El futuro de la IA: Estados Unidos vs. China

Las advertencias sobre un colapso de la inteligencia artificial se han vuelto cada vez más habituales. Según este argumento, cada vez es más difícil obtener financiación, y las empresas se preguntan si los proyectos de IA generan suficiente valor, si el suministro eléctrico es suficiente y si los sistemas chinos más baratos podrían socavar los ingresos de los líderes tecnológicos estadounidenses. En conjunto, se dice que estas presiones amenazan las enormes inversiones que se están llevando a cabo actualmente en la construcción de centros de datos, la fabricación de chips y memorias para IA, y la generación de energía.

Algunas de estas preocupaciones son reales. Parecen plantearse cuatro cuestiones principales distintas: ¿Se pueden seguir financiando los proyectos? ¿Siguen las empresas interesadas en la tecnología? ¿Se puede suministrar suficiente electricidad? ¿Y destruirán los competidores de bajo coste la viabilidad económica del mercado?

1. Financiación: un crédito más restrictivo no es lo mismo que la ausencia de crédito

El crédito privado se refiere a los préstamos concedidos por fondos de inversión y otras instituciones no bancarias, en lugar de por los bancos tradicionales o los mercados de bonos públicos, que han ayudado a financiar algunos centros de datos y otros grandes proyectos. Cuando los inversores de esos fondos se vuelven más cautelosos, la concesión de préstamos se ralentiza y los costes de financiación aumentan.

Esa ralentización es importante, pero no significa que la inversión en IA se detenga. Entre los principales compradores de infraestructura informática se encuentran Amazon, Microsoft, Google y Meta. A estas empresas se las suele denominar "hiperescaladores" porque gestionan enormes redes de computación en la nube y centros de datos. Generan un volumen considerable de efectivo, emiten bonos corporativos y solicitan préstamos a los principales bancos. El crédito privado es una de las fuentes de financiación del sector, pero no es la única.

Por ejemplo, en 2025, Amazon generó 139.500 millones de dólares en flujo de caja operativo y destinó 128.300 millones de dólares a gastos de capital en efectivo, principalmente en infraestructura tecnológica. Cerró el año con aproximadamente 123.000 millones de dólares en efectivo, equivalentes de efectivo y valores negociables. Amazon también recaudó 25.000 millones de dólares mediante la emisión de deuda a corto y largo plazo durante el año.

El crédito privado es importante, pero no constituye la totalidad del mercado de financiación empresarial. La Reserva Federal estimó que los préstamos de crédito privado ascendían a aproximadamente 1,4 billones de dólares en el segundo semestre de 2025. Esto representaba alrededor del 10% de la deuda total de las empresas no financieras estadounidenses.

Por lo tanto, un periodo de endurecimiento de las condiciones de financiación cambia quién puede construir, la rapidez con la que avanzan los proyectos y qué rentabilidad exigen los inversores. Los promotores más débiles se ven obligados a retrasar o cancelar sus planes. Las empresas más sólidas pagan más, utilizan su propio efectivo y alargan el periodo de construcción. Eso es un reajuste del riesgo: los inversores, ante una mayor incertidumbre, exigen mejores condiciones.

Los grandes auges de las infraestructuras se han desarrollado a menudo de esta manera desigual. Ferrocarriles, electricidad y telecomunicaciones redes pasaron por fases de entusiasmo, exceso de construcción, dificultades financieras y consolidación. Los fracasos fueron reales, pero las redes subyacentes continuaron expandiéndose.

2. Demanda empresarial: la experimentación se está volviendo más selectiva

Las empresas han realizado importantes inversiones en proyectos piloto de IA: pruebas a pequeña escala diseñadas para descubrir si un sistema puede mejorar una tarea empresarial real. Muchas de estas pruebas han sido decepciones. Los costes fueron superiores a lo previsto, los empleados no siempre adoptaron las herramientas y algunas empresas carecían de los datos limpios y bien organizados necesarios para que los sistemas resultaran útiles.

Estas dificultades iniciales no significan que las empresas hayan rechazado la IA. Significan que se están volviendo más selectivas. En la primera fase de una nueva tecnología, las empresas suelen comprar rápidamente por miedo a quedarse atrás. En la segunda fase, comparan resultados, cancelan los proyectos poco sólidos y concentran la inversión en las aplicaciones que funcionan. Este proceso puede parecer un retroceso, incluso cuando la adopción a largo plazo continúa.

