La cadena de IA que solo una conexión ha demostrado su utilidad económica.

El último trimestre de Nvidia parecía algo sacado de un modelo de bajo presupuesto, algo que nadie había desafiado hasta entonces. Los ingresos…96.2 mil millones de dólaresLas ganancias brutas son del 75 por ciento. La empresa obtuvo $54 mil millones en ingresos netos no según los estándares GAAP en un solo trimestre; eso es más de lo que muchas empresas del S&P 500 ganan en todo un año. Jensen Huang dijo que la demanda es “muy alta”, y predijo que en el próximo trimestre las ganancias podrían alcanzar los $108 mil millones.

Ese número – 96 mil millones de dólares en un solo trimestre – es el pilar de toda una economía. Se trata de una cadena: desde los presupuestos de TI empresariales, pasando por los proveedores de modelos de IA, hasta las plataformas en la nube y, finalmente, hasta los chips que permiten que todo esto sea posible. El artículo que llevó a esta investigación preguntaba si los tokens baratos, los chips costosos y la falta de beneficios relacionados con la IA representan una historia diferente al final de esa cadena.

Sí, lo hacen. No es porque la demanda esté disminuyendo. La demanda no es el problema. El problema es que los fondos que Nvidia obtiene en la parte superior de la cadena de suministro provienen de empresas que, hasta ahora, no pueden demostrar que logran recuperarlos.

Ese es el mecanismo en cuestión; se trata de un principio económico que data de 1865. William Stanley Jevons observó que, cuando el carbón se volvió más barato y más eficiente para quemar, las personas no usaban menos carbón. Al contrario, lo usaban mucho más. Los ahorros obtenidos por unidad de recurso eran absorbidos por el aumento en el volumen de consumo.

Eso es exactamente lo que está sucediendo con los tokens de IA: las unidades de potencia informática que las empresas compran a OpenAI, Anthropic, Google y otras empresas para ejecutar modelos de IA. El costo total de los tokens de IASe redujo en un 67% año con año entre los primeros trimestres de 2025 y 2026, pasando de $18.40 a $6.07 por millón de tokens.Parece que el problema se ha resuelto. Un procesamiento más económico significa una IA más económica.

Excepto los gastos totales en IA.Se triplicó más de tres veces en ese mismo período, pasando de 11.5 mil millones de dólares a 37 mil millones de dólares.Y el presupuesto promedio de IA para las empresasEstá aumentando en un 65 por ciento, de aproximadamente 7 millones de dólares a 11.6 millones de dólares este año.

El paradoja de Jevons no tiene en cuenta la economía de unidades. Si se hace que un recurso útil sea lo suficientemente barato, el consumo aumenta enormemente. Las empresas han descubierto que los agentes de IA –no son chatbots, sino procesos autónomos que buscan, razonan, intentan nuevamente y se corrigen automáticamente– consumen de 5 a 30 veces más tokens por tarea que las herramientas conversacionales en las que se basaban los presupuestos iniciales. Un agente que realiza 10 ciclos de corrección puede gastar 50 veces más tokens que una sola consulta directa. Los procesos de recuperación de información introducen contexto, lo que hace que las consultas promedio sean entre 4 y 6 veces más costosas que una pregunta directa.

Nada de esto se refleja en el presupuesto por usuario. El antiguo modelo de precios, basado en suscripciones mensuales fijas, no se aplica cuando los tokens de API reemplazan las suscripciones y los agentes reemplazan a los chatbots.

El resultado es un entorno presupuestario en el que…Uber agotó toda su asignación de recursos para IA en el año 2026 en cuatro meses, gastándola todo en el proyecto Claude Code de Anthropic, destinado a fines de desarrollo.El presidente y director ejecutivo de Uber dijo que la relación entre el aumento en el consumo de tokens y las mejoras medibles en los clientes “aún no existe”. Starbucks abandonó su sistema de inventario basado en IA después de menos de nueve meses, ya que no funcionaba bien en la práctica. Amazon y Meta también tuvieron que eliminar los rankings internos de IA, ya que los ingenieros habían convertido esos sistemas en algo inútil, con tareas sin sentido.

