El cansancio del modelo no está destruyendo el ciclo de la IA; sino que lo está llevando hacia la computación.

En marzo de 2026, los principales laboratorios de IA lanzaron doce actualizaciones importantes de sus modelos en un solo mes, más de lo que se suele hacer en un trimestre. Cuando llegó el nuevo modelo estrella, semanas después: GPT-5.5 de OpenAI, que superó los estándares que OpenAI había establecido para él, la reacción de los desarrolladores fue más bien indiferente que preocupada. Ahora, los comentarios de la industria tienen un nombre para describir ese estado de ánimo:Modelo de fatiga.Si usted es un inversor, su instinto es interpretar esto como una señal de que la tendencia del auge de la inteligencia artificial está llegando al final de sus ideas. Pero ese instinto tiene el ciclo invertido.

La fatiga es real. Pero no es el signo que parece ser. La fatiga del modelo es ese momento visible y medible en el que la carrera de entrenamiento deja de ser el punto central de todo… Y el valor en el mercado de la IA también cambia con eso.

¿Qué es realmente la “fatiga”?

La frecuencia de lanzamientos es el primer dato importante. Los principales laboratorios pasaron de lanzar un modelo cada seis meses o algo así, a lanzar uno cada dos o tres semanas. Un informe muy citado indica que la frecuencia mensual de lanzamientos de los principales productos es aproximadamente cuatro veces mayor que en 2023.Doce actualizaciones importantes del modelo llegaron en marzo de 2026.Y GPT-5.4 siguió a GPT-5.3 dos días después, en el mismo mes… Una secuencia que, en sí misma, genera fatiga.

Luego, la situación económica se invirtió. Los modelos de Frontier se habían vuelto más económicos por token, con cada generación que pasaba. Pero GPT-5.5 rompió esa tendencia.El modelo que ocupó el primer lugar en los benchmarks de OpenAI tenía un costo por token, que se duplicó.Se paga 5 dólares por millón de tokens de entrada y 30 dólares por millón de tokens de salida. Para equipos que realizan chats generales, resúmenes o revisiones de código, la actualización no valía la pena en comparación con los costos de migración necesarios para ajustar nuevamente los prompts y ejecutar nuevamente las pruebas de evaluación. Dejaron de intentar mejorar y comenzaron a mantener las versiones existentes.

La extenuación llega incluso a los propios laboratorios. A finales de julio de 2026,Más de 1,200 empleados en OpenAI, Anthropic y Google DeepMind firmaron una carta en la que instaban al gobierno de los Estados Unidos a “controlar deliberadamente el ritmo”.El desarrollo de inteligencia artificial en las fronteras – es una forma inusual de pedir que se reduzca la velocidad con la que estas empresas invierten decenas de miles de millones de dólares al año para ganar. Cuando los desarrolladores quieren que el ritmo del desarrollo sea más lento, “la fatiga por el desarrollo de modelos” no es simplemente un sentimiento de los desarrolladores.

El colapso de precios que parece aterrador

Las mismas fuerzas ahora son visibles en el precio de la información.Un índice que normalizaba los precios de inferencia entre los diferentes proveedores disminuyó de aproximadamente 2.0 a finales de mayo a alrededor de 1.0 a mediados de agosto.El valor económico de una unidad de inferencia de IA se reduce a la mitad en menos de tres meses. Los modelos chinos de tipo “open-weight” han obligado a los laboratorios estadounidenses a bajar sus precios para poder competir. En apariencia, esto parece indicar que la demanda por IA está disminuyendo.

Mi opinión es lo contrario: el mecanismo que permite la caída de los datos es lo que realmente importa. Es aquí donde el valor del modelo deja de existir en sí mismo y comienza a existir en todo lo que está bajo él. Los desarrolladores ahora estiman que el propio modelo contribuye solo alrededor del 30% en la calidad del resultado final; el resto corresponde a las tareas de orquestación, flujo de trabajo y procesamiento informático que se realizan debajo del modelo. Esa capa no ha disminuido su costo.

¿Qué es lo que realmente financia el precio en colapso?