En una encuesta de Deloitte de enero de 2025, más de dos tercios de los encuestados esperaban que el 30% o menos de sus experimentos con IA generativa se implementaran a gran escala durante los siguientes tres a seis meses. Al mismo tiempo, el 74% afirmó que su iniciativa más avanzada estaba cumpliendo o superando las expectativas de retorno de la inversión (ROI).

Otra encuesta de Deloitte de 2025 de 1.854 ejecutivos de Europa y Oriente Medio reveló que un caso de uso típico de la IA solía tardar entre dos y cuatro años en generar un ROI satisfactorio. Solo el 6% afirmó haber recuperado la inversión en menos de un año, en comparación con un periodo de recuperación previsto de entre siete y doce meses para las inversiones en tecnología convencional.

Cuando se estaba desarrollando la energía eléctrica, por ejemplo, las primeras fábricas solían sustituir una única máquina de vapor por un único motor eléctrico, pero mantenían la antigua distribución de la fábrica. La productividad solo mejoró de forma moderada. Las mayores mejoras llegaron más tarde, cuando las fábricas se rediseñaron en torno a motores más pequeños distribuidos por todo el edificio. La tecnología alcanzó su pleno valor solo después de que las organizaciones cambiaran su forma de trabajar (véase Paul A. David, "The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox", American Economic Review, mayo de 1990, vol. 80, n.º 2, pp. 355–361).

Es probable que la IA siga un camino similar. Un chatbot añadido a un proceso sin modificar puede suponer un ahorro de tiempo mínimo. Un proceso rediseñado en el que la IA clasifique documentos, prepare un primer borrador, compruebe registros y remita los casos inusuales a una persona puede generar beneficios mucho mayores. Por lo tanto, la cuestión importante no es si todos los primeros experimentos tienen éxito, sino si las empresas siguen encontrando tareas que merezca la pena rediseñar en torno a la tecnología.

3. Electricidad: una limitación importante, pero no un obstáculo insuperable

Los sistemas de IA funcionan en centros de datos repletos de chips informáticos especializados. Estas instalaciones requieren grandes cantidades de electricidad, equipos de refrigeración y, en muchos casos, agua. En regiones donde la red eléctrica ya está saturada, un nuevo centro de datos puede tardar años en conseguir una conexión. Este es uno de los argumentos más sólidos en contra del crecimiento ilimitado a corto plazo.

La Agencia Internacional de la Energía estima que los centros de datos consumieron aproximadamente 485 teravatios-hora de electricidad en 2025, tras un aumento de la demanda del 17% en un solo año. El consumo eléctrico de los centros de datos dedicados a la IA creció aún más rápido: aproximadamente un 50%. La agencia prevé que el consumo total de los centros de datos alcance unos 950 TWh en 2030, lo que supone aproximadamente el doble del nivel de 2025 y equivale a alrededor del 3% de la demanda mundial de electricidad.

La presión es mucho mayor en Estados Unidos. La actualización de junio de 2026 del Laboratorio Nacional Lawrence Berkeley estima que los centros de datos podrían representar el 11,8% del consumo total de electricidad de Estados Unidos para 2030, según su estimación central. Su rango de escenarios oscila entre el 9,5% y el 15,3%.

Basándose en un análisis específico por ubicación de los proyectos anunciados, la AIE estima que las limitaciones de la red eléctrica podrían retrasar aproximadamente el 20% de la capacidad global de centros de datos cuya construcción está prevista para 2030. Varias jurisdicciones ya han restringido o suspendido nuevas conexiones mientras los operadores del sistema tramitan los atrasos en las solicitudes de conexión

Sin embargo, la escasez de electricidad no supone una prohibición absoluta. Se trata de una limitación que modifica los precios y el comportamiento. Las empresas tecnológicas están firmando contratos a largo plazo con productores de energía, construyendo instalaciones cerca de las fuentes de generación disponibles, mejorando los sistemas de refrigeración y diseñando chips que realizan más cálculos por cada unidad de electricidad.

China lleva años invirtiendo masivamente en tecnología de fusión nuclear, un recurso que Estados Unidos haría bien en adoptar urgentemente como un "Proyecto Manhattan" del siglo XXI si quiere asegurarse de que China no acabe ganando la carrera de la IA por la preeminencia mundial. La energía de fusión nuclear produce un suministro masivo de energía limpia y económica, y Estados Unidos tiene la suerte de contar con tres grandes masas de agua a su alrededor que garantizan un suministro ilimitado. Sin una inversión pública significativa en el desarrollo de la fusión nuclear, al depender únicamente de las empresas privadas para el suministro de su propia electricidad y de sus reactores de fisión nuclear, Occidente corre un grave riesgo de quedarse atrás. Cuanto antes dé prioridad el Gobierno de Estados Unidos al desarrollo de la fusión nuclear, antes estará disponible comercialmente —preferiblemente antes de que China domine el mercado.