Solo el 29 por ciento de los ejecutivos puede medir con confianza el retorno de la inversión en IA. El 56 por ciento de los CEOs indica que no hay beneficios financieros netos derivados de la IA. Además, Gartner espera que más del 40 por ciento de los proyectos relacionados con la IA agentica sean abandonados para 2027 – principalmente debido a los costos excesivos y los resultados poco claros.

Las empresas no son estúpidas. El problema es que las consideraciones económicas para la implementación de un producto no permiten predecir los costos de producción. La diferencia entre “esto funciona en una versión de prueba” y “esto se vuelve rentable a escala” ahora se mide en meses de presupuestos agotados.

Ahora, hay que seguir el rastro del dinero hacia arriba. Las empresas pagan a los proveedores de modelos. Los proveedores de modelos y las plataformas en la nube pagan por los chips, los centros de datos y el equipo de redes. Nvidia se encuentra en ese punto clave.

Los cuatro hiperescalers más grandes: Amazon, Microsoft, Alphabet y Meta, están comprometidos con…En 2026, se invertirán aproximadamente 700 mil millones de dólares en gastos de capital, lo que representa un aumento del 77% en comparación con los 410 mil millones de dólares registrados el año pasado.Solo Amazon puede guiarlo.200 mil millones de dólares.Microsoft, Google y Meta invierten cada una en un rango de 115 mil millones a 190 mil millones de dólares.

Se puede ver cómo esto afecta al flujo de caja en los estados financieros. El flujo de caja libre de Amazon durante los últimos doce meses es ahora negativo: 11.6 mil millones de dólares. Una empresa que antes generaba casi 40 mil millones de dólares en flujo de caja libre cada año, ahora gasta más en infraestructura de lo que recibe como ingresos. El flujo de caja libre de Alphabet disminuyó un 20% año tras año, hasta llegar a 53 mil millones de dólares. En el caso de Meta, la disminución fue del 23%, hasta llegar a 38.5 mil millones de dólares. En el caso de Microsoft, la disminución fue del 6%, hasta llegar a 67 mil millones de dólares.

En 2025, Alphabet cuadruplicó su deuda a largo plazo a 46.5 mil millones de dólares. También realizó una venta de bonos por valor de 25 mil millones de dólares el otoño pasado. Amazon ha indicado que podría aumentar sus inversiones en capital propio y deuda a medida que continúe su desarrollo. Las empresas todavía tienen más de 420 mil millones de dólares en reservas de efectivo combinadas, lo que mantiene los riesgos inmediatos bajo control. Pero el problema radica en la brecha entre los flujos de efectivo disponibles y los gastos necesarios para la infraestructura. Por primera vez, estas empresas están gastando su efectivo operativo en proyectos de infraestructura.Un horizonte de retorno de 18 a 36 meses.

Lo que compran es lo mismo que Nvidia vende. El crecimiento de los ingresos de Nvidia en los últimos doce meses es del 83%. Su retorno sobre el capital invertido es del 87%. La tasa de flujo de efectivo libre es del 47%. La empresa generó 127 mil millones de dólares en flujo de efectivo libre durante el último año, y su valor de mercado es de 5 billones de dólares.

El modelo de negocio de Nvidia en este ciclo es estructuralmente simple: vende el hardware una sola vez, con un margen del 75 por ciento. Además, cuenta con un ecosistema de software CUDA que fija la base de usuarios y genera costos de cambio de proveedor. Los grandes proveedores de servicios asumen el riesgo de depreciación. Las empresas, por su parte, asumen el riesgo de utilización del hardware. Nvidia, por su parte, no asume ninguno de esos riesgos.

Hasta que se resuelva la cuestión de su utilización, de una u otra manera.

Hay una razón por la cual esto es importante para cómo piensas sobre la inversión; se relaciona con lo que sucederá después en el ciclo.

