilización prevista de la capacidad se basa en un número reducido de clientes. Una disminución de la demanda puede afectar simultáneamente a los ingresos, el valor de los activos y la capacidad de financiación. Los escenarios de estrés deben combinar precios más bajos, retraso en la puesta en marcha, disminución de la utilización de la capacidad, envejecimiento acelerado del hardware y mayores costes de capital. Solo cuando un modelo de negocio se mantiene viable incluso bajo supuestos menos favorables, la rentabilidad de la inversión es fiable.

Para los proveedores especializados, la clave para superar la intercambiabilidad reside en la diferenciación. Esto incluye centros de datos de alta eficiencia, modelos operativos europeos propios, plataformas específicas para cada sector, residencia de datos garantizada, servicios de seguridad integrados y una estrecha relación entre la infraestructura y la experiencia en aplicaciones. A medida que aumenta la oferta, la capacidad pura se convierte en un bien comercializable. La confianza, la integración y el rendimiento demostrable, por otro lado, siguen siendo más escasos.

La próxima limpieza no supone el fin de la IA

Las cancelaciones de proyectos previstas y la posible consolidación de las neoclouds no suponen un rechazo a la inteligencia artificial. Más bien, son características de la transición desde una fase de expansión impulsada por la tecnología a un mercado donde el retorno de la inversión, la fiabilidad y la madurez institucional son primordiales. Una gran proporción de los primeros proyectos desaparecerá por estar mal definidos, mal integrados o ser económicamente inviables. Al mismo tiempo, las aplicaciones exitosas se integrarán más profundamente en los procesos centrales.

Los activos de infraestructura no se vuelven inútiles. La capacidad de computación puede seguir utilizándose tras su depreciación, adquisiciones o bajadas de precio. Para los usuarios, la consolidación del mercado puede incluso resultar ventajosa si la competencia y el exceso de capacidad reducen los costes. Sin embargo, la distribución de los beneficios cambia: los clientes y los compradores posteriores pueden beneficiarse, mientras que los primeros inversores en acciones y deuda asumen parte de las pérdidas.

Por lo tanto, la trayectoria de desarrollo más probable no es ni un colapso total de las expectativas sobre la IA ni una continuación sin contratiempos del auge. Un desarrollo dual es más probable. Las aplicaciones de alta calidad y claramente controladas seguirán creciendo y se convertirán en infraestructura empresarial estándar. En cambio, los proyectos de agentes indiferenciados, los modelos de negocio con escasa seguridad y las capacidades sobrevaloradas se verán presionados. El mercado está separando la posibilidad tecnológica de la viabilidad económica.

La verdadera revolución de la IA no comienza con el próximo modelo espectacular, sino con la capacidad sensata de transformar la tecnología en creación de valor fiable. Las empresas que gestionen conjuntamente los costes, el control y los beneficios saldrán fortalecidas de esta corrección. Por otro lado, aquellas que escalan la autonomía sin responsabilidad o la capacidad de procesamiento sin una demanda rentable, están financiando principalmente la próxima ola de pérdidas.

De la visibilidad a la confianza: Su camino escalable con Xpert.Digital - Imagen: Xpert.Digital

En el sector B2B industrial, las relaciones comerciales sostenibles rara vez surgen de la noche a la mañana. Se desarrollan paso a paso, a través de la visibilidad, la relevancia profesional, los puntos de contacto recurrentes y la creciente confianza. El modelo de 4 etapas de Xpert.Digital aborda precisamente esto: ofrece un camino estructurado que comienza con un punto de entrada manejable y puede evolucionar hacia una colaboración más profunda en el desarrollo de negocios si es necesario.

En lugar de basarse en promesas publicitarias grandilocuentes, este modelo prioriza la relación con el cliente. Las empresas comienzan con indicadores claros y fáciles de calcular, y luego deciden, según su propia experiencia, hasta dónde quieren ampliar la colaboración. Un factor clave para este proceso de construcción de confianza sin interrupciones: la plataforma evita por completo la publicidad molesta, por lo que el enfoque editorial se centra exclusivamente en la experiencia de las empresas.

Más información aquí:

• De la visibilidad a la confianza: Su camino escalable con Xpert.Digital

☑️ Nuestro idioma comercial es el inglés o el alemán

☑️ NUEVO: ¡Correspondencia en tu idioma nativo!

Konrad Wolfenstein

Mi equipo y yo estaremos encantados de estar disponibles para usted como su asesor personal.

Puedes contactarme rellenando el formulario de contacto aquí [email protected]:o simplemente llamándome al +49 7348 4088 965. Mi dirección de correo electrónico es

Espero con ilusión nuestro proyecto conjunto.

☑️ Apoyo a las PYMES en estrategia, consultoría, planificación e implementación

☑️ Creación o realineamiento de la estrategia digital y digitalización

☑️ Ampliación y optimización de procesos de ventas internacionales

☑️ Plataformas comerciales B2B globales y digitales

☑️ Desarrollo de negocios pioneros / Marketing / Relaciones públicas / Ferias comerciales