La historia de la tecnología acostumbra a castigar con severidad a quienes confunden las dimensiones del monumento con la devoción de los fieles, a quienes entremezclan las suposiciones con las realidades, a quienes hipotecan su presente a cambio de boletos de lotería. Y lo que estamos viendo con las milmillonarias inversiones en centros de datos que alimenten la inteligencia artificial no dista mucho de este escenario.

En los últimos tres años, los grandes pontífices de la computación -de Redwood Shores a los despachos de OpenAI, Anthropic y Microsoft- se han embarcado en una carrera febril por levantar las infraestructuras más desmesuradas de la era digital. Tan sólo los cinco principales gigantes tecnológicos estadounidenses planean comprometer colectivamente más de 660.000 millones de dólares en estas instalaciones con el propósito de multiplicar clústeres de cientos de miles de procesadores y proyectos faraónicos como Stargate, tasado en medio billón de dólares.

Todo ello bajo una premisa que roza el dogma: que cualquier compañía del planeta, desde un banco en Fráncfort hasta una fábrica en Vizcaya, procesará cada uno de sus datos a través de sus nubes públicas y abonará gustosa un peaje perpetuo por cada token consumido. Un peaje que, dicho sea de paso, no deja de incrementarse de forma (cuanto menos) poco transparente.

Pero hay una cuestión de fondo que estas firmas tecnológicas están obviando, quién sabe si por sesgo cognitivo o por puros intereses. Los actuales LLM son modelos fundacionales con billones de parámetros capaces de filosofar sobre los clásicos o escribir millones de líneas de código de forma endiablada. Pero la mayoría de las tareas, tanto de usuarios finales como de empresas, distan mucho de ser tan complejas: normalmente hablamos de clasificar documentos, resumir reuniones, consultar bases de conocimiento internas y activar flujos automatizados con latencias predecibles y costes acotados.

Para esa inmensa mayoría de tareas cotidianas, recurrir a los grandes modelos de frontera equivale a encender un reactor nuclear para tostar una rebanada de pan. O matar moscas a cañonazos, si lo prefieren en lenguaje más vulgar.

No lo digo yo: la firma de análisis Gartner proyecta que, para 2027, las organizaciones utilizarán modelos pequeños y específicos al menos tres veces más que los grandes modelos de lenguaje generalistas. Lejos de ser herramientas secundarias, estos sistemas compactos de entre 3 y 14.000 millones de parámetros -entrenados con destilación de conocimiento a partir de sus hermanos mayores y optimizados mediante técnicas de cuantización- ofrecen una precisión sobresaliente en tareas estructuradas.

Su verdadero vector de disrupción no es técnico, sino puramente económico y de soberanía corporativa: son arquitecturas que caben en hardware estándar, que pueden ejecutarse en servidores propios y cuyos pesos pertenecen, sin intermediarios, a quien los despliega. Y eso supone contar con costes acotados y predecibles, a hombros de inversiones amortizables en cuestión de meses.

Otro informe de Lenovo constata que, bajo cargas de trabajo sostenidas, la infraestructura propia alcanza el equilibrio frente a la nube en apenas cuatro o seis meses, rebajando el coste por token hasta 17 veces. Casos documentados en el sector público europeo, como el de la entidad Onetera en Alemania, acreditan ahorros del 97% al sustituir las tarifas de nube comercial por servidores propios equipados con tarjetas gráficas dedicadas, pasando de casi cinco dólares por millón de tokens a escasos 14 centavos.

A estas alturas podrían pensar que eso son buenas noticias para todos: un menor coste de la IA y más alternativas de despliegue supondrían una adopción más rápida y el crecimiento más acelerado del mercado. De hecho, los defensores de la inversión masiva en centros de datos suelen invocar al respecto la paradoja de Jevons: cuando la tecnología abarata el uso de un recurso, el consumo total no cae, sino que se dispara y termina superando el ahorro inicial.

El argumento tiene su mérito, pero confunde premeditadamente el vector de expansión con su destino. Que el volumen total de inferencia crezca no significa que ese volumen vaya a producirse en los centros de datos que hoy se están construyendo. Las NPU integradas en procesadores móviles de Apple, Intel y Qualcomm ya ofrecen hasta 80 TOPS y ejecutan modelos de entre 3.000 y 14.000 millones de parámetros de forma nativa, sin conexión a internet.

Así que, del mismo modo que la masificación del microprocesador no llevó a que todas las empresas dependieran de mainframes conectados por líneas telefónicas, sino que impulsó el ordenador personal, la eficiencia de la IA apunta hacia una era de computación distribuida en el borde.

Firmas de inversión como Sequoia Capital han cifrado en 600.000 millones de dólares anuales los ingresos necesarios para justificar el ritmo actual de construcción de centros de datos de los hiperescalares y las grandes enseñas de la IA pública, mientras que entidades como J.P. Morgan alertan abiertamente sobre el riesgo de sobreconstrucción. Goldman Sachs eleva la apuesta y calcula que hasta 2030 harán falta 5,3 billones de dólares en infraestructura, lo que exigiría 2,7 billones en ingresos incrementales nuevos que hoy, sencillamente, no existen, y que mañana podrían ir destinados a otros lares.

Porque las actuales cifras de inversión se sostienen únicamente mientras se crea que toda la demanda de computación futura fluirá hacia esas mismas instalaciones, sin 'plan B'.

Pero la realidad anticipa un panorama muy distinto: según datos de Vercel AI Gateway, los modelos de pesos abiertos representaban el 28,4% del volumen de tokens el 24 de junio de 2026. Dos meses después, el 22 de agosto, esa cuota había escalado hasta el 62%, un récord. Anthropic, en el mismo periodo, capturaba el 32% del volumen de tokens pero se llevaba el 61% del gasto, mientras los modelos abiertos generaban un 29% del volumen con menos del 4% del gasto total. En otras palabras: los modelos abiertos están ganando volumen mucho antes de ganar ingresos, y ese volumen es precisamente el que sostiene -o no- la utilización real de los centros de datos que se están construyendo.