Las empresas de infraestructura ya han logrado superar la fase de construcción. Los márgenes de Nvidia lo demuestran. La pregunta no es si la IA crecerá… los gastos demuestran eso. La pregunta es si las empresas de tamaño gigante, que invierten 700 mil millones de dólares este año, realmente están dispuestas a hacerlo. Además, los 5 billones de dólares que planean invertir hasta 2030 pueden justificarse por los beneficios que las empresas realmente obtienen.

Si el “paradoxo de Jevons” sigue impulsando el consumo a una velocidad mayor que lo que los controles presupuestarios pueden controlar, entonces las empresas de infraestructura de alto nivel necesitarán aún más infraestructura para satisfacer la demanda. Además, Nvidia sigue vendiendo chips. Ese es el escenario optimista; es precisamente lo que Huang describe cuando habla de una “edad de oro”, con nuevos laboratorios, modelos abiertos y inteligencia artificial física en pleno desarrollo.

Pero el otro camino también es evidente en los datos. Si las empresas comienzan a demostrar que sus gastos en IA no son justificados –y el 56% de los directores ejecutivos ya dice que no lo son–, la disciplina presupuestaria se fortalecerá. Los equipos de FinOps, que ahora gestionan los gastos en IA (el 98% de las organizaciones, en comparación con el 31% hace dos años), dirigirán los trabajos hacia modelos más económicos, aplicarán cuotas y limitarán el uso de recursos. Casi la mitad de las grandes empresas ahora invierte la mayor parte de su presupuesto en tareas de inferencia, en comparación con menos de un tercero hace un año. Es precisamente en la inferencia donde se genera la presión costera.

Cuando los presupuestos se estrechan, las empresas de infraestructura de computación se ven con capacidad inutilizada. La capacidad inutilizada significa una menor utilización de las GPU, lo que implica que la rentabilidad de esos 700 mil millones de dólares en chips no alcanza lo que se había previsto. Las empresas con balances financieros más sólidos pueden soportar esto. Amazon puede tener flujo de efectivo negativo durante un año. Pero si los ingresos no aumentan, los costos de depreciación por sí solos serán suficientes para presionar los márgenes de ganancia durante años.

Y si el crecimiento de las empresas de tipo “hyperscaler” se desacelera, aquella empresa que ocupa la cima de la cadena empresarial con un valor de mercado de 5 billones de dólares también enfrentará problemas. La relación P/E futura de Nvidia es de 56; el mercado estima que habrá años de crecimiento continuo, con un crecimiento del doble de dígitos. La relación P/E actual, de 26, parece barata, pero eso se debe a que los ingresos del año pasado fueron un 83% menores que lo normal.

La discusión no se trata de si Nvidia sigue siendo importante. Se trata de si el perfil de retorno de una acción con un valor de mercado de 5 billones de dólares sigue siendo justificado para mantenerla en posesión, cuando las condiciones económicas a nivel downstream son más frágiles de lo que indica la dinámica del sector de chips.

La forma más clara de pensar en esto es como una transición entre ciclos. Hemos pasado de una fase en la que uno o dos laboratorios eran los responsables de generar demanda, y las condiciones económicas eran simples, a una fase en la que hay cientos de empresas que compran tokens. Los agentes los consumen en cantidades que nadie ha podido modelar antes. Además, todavía está por hacer los cálculos relacionados con el retorno de inversión.

En ese proceso de transición, el vendedor de chips es la única parte que ha demostrado ser económicamente viable hasta ahora. Todo lo que ocurre en la fase posterior: las empresas que generan facturas mensuales de seis cifras y las grandes empresas de tecnología que invierten cientos de miles de millones en centros de datos… todo esto se basa en la creencia de que los beneficios se materializarán.

El paradigma de Jevons sostiene que el consumo crecerá. La agotación presupuestaria indica que el dinero no será suficiente. La brecha entre esas dos fuerzas es donde se encuentra el verdadero riesgo de inversión en este momento.