¿Existe realmente una burbuja de IA? De ser así, ¿cómo deberíamos entenderla? — De las cartas de Andrew Ng Con OpenAI proponiendo un asombroso plan de infraestructura de 1,4 billones de dólares y la capitalización de mercado de Nvidia alcanzando un techo de 5 billones de dólares, las preocupaciones del mercado sobre una "burbuja de IA" nunca han sido tan intensas. En su artículo, Andrew Ng no se limita a alinearse con los bandos "alcista" o "bajista". En cambio, presenta una perspectiva crucial: la IA no es un mercado único y homogéneo. Para ver a través de la llamada "burbuja", debemos dividir la IA en tres componentes distintos: la capa de aplicación, la infraestructura de inferencia y la infraestructura de entrenamiento. Solo así podremos ver la verdad. I. Potencial subvalorado: Contrariamente a la percepción popular sobre las empresas emergentes de IA, Andrew Ng cree que en realidad la capa de aplicación de la IA está subinvertida. La lógica aquí es muy simple e intuitiva: desde una perspectiva económica, en un ecosistema tecnológico, el valor total creado por las aplicaciones debe superar el coste de la infraestructura que las sustenta; de lo contrario, no se puede cerrar todo el modelo de negocio. Sin embargo, la situación actual es que una gran cantidad de capital fluye hacia los chips y modelos subyacentes, mientras que las aplicaciones de alto nivel que realmente pueden generar valor escasean. Muchos inversores de riesgo se mantienen al margen, preocupados por la posibilidad de que los grandes proveedores de modelos se apropien de todo, dejando fuera a los desarrolladores de aplicaciones. Sin embargo, Andrew Ng opina diferente. Señala que, a medida que la IA evoluciona gradualmente hacia la etapa de "flujo de trabajo de agente inteligente", capaz de planificar y ejecutar tareas de forma autónoma, el potencial de la capa de aplicación se liberará exponencialmente. Este no solo es el mayor punto de crecimiento de la próxima década, sino también un área actualmente muy infravalorada. II. El motor de la escasez de suministro: Infraestructura de inferencia. Al pasar de las "aplicaciones" a la "potencia de cómputo", la situación cambia. Andrew Ng divide la potencia de cómputo en dos partes: "inferencia" y "entrenamiento". La situación actual de la infraestructura de inferencia se caracteriza por limitaciones de oferta. Si bien la adopción global de la IA aún se encuentra en sus primeras etapas, la demanda de potencia computacional ya es muy alta. De cara al futuro, con el lanzamiento de modelos más potentes como GPT-5 y Gemini 3, y a medida que los agentes de IA comiencen a escribir código y a gestionar tareas complejas, nuestro consumo de tokens experimentará un crecimiento explosivo. Incluso si el mercado genera una potencia de cálculo de inferencia excesiva debido a un optimismo excesivo, Andrew Ng cree que esto no es necesariamente malo. Para desarrolladores y usuarios, esto se traduce en menores costos de computación, lo que impulsará aún más aplicaciones innovadoras. Por lo tanto, los fundamentos de este sector se mantienen sólidos. III. El verdadero centro de riesgos: la infraestructura de capacitación Si de hecho existe una burbuja en el campo de la IA, entonces el peligro oculto que más preocupa al profesor Andrew Ng reside en la infraestructura de capacitación. Este es un campo que requiere una inversión de capital extremadamente alta. Muchas empresas invierten grandes cantidades en el entrenamiento de modelos base propietarios con la esperanza de obtener una ventaja competitiva. Sin embargo, el auge de los grandes modelos de código abierto está desmintiendo esta ilusión. A medida que el rendimiento de los modelos de código abierto mejora rápidamente, resulta cada vez más difícil construir una barrera empresarial simplemente por poseer un modelo grande. Gracias a la optimización de algoritmos y a los avances de hardware, el coste de entrenar modelos con capacidades equivalentes disminuye año tras año. Esto significa que la ventaja lograda con grandes inversiones hoy podría verse anulada por soluciones tecnológicas de menor coste el próximo año. Por lo tanto, este sector se enfrenta a una enorme presión para obtener rentabilidad financiera y es actualmente el área de mayor riesgo. En conclusión, Andrew Ng, reconocido economista, expresó una preocupación racional al final de su artículo: el mercado suele ser irracional. Si el sector de formación colapsa debido a una inversión excesiva, este pánico puede fácilmente desencadenar una reacción en cadena, provocando que se retiren fondos por error del sector de aplicación, que cuenta con una sólida estructura fundamental e incluso debería recibir una mayor inversión. Como dice Warren Buffett: «A corto plazo, el mercado es una máquina de votar; a largo plazo, es una máquina de pesar». Las fluctuaciones de precios a corto plazo reflejan el sentimiento, mientras que el valor a largo plazo depende de los fundamentos. Para todos los profesionales, desarrolladores y legisladores, el consejo de Andrew Ng es claro y contundente: ignorar el ruido a corto plazo y centrarse en la creación de valor a largo plazo. Mientras estemos convencidos de que la IA puede aportar un enorme valor práctico a la humanidad, solo hay una mejor estrategia para combatir las burbujas: ¡seguir construyendo! Entendiendo la burbuja de la IA (si es que existe una)
