Ilustración generada con inteligencia artificial.
En qué se está yendo el dinero cuando las empresas gastan en IA: la inversión ya no compra inteligencia, compra control
Los analistas de Gartner reconocen que la inteligencia artificial entra en una fase de madurez en la que el coste, la latencia, el rendimiento y la fiabilidad pesan más que la potencia del modelo.
Más información: El 'boom' de los centros de datos para la IA dispara el gasto mundial en TI hasta los 6,37 billones de dólares
¿Es posible estar al tanto del último modelo de inteligencia artificial que han lanzado OpenAI, Anthropic o Google? La pregunta puede parecer baladí, pero nada más lejos de la realidad: en el último mes, estas tres empresas han presentado casi una decena de nuevas versiones de sus modelos de lenguaje (LLM), entre sucesivas polémicas por el alcance de su poder, ya sea para la seguridad nacional o por entrometerse en servidores ajenos. La premisa para muchos gurús y autodenominados divulgadores en redes sociales es sencilla, aunque errónea: cuanto más potente es el modelo, mayor es la ventaja competitiva.
Es una teoría, como decimos, simple y fallida en sus mimbres más básicos. Si bien estos grandilocuentes anuncios sirven para acaparar titulares, rondas de financiación y ahuyentar a los acreedores, lo cierto es que a la hora de aplicar inteligencia artificial en entornos profesionales y a escala, la diferencia entre un LLM y otro no es tan sustancial como pudiera parecer. Para confirmar este extremo no necesitan fiarse de este escribano, sino que deben seguir el dinero.
El gasto mundial en plataformas y modelos de IA alcanzará los 64.252 millones de dólares en 2026, frente a los 39.311 millones de 2025, lo que supone un incremento del 63,4%. Son cifras de la firma de análisis Gartner, la cual confirma la fase de hipercrecimiento de esta tecnología, si bien la gracia está en el detalle de esa inversión. Porque tanto usuarios como empresas cada vez compran menos "más IA" y cada vez compran más mecanismos para gobernarla.
Es cierto que la inversión en los grandes modelos fundacionales siguen concentrando una parte muy relevante del mercado, pasando de 11.438 millones de dólares en 2025 a 23.356 millones en 2026. Se trata de un crecimiento del 104,2% en apenas un año. Los grandes LLM seguirán siendo la materia prima de buena parte de aplicaciones de categoría empresarial como asistentes corporativos, automatización documental, herramientas de programación asistida, buscadores empresariales o generación de contenido.
Empero, la categoría con mayor crecimiento del mercado son los Domain-Specific Language Models (DSLM) y los modelos especializados, cuyo gasto se disparará desde 1.583 millones hasta 4.910 millones de dólares, lo que representa un crecimiento del 210%, muy por encima de los grandes modelos como GPT, Claude o Gemini. Según los analistas, este desplazamiento supone la constatación de un proceso de verticalización del mercado de la inteligencia artificial. Y es que, si durante los primeros años predominó una lógica maximalista (construir modelos universales capaces de responder prácticamente a cualquier pregunta), ahora que las organizaciones empiezan a desplegar casos de uso reales, descubren que esa aproximación no siempre resulta económicamente óptima.
En otras palabras: cuando un hospital, una aseguradora, un despacho jurídico o una empresa industrial no necesitan necesariamente el modelo más grande del mercado; necesitan el modelo que mejor resuelva problemas muy concretos utilizando menos recursos computacionales, menor consumo energético, menor latencia y menores costes de inferencia.
Además, los DSLM permiten optimizar el coste marginal de inferencia, reducir el consumo de GPU, mejorar la precisión en dominios específicos y disminuir las alucinaciones al operar sobre conocimiento altamente contextualizado. Es decir, permiten hacer más con menos y eso, precisamente, es lo que explica por qué crecen al doble de velocidad que los grandes modelos fundacionales.
Pero hay mucha vida más allá de los modelos, ya sean grandes o verticalizados. Las plataformas se antojan como uno de los elementos más interesantes a seguir en los próximos cursos, tanto que las AI Application Development Platforms pasarán de 6.885 millones a 9.541 millones de dólares, un incremento del 38,6%. A su vez, las plataformas de data science y machine learning aumentarán desde 19.405 millones hasta 26.444 millones, creciendo un 36,3%. A primera vista pueden parecer porcentajes menos espectaculares que los de los modelos generativos, pero describen algo mucho más interesante: la consolidación de una capa de gobernanza tecnológica que hasta hace muy poco apenas existía.
Menos romanticismo, más pragmatismo
Los expertos de Gartner ven con claridad que este momento es un desplazamiento del foco de interés en toda regla, capaz incluso de marcar el inicio de una etapa distinta, más madura y pragmática, quizás menos romántica, para el sector.
Hablando en plata: si la primera ola consistió en descubrir qué podía hacerse con la IA generativa; la segunda consiste en lograr que su uso sea sostenible desde el punto de vista financiero, operativo y regulatorio. En ese sentido, ahora a la inteligencia artificial se le empiezan a exigir los mismos criterios de rentabilidad, eficiencia y control que cualquier otra infraestructura crítica, por lo que los presupuestos destinados a IA están bajo un escrutinio mucho mayor por parte de las empresas, que empiezan a exigir eficiencia de uso, control de costes y resultados medibles.
Son tres conceptos aparentemente obvios, pero que no son tan frecuentes como pudiera parecer en el mundo real. De hecho, es significativo que Gartner identifique precisamente esos cuatro parámetros -coste, latencia, rendimiento y fiabilidad- como los nuevos criterios de decisión empresarial. En otras palabras, no se trata ya de una cuestión de potencia, ni de creatividad, ni de espectacularidad, ni de capacidades conversacionales. Ahora hablamos de variables propias de la economía de infraestructuras y eso altera por completo la asignación de capital dentro del ecosistema.
Pero conforme se adoptan más modelos pequeños para áreas específicas, más eficientes económicamente, también se incorpora una variable de complejidad hasta ahora inexplorada en estas lides. Hablamos de seleccionar entre decenas de modelos distintos, decidir cuál utilizar en cada proceso, combinar modelos abiertos y propietarios, integrar información corporativa, medir resultados, comparar rendimiento, controlar versiones, gestionar permisos, auditar respuestas, monitorizar costes, aplicar políticas internas y garantizar el cumplimiento regulatorio.
Toda esa complejidad está dando lugar a una nueva capa de orquestación, observabilidad y gobernanza algorítmica que empieza a convertirse en uno de los segmentos con mayor capacidad de capturar valor. Por mucho que los grandes modelos sigan siendo los protagonistas estelares de esta era.