La disminución en el precio unitario se compensó con un aumento en el volumen de ventas. Es este patrón el que los economistas llaman “paradoja de Jevons”: cuando algo se vuelve mucho más barato, las personas consumen mucho más de él, no menos. Después de que OpenAI redujo el precio de uno de sus modelos en aproximadamente el 80%, el uso del modelo aumentó aproximadamente catorce veces. Los ingresos obtenidos también aumentaron, a pesar del precio más bajo. La razón por la cual la inteligencia artificial se volvió tan costosa antes era porque estaba restringida en su uso. Los flujos de trabajo basados en agentes artificiales – donde un agente de IA lee todo el código, utiliza diferentes herramientas y modifica su propio resultado– pueden consumir millones de tokens para realizar una sola tarea, mientras que una consulta de chatbot solo consume miles de tokens.

La consecuencia es que la compresión de precios afecta al nivel del modelo, no al nivel de procesamiento computacional. Los laboratorios que entrenaron el modelo más inteligente enfrentan problemas debido a que los clientes asignan el 80% del trabajo al modelo más barato que pueda cumplir con los requisitos. Pero la infraestructura subyacente se aplica a cada token, independientemente del modelo que lo produzca. Google pasó de tener aproximadamente 480 billones de tokens al mes a 1.3 cuadrillones en octubre del año pasado. Además, el costo de la inferencia con capacidad fija ha disminuido en más de 280 veces en dos años.Según las medidas de Stanford.Ninguno de esos dispositivos necesita un modelo “mejor”. Lo que se necesita es un lugar económico y confiable donde puedan funcionar.

La prueba que se presentó hace once días.

Aquí es donde las dos interpretaciones difieren en cuanto a los números concretos, no en cuanto al tono emocional. El 26 de agosto de 2026…Nvidia informó ingresos de 96.2 mil millones de dólares para el trimestre terminado el 26 de julio, un aumento del 18% en comparación con el mismo período del año anterior y un incremento del 106% en relación con el año anterior.Con un margen bruto del 75%. Una empresa cuyas chips son el “punto de paso” para la inferencia acaba de registrar su mayor ganancia en dólares en secuencia, mientras que la carrera por mejorar los modelos agota a sus propios desarrolladores.

La demanda también no está disminuyendo. Los cinco principales proveedores de servicios en la nube y de inteligencia artificial en Estados Unidos son: Microsoft, Alphabet, Amazon, Meta y Oracle.Se prevé que se inviertan entre 660 mil millones y 690 mil millones de dólares en gastos de capital este año, casi el doble que en 2025.Ese es el hecho más importante que se puede considerar en contra de la palabra “fatiga”. La fatiga del modelo es una situación relacionada con la capa de modelado. El ciclo de alimentación que llega a la capa de procesamiento de datos está acelerándose, pero no se trata de algo agotador.

¿Qué diferencia las dos interpretaciones?

La distinción que vale la pena destacar no es entre “la IA ya está acabada” y “la IA sigue siendo válida”. Se trata de dónde se genera el valor económico ahora que el modelo fronterizo ya no es el factor diferenciador.

Entre GPT-4.5 y todos los modelos posteriores, lo que realmente importaba era la marca del modelo más inteligente. Esa ventaja permitió que las versiones del modelo se mantuvieran estables, y su precio se redujera a la mitad en un cuarto de año. Ahora, lo que realmente importa son aquellos factores que permiten que el modelo funcione como una mercancía: el material químico utilizado, la pila de software, la nube que gestiona los tokens a gran escala, y la capacidad de orquestación que decide qué modelo debe ser utilizado para resolver cada consulta. Los niveles de modelo y aplicación enfrentan una presión de precios muy alta; los componentes como las GPU, las redes, la energía y los centros de datos, por su parte, manejan la carga de trabajo en aumento.

Eso no significa que el riesgo relacionado con las transacciones comerciales sea libre de riesgos. La señal real de presión bajista es específica y observable: los precios de los tokens disminuyen mientras los volúmenes de transacciones se estabilizan, los ingresos por servicios de inteligencia artificial se estancan, la utilización de las infraestructuras de las grandes empresas tecnológicas disminuye, y las proyecciones de inversión en tecnología se repiten una y otra vez. En este momento, los indicadores del otro lado de la situación están en aumento. Si esto cambia – si la fatiga del modelo deja de ser un problema relacionado con los laboratorios y se convierte en un problema relacionado con el dinero que ya no se invierte en chips– entonces la “fatiga del modelo” merecerá la atención que los inversores le dan. Hasta entonces, “la fatiga del modelo” no representa el final del ciclo de la IA. Es simplemente una señal de que el centro de gravedad del ciclo ha cambiado: pasó del modelo al área de operaciones de las máquinas, y las transacciones comerciales también han cambiado con eso.