Algunas empresas también están lanzando pequeños reactores modulares de fisión. Se trata de reactores nucleares diseñados para ser fabricados en serie en unidades pequeñas e idénticas, a diferencia de las centrales nucleares tradicionales, que se construyen a medida in situ. Muchos diseños siguen enfrentándose a obstáculos normativos y comerciales.

La respuesta práctica a corto plazo, por desgracia, parece que será menos espectacular: más centrales eléctricas, líneas de transmisión más potentes, un mejor almacenamiento, una mayor eficiencia y el traslado de parte del trabajo informático a lugares y momentos en los que haya electricidad disponible. Estas otras soluciones son lentas y costosas. Es necesario un esfuerzo decidido para desarrollar la energía del futuro: la fusión.

4. Modelos abiertos y de bajo coste: la competencia cambia el mercado

La última preocupación es la competencia de los sistemas de IA más baratos, como los desarrollados en China, que adquiere la mayor parte de sus conocimientos tecnológicos mediante el robo. Occidente, especialmente Estados Unidos, necesita urgentemente dejar de poner sus innovaciones y su capital a disposición de China si quiere seguir siendo la superpotencia preeminente del mundo. Algunos de estos sistemas son modelos abiertos: sistemas de IA cuyos componentes técnicos, como su código de software o sus parámetros de ponderación, están a disposición de otros para que los inspeccionen, modifiquen o ejecuten por sí mismos. El grado exacto de apertura varía de un modelo a otro.

Estos sistemas reducen claramente el precio de las tareas habituales de IA y ejercen presión sobre las empresas que cobran precios elevados por servicios de uso general. También reducen los ingresos obtenidos de aplicaciones básicas como resumir textos, redactar mensajes rutinarios o responder a preguntas estándar.

Los modelos más baratos y abiertos ya están cambiando la economía del mercado de la IA. El Índice de IA de Stanford estima que el coste de realizar una consulta a un modelo con un rendimiento aproximado al de GPT-3.5, se redujo de 20 dólares por millón de tokens en noviembre de 2022 a 0,07 dólares en octubre de 2024 —una disminución de más de 280 veces (en IA, un token es una pequeña unidad de texto que un modelo lee o genera)—. La competencia de precios ha continuado. En julio de 2026, la empresa china DeepSeek cobró 0,14 dólares por millón de tokens de entrada y 0,28 dólares por millón de tokens de salida por su modelo V4 Flash. El modelo de vanguardia GPT-5.6 Sol de OpenAI tenía un precio de 5 y 30 dólares, respectivamente. Los modelos no son directamente equivalentes, pero la diferencia ilustra la presión que los competidores económicos ejercen sobre los precios premium de los servicios rutinarios de IA.

La brecha de capacidades también se ha reducido. Según el Índice de IA de Stanford de 2026, los modelos chinos y estadounidenses se alternaron en las primeras posiciones de las clasificaciones de rendimiento a lo largo de 2025. DeepSeek-R1 igualó brevemente al modelo estadounidense líder en febrero de 2025, y en marzo de 2026 el mejor modelo estadounidense solo superaba al mejor modelo chino en un 2,7%. En consecuencia, la competencia está dejando de centrarse en la nacionalidad para centrarse en el coste, la fiabilidad y el rendimiento en tareas concretas.

Sin embargo, los modelos más baratos no restan todo el valor a los sistemas más avanzados. Un modelo de vanguardia, que se sitúa en el nivel más alto actual de capacidad, o cerca de él, sigue conservando ventajas en cuanto a razonamiento complejo, fiabilidad, seguridad, soporte empresarial especializado e integración con grandes organizaciones. Las empresas del sector sanitario, financiero, de defensa u otros sectores regulados pagan más por los registros de auditoría, la protección de datos y las garantías contractuales.

Un ejemplo real es Morgan Stanley Wealth Management. En lugar de utilizar el chatbot más barato del mercado, la empresa de servicios financieros colaboró con OpenAI para desarrollar un asistente interno basado en GPT-4 para sus asesores financieros. El sistema busca en la base de conocimientos aprobada por Morgan Stanley y ofrece respuestas con enlaces a los documentos originales. Morgan Stanley también introdujo pruebas diarias para detectar respuestas poco fiables o que no cumplieran con las normas, mantuvo su información confidencial sujeta a acuerdos de retención de datos nula y exigió a los asesores que revisaran el material generado por IA antes de utilizarlo con los clientes. La tecnología también se integró en los sistemas empresariales existentes: su asistente de reuniones puede elaborar notas sobre los clientes y redactar mensajes de seguimiento que se transfieren al sistema de gestión de relaciones con los clientes de la empresa.

