La IA está cerca de quebrar. Este es el motivo.
Matheus Cardoso
Tengo 23 años, llevo cinco en tecnología, soy graduado en Ciencias de la Computación e hice mi tesis justamente sobre IA generativa. ¿Seré solo yo, o esta burbuja está cada vez más inflada? Estas empresas siguen quemando camiones de dinero todos los meses — y, de repente, el tono de los ejecutivos cambió.
El tono cambió
Ahora empujan IPOs con valuaciones mayores que cualquier cosa vista antes, y al mismo tiempo gente como Sam Altman pide ayuda al gobierno para sostener financieramente sus propias empresas. Eso es comportamiento clásico de burbuja en su punto máximo — exactamente el tipo de cosa que se ve poco antes de que estalle. Todos corriendo detrás del próximo inversor dispuesto a quedarse con el muerto antes de que pare la música.
¿Pero por qué ahora? Hubo una serie de cambios recientes que exponen la fragilidad estructural de esta burbuja. Vale la pena dar un paso atrás.
No tenemos AGI
Sé que esto molesta a quien está convencido de que la AGI está a la vuelta de la esquina. Pero no tenemos AGI. Aparecieron loops de agentes bien elaborados e integraciones de herramientas buenas, sí. En el fondo, sin embargo, el estado actual de la IA sigue siendo un loro probabilístico prediciendo la palabra más probable a partir de datos de entrenamiento pasados. Un modelo así no es capaz de razonamiento ni lógica de verdad.
Y por esa naturaleza derivativa, la IA no es capaz de innovaciones originales que aumenten la productividad económica de forma fundamental. No va a inventar el motor de curvatura pronto. Lo que la tecnología actual puede hacer, de forma plausible, es sustituir trabajo cognitivo humano repetitivo.
La cuenta de la deuda
Mi convicción es que el boom de la IA es una apuesta gigantesca y altamente apalancada a que la IA logrará sustituir ese trabajo humano de forma rentable. ¿Por qué la sustitución de mano de obra es el uso más lógico? Por los números.
Entre tres y cuatro billones de dólares ya se invirtieron en la industria estadounidense de IA. Parte viene de capital de inversores, pero la mayor parte está en forma de deuda corporativa. Y la deuda hay que pagarla.
A una tasa normal para bonos corporativos, entre 3% y 4%, dos o tres billones en deuda generan cerca de cien mil millones de dólares en intereses por año. La industria necesita generar al menos eso en ganancias solo para empatar.
Ahora supongamos un margen del 10% — que no tienen, pero supongamos. Para generar esa ganancia, la industria tendría que sustituir una porción de la economía estadounidense equivalente a más o menos un billón de dólares por año. Y la única porción lo bastante grande es el mercado laboral de cuello blanco, valuado en diez billones.
Un billón en empleos de cuello blanco es lo mismo que decir diez millones de trabajadores estadounidenses por año. Ese plan es lo que explica por qué Sam Altman y Dario Amodei llevan años profetizando un apocalipsis del empleo.
Los modelos abiertos chinos
Solo que el plan no está saliendo como se esperaba. Los modelos de frontera estadounidenses, como ChatGPT y Claude, son cerrados: las empresas controlan los algoritmos, los datos y la infraestructura, y venden el acceso por suscripción. El problema es que entrenar y operar esos modelos es absurdamente caro. Toda la operación es deficitaria — pierden dinero en cada llamada de API.
Eso solo no sería novedad. Las empresas de tecnología llevan mucho tiempo subsidiando un servicio por debajo del costo, ganando participación, volviéndose monopolio y solo entonces subiendo precios. El problema es que esta vez los competidores no murieron.
Con una fracción de los recursos de cómputo de Estados Unidos, empresas chinas crearon modelos de código abierto competitivos — por la mayoría de las métricas un poco atrás, empatados o incluso un poco adelante de los mejores modelos estadounidenses. Al ser abiertos, pueden descargarse gratis y ejecutarse en la infraestructura del propio cliente, por una fracción mínima del costo.