Además, semejantes cálculos pasan por alto que la eficiencia algorítmica avanza a una velocidad vertiginosa que comprime la necesidad de capacidad bruta. El desarrollo de técnicas de enrutamiento inteligente permite que más del 70% de las peticiones rutinarias se resuelvan en modelos locales o de bajo consumo, reservando la consulta a la nube de frontera solo para problemas de complejidad extraordinaria. Pretender que cada interacción automatizada deba costear el alquiler de un clúster de alta gama es una entelequia que ignora la evolución de la economía digital a lo largo de la historia.

Con todo ello no es de extrañar que se incrementen las dudas sobre si estos megacentros de datos algún día podrán llenarse de cargas de IA. Máxime teniendo en cuenta los niveles de deuda y apalancamiento que están atesorando los grandes jugadores del sector y que ya les están empezando a pasar factura en sus cuentas.

Entre Alphabet, Amazon, Meta, Microsoft, Oracle, Nvidia, Broadcom, SpaceX y AMD suman 3,1 billones de dólares en compromisos que ni siquiera figuran en sus balances -1,2 billones en arrendamientos todavía sin ejecutar y 1,9 billones en compromisos de compra-, según reveló el Wall Street Journal el pasado mes. Alphabet registró en el segundo trimestre de 2026 su primer flujo de caja libre negativo desde 2004. Amazon pasó de generar 25.900 millones de dólares de caja libre a un agujero de 7.600 millones en el mismo periodo. A su vez, Meta vio cómo su caja libre se desplomaba desde 43.600 millones hacia cifras de un solo dígito.

El caso de Oracle, quizás la firma que más se ha arriesgado en esta particular carrera, sirve de ejemplo de libro: acumula cinco trimestres seguidos de flujo de caja libre negativo. En su último ejercicio fiscal ese saldo fue de -23.700 millones de dólares, y el nueve de julio S&P le rebajó la calificación crediticia hasta BBB-, tan sólo un escalón por encima del bono basura. La compañía que Larry Ellison convirtió en el proveedor de cómputo favorito de OpenAI tiene, según la misma firma de valoración, la mitad de sus ingresos futuros atados a un solo cliente que pierde más de 39.000 millones de dólares al año y cuyas perspectivas de crecimiento dependen de un futuro en el que no haya rivalidad a los modelos públicos.

Por si fuera poco, la financiación de esta infraestructura ha generado instrumentos de crédito cada vez más sofisticados y cada vez más parecidos a los que precedieron a la última gran crisis financiera. Empresas de "neocloud" como CoreWeave han conseguido líneas de crédito de entre 14.200 y 21.600 millones de dólares pignorando chips Nvidia H100 y B200 como garantía ante fondos como Blackstone, Magnetar o PIMCO. Y eso sin contar el desfase obvio en el calendario de estas operaciones tan peculiares: la obra civil de un centro de datos -muros, refrigeración líquida para los racks, subestaciones eléctricas- se amortiza en 20 o 30 años. Empero, la GPU que lo llena y que avala el crédito, en cambio, queda obsoleta comercialmente en apenas cinco.

Y no me he adentrado en la estructura circular de muchas de estas financiaciones, donde el dinero se mueve de una empresa a otra sin que entre efectivo real en juego. Para ello lean las columnas que aquí mismo publiqué bajo el concepto de 'castillo de naipes financiero', desglosando los principales números, asombrándome ante la débil y monopolizada cadena de suministro de este sector o criticando el volátil y arriesgado comportamiento bursátil que se está gestando en torno a la IA.

En cualquier caso, la cosa no se queda aquí puesto que, a todo lo anterior, hemos de sumar un cambio de paradigma todavía más profundo en cómo escala la inteligencia de un modelo. Durante años el consenso -las leyes de Kaplan y Chinchilla- asumía que la única vía hacia mejores resultados era entrenar modelos cada vez más grandes con más datos. El éxito de o1 de OpenAI y de R1 de DeepSeek demostró algo distinto: resulta más barato y más eficiente dotar a un modelo pequeño de ciclos de razonamiento adicionales en el momento exacto de la consulta -el llamado escalado en tiempo de inferencia- que lanzar la pregunta contra un modelo gigante de fuerza bruta. Esto es, que la premisa de partida para levantar los megacentros de datos ni siquiera se sostiene desde el punto de vista técnico.

Si hacen un poco de memoria recordarán un episodio muy similar al que nos ocupa, allá por finales de los 90. El auge de la fibra óptica llevó a un despliegue masivo y global en el que se invirtieron nada menos que dos billones de dólares, teniendo alrededor de 145 millones de kilómetros de cable sólo en Estados Unidos. El supuesto era el mismo que sacude hoy a la inteligencia artificial: el tráfico de internet no paraba de crecer y necesitábamos infraestructuras ingentes para dar respuesta a tamaña demanda.

Pero la multiplexación de señales permitió transmitir mucho más dato por el mismo cable, y el 95% de esa fibra quedó "oscura", sin usar jamás, arrastrando a la quiebra a empresas que habían apalancado su crecimiento con deuda gigantesca. La reflexión que nadie parece querer abordar con seriedad es si el escalado en inferencia y su posterior adopción en modelos abiertos y locales no están a punto de hacerle a los centros de datos de IA exactamente lo que la multiplexación le hizo a la fibra óptica.

Obviar este debate sí que es ser fiel a la suposición de que el boleto de lotería saldrá premiado.