Para Morgan Stanley, el valor de este sistema avanzado no reside, por tanto, simplemente en su capacidad para generar texto. Un modelo más económico también podría resumir un informe de inversión, pero una respuesta inexacta, insegura o imposible de rastrear podría exponer a la empresa a sanciones regulatorias, pérdidas financieras y un menoscabo de la confianza de los clientes. En consecuencia, la empresa está dispuesta a pagar más por la fiabilidad, la trazabilidad de las fuentes, la protección de datos, la supervisión humana y la integración con sus sistemas internos. Esto ilustra por qué las organizaciones de los sectores financiero, sanitario, de defensa, y otros sectores regulados pueden seguir adquiriendo servicios de IA de alta gama incluso cuando existen modelos mucho más económicos.

La informática ha pasado repetidamente por este patrón. Una capa técnica se vuelve más barata y está más ampliamente disponible, mientras que el valor se desplaza a otra capa: software especializado, servicios de confianza, datos propios, distribución o integración. La competencia puede reducir los márgenes de beneficio sin reducir la demanda total de informática.

En qué aciertan los críticos

Nada de esto significa que todas las empresas de IA estén a salvo o que todos los centros de datos vayan a obtener una rentabilidad aceptable. Los chips de IA se quedan obsoletos rápidamente. Un centro de datos construido en torno a los equipos actuales puede enfrentarse a un rival mucho más eficiente en unos pocos años. La amortización —el proceso contable mediante el cual el coste de un activo se distribuye a lo largo de su vida útil— puede, por lo tanto, subestimar la rapidez con la que algunos equipos pierden valor económico.

La demanda también puede crecer mientras los beneficios sigan siendo decepcionantes. Las aerolíneas, las empresas de telecomunicaciones y los fabricantes de automóviles han prestado servicio a grandes mercados sin obtener de forma constante rendimientos excepcionales. La IA podría llegar a ser esencial para la economía mientras muchos inversores sigan perdiendo dinero.

Por lo tanto, es probable que se produzca una corrección, al igual que en otros sectores, en algunas partes de la industria. Esta eliminará los proyectos débiles y obligará a las empresas más sólidas a mejorar. Lo que resulta menos convincente es la afirmación de que dicha corrección revertiría la adopción generalizada de la IA.

Una conclusión más acertada

El debate suele plantearse de forma demasiado simplista: o la abundancia o el colapso. Las empresas con una sólida situación financiera seguirán invirtiendo cuando los prestatarios más débiles no puedan hacerlo. El aumento de los precios de la electricidad fomenta la eficiencia y nuevas fuentes de suministro energético. Los modelos más baratos amplían el acceso y crean nuevos usos, al tiempo que reducen los precios. Los clientes más exigentes empujan a los proveedores a demostrar que sus productos aportan un valor cuantificable.

La próxima fase de la IA será menos eufórica y más selectiva. El capital se alejará de los proyectos de moda y se dirigirá hacia sistemas que ahorren tiempo, reduzcan los errores, aumenten la producción o creen productos por los que los clientes estén dispuestos a pagar. Algunos modelos de negocio fracasarán. Algunos inversores sufrirán fuertes pérdidas. Todo esto no solo es coherente con la historia de la adopción de nuevas tecnologías por parte del sistema capitalista, sino que, francamente, también es saludable.

La aparición de una IA barata procedente de China es, obviamente, cuestionable, cuando se reconoce que el robo de propiedad intelectual sigue siendo el modelo económico chino y que cualquier "empresa" china no es más que una de las mil facetas del Partido Comunista Chino.

Ahora tómate un respiro y pregúntate cuántas veces has utilizado hoy la IA, y las herramientas que a su vez la utilizan. La pregunta ya no tiene sentido: la IA está en todas partes, es permanente; ya ha ampliado las posibilidades de nuestro mundo. Habrá correcciones, se reasignará el capital y algunos modelos de negocio fracasarán; ese es el precio habitual del progreso. Lo que no se revertirá es el cambio más profundo que ya está en marcha: la integración permanente de la computación avanzada en el núcleo productivo de la vida. Confundir la inevitable turbulencia de una fase de expansión con el final del ciclo es fijarse en el dedo mientras Elon Musk señala a Marte.

© Gatestone Institute.