La IA Boom vende una capacidad que apenas utiliza. El nuevo “Benchmark” de Stacklet es simplemente el primero en vender esa capacidad.

El 10 de septiembre, una startup en el área de gobernanza de nubes llamada Stacklet anunció lo siguiente:Benchmark de FinOps para IA en la nube“Es un conjunto de controles probados, que permiten ‘descubrir, corregir y prevenir’ el desperdicio en la infraestructura de GPU y modelos de IA. Hay que entenderlo correctamente: se trata de un activo de marketing, no de un producto real. Un benchmark que se vende, en lugar de uno que se publica, es simplemente un documento de posicionamiento. Lo verdaderamente interesante es que Stacklet cree que existe un mercado para venderlo, porque esa apuesta se basa en un número que la industria de la IA generalmente no quiere analizar.”

Stacklet es la división comercial de Cloud Custodian, un motor de políticas de código abierto que permite aplicar las reglas en la nube a través de código. La idea principal es que los trabajos de IA ahora son…El mayor problema en materia de gobernanza en los entornos de nube empresariales.Aquí está la razón por la cual esa brecha es real y medible, y por qué es importante para los inversores en empresas que no son Stacklet.

El producto que se vende es un verdadero problema.

El problema subyacente es el hecho más extraño relacionado con la implementación de la IA: la industria invierte cantidades enormes en capacidad tecnológica que, una vez alquilada, generalmente queda sin usar. Los datos de telemetría sobre la producción obtenidos en la encuesta de Cast AI de 2026 indican que…Uso promedio de la GPU en los clústeres de Kubernetes empresariales, aproximadamente5%Incluso descartando los errores de redondeo en la población estudiada, eso no es un error de cálculo; se trata de una flota de aceleradores por valor de más de 30,000 dólares que funcionan en un porcentaje mínimo de tiempo. El panorama general relacionado con la nube es el mismo: los sistemas de seguimiento industrial han funcionado correctamente.El “desperdicio” relacionado con las nubes representa entre el 27 y el 32% del gasto anual desde 2019. En cuanto al mercado de nubes en 2025, Gartner estima que podría superar los 675 mil millones de dólares..

Los incentivos provocan exactamente ese comportamiento. Los proveedores de infraestructura de gran escala que reservan este equipo…En total, se trata de aproximadamente 600 mil millones de dólares en gastos de capital para el año 2026; alrededor del 75% de ellos se destinan a la IA.Ganar por tener capacidad de almacenamiento, sin importar si el inquilino la utiliza o no. Los inquilinos, a su vez, acumulan GPU escasas, por miedo a no tenerlas cuando se realice un nuevo cálculo de precios. Luego, dejan que esos GPUs permanezcan inactivas.Nadie en la cadena recibe un salario por prestar atención al hecho de que la máquina está en penumbra; así que nadie se da cuenta.

Ese es el vacío que se llena con Stacklet; sus propios ejemplos demuestran cuán “mecánico” es ese proceso de manejo del desperdicio. Una política que detecta cuando un trabajo de entrenamiento utiliza más VRAM de lo necesario…Se ahorra aproximadamente $10,000 al mes, con un gasto mensual de $100,000. La empresa afirma que al usar dos GPU de tipo H100, el gasto en GPUs se reduce en aproximadamente el 20%. Además, al reducir la cantidad de GPU de dos a una, en trabajos con baja utilización, el gasto puede disminuir hasta en un 50%.Ya sea que confíes o no en esos porcentajes de los proveedores, la dirección es obvia y el mecanismo es bastante simple: hardware inactivo, alimentado por el miedo; nadie es responsable de esa parte inactiva del sistema.

¿Por qué la brecha se vuelve más difícil de ignorar?

Las fuerzas que permiten que los gastos de las GPU se oculten ahora actúan en contra de ellas. El modelo tradicional de FinOps implica ciclos anuales de adquisición y un equipo financiero que puede ver los gastos totales. La IA, por su parte, invierte ese modelo: los gastos se miden por cada token, minuto a minuto, y son controlados por desarrolladores y científicos de datos, algo que el equipo financiero nunca ve. Los presupuestos estáticos simplemente no pueden capturar todo esto, y el alcance de los errores en la configuración de las GPUs o en los modelos de datos crece más rápido de lo que un equipo de operaciones manual pueda manejar.

Es aquí donde entra en juego el “punto de referencia”. Incluso en junio, Stacklet estaba estableciendo un marco de medición para el uso de IA en operaciones financieras, con el objetivo de definir qué se considera “bueno” en la gobernanza relacionada con las GPU y de guiar las decisiones de adquisición durante los próximos dos o tres años. La opinión general entre los proveedores –que también es compartida por algunos actores del área de FinOps para IA– es que una capa de gobernanza se está volviendo obligatoria, ya que el uso de la IA en operaciones financieras ya no se trata como un experimento, sino como una inversión real en presupuestos. Si este punto de referencia es realmente útil o no, eso no es importante; el hecho de que se esté creando un estándar demuestra que la industria ha decidido que el problema vale la pena ser estandarizado.

Lo que significa para un inversor

Un inversor minorista no debería intentar comprar Stacklet mediante hojas de cálculo. Se trata de una empresa privada.Fundado en 2020 por los creadores de Cloud Custodian.Ha provocado un…18 millones de dólares en la serie Ay una$14.5 millones de la Serie B– No hay acciones públicas que pueda poseer, ningún ingreso reportado, y el valor de la empresa se basa únicamente en las opiniones de sus inversores. No hay nada que se pueda comprar directamente. Quienquiera que le venda “exposición a AI-FinOps” a través de Stacklet, en realidad le está vendiendo un activo de marketing.

La lectura que se puede invertir es aquella que la existencia del anuncio confirma sobre las empresas a las que pertenece.puedeSe compra. La hipótesis optimista sobre la construcción de los GPUs asume que esa capacidad es productiva. Pero los datos de utilización indican que una parte significativa de esa capacidad no está siendo utilizada. Por lo tanto, se está formando una subindustria relacionada con herramientas de gobernanza para monetizar ese proceso de limpieza. Eso tiene dos efectos negativos. Para las empresas grandes y proveedores de capacidad, esto es casi neutro: ellas alquilan el hardware de cualquier manera, así que el desperdicio es un problema de los arrendatarios, no suyo. El verdadero riesgo lo representa quien debe pagar las consecuencias de ese desperdicio… y cualquier teoría que asuma que esos gastos se convierten en ganancias: las empresas de IA que consumen dinero en forma de capital invertido, y la solidez de la narrativa de inversión que se basa en un porcentaje de utilización del 5%.

Si quieres que una variable sea utilizada, entonces utiliza esta: no se trata de informes relacionados con gastos de capital, sino de la utilización de los recursos. Una implementación en la que la utilización medida aumenta gradualmente hacia un nivel razonable es una implementación en la que las condiciones económicas son claras. Una implementación en la que la capacidad de producción permanece sin usar es una implementación en la que el dinero invertido debe ser registrado en algún lugar. El “punto de referencia” es ruido. El 5% es el señal, y por eso una startup considera que vender los GPU vacíos es una forma de hacer negocios.