Vengo usando Kimi3, de Moonshot, hace algunos días, y el desempeño es comparable al de la versión más limitada de Claude Fable 5 para mis casos de uso. Y no soy el único en notarlo: según OpenRouter, los modelos chinos de código abierto ya representan más del 60% de todos los tokens usados por empresas estadounidenses.
O sea: la idea de crear un monopolio, subir los precios y facturar alto ya no está sobre la mesa.
Y los modelos locales
Se puede tomar un modelo de frontera abierto y, con cuantización y destilación, comprimir ese modelo enorme en uno local mucho más pequeño. En vez de un centro de datos gigantesco, corre en tu computadora de casa, en un servidor doméstico o incluso en un portátil decente.
Hay dos ventajas. Corriendo localmente, no pagas ninguna suscripción a las grandes tecnológicas. Y funcionan totalmente offline, lo que garantiza privacidad sobre los propios datos.
En los últimos meses estos modelos se volvieron sorprendentemente capaces. Un buen modelo local, como Qwen 3.5, es más o menos equivalente a Claude Sonnet 4 en la mayoría de las tareas. A medida que las tareas básicas se resuelven así, la disposición a pagar por IA premium cae drásticamente.
La productividad no llegó
Y aquí está el motivo más importante: las ganancias de productividad están llegando mucho más lento de lo esperado. No estamos viendo ni de cerca diez millones de trabajadores de cuello blanco despedidos por IA este año.
Ya escribí sobre mi propia experiencia con IA agéntica como ingeniero de software y sobre el trabajo que cuesta obtener un resultado de calidad: gestionar contexto, sortear lagunas en los datos de entrenamiento, crear flujos consistentes, evitar alucinaciones. Esos desafíos son reales. Usar IA de forma productiva exige mucho trabajo y mucha inteligencia humana.
Y esto no pasa solo en ingeniería. La atención al cliente fue durante mucho tiempo considerada un blanco fácil para la automatización. Un estudio reciente que leí entrevistó a miles de empresas y encontró que más del 70% de los agentes de atención que llegaron a producción tuvieron que ser desactivados o revertidos por errores y fallas de comunicación. El mismo estudio mostró empresas que se precipitaron, despidieron a los agentes humanos y tuvieron que recontratarlos a las apuradas.
El resumen es que estamos lejos de sustituir diez millones de trabajadores por año. Las estimaciones más optimistas apuntan a menos de cien mil — lo que explica por qué tanto Altman como Amodei vienen retrocediendo de las profecías de apocalipsis del empleo.
Lo que yo haría
La industria estadounidense de IA pidió prestado y gastó sumas enormes partiendo de la premisa de que la IA va a sustituir trabajo cognitivo a escala y generar ganancias inmensas. No me malinterpreten: creo que la IA va a tener un efecto transformador en la economía a largo plazo, del mismo modo que lo tuvieron los ferrocarriles o internet. Pero, como esas tecnologías del pasado, todavía no es lo bastante productiva ni confiable para hacerlo hoy. Y estas empresas necesitan generar esas ganancias ahora, para pagar su montaña de deuda. La cuenta no cierra.
Por eso creo que la burbuja de la IA, igual que las de los ferrocarriles e internet, va a estallar — y probablemente pronto. Va mi único consejo: estas empresas van a estar desesperadas por levantar dinero y mantener el show andando, y espero que digan o hagan prácticamente cualquier cosa para lograrlo. Una de esas formas serán IPOs enormemente sobrevaluados, esperando que los inversores minoristas entren de cabeza y compren el sueño. No seas ese inversor. Cuando pare la música, los que estaban arriba ya habrán vendido todo — y alguien se va a quedar con el muerto. No dejes que seas vos.
Eso es lo que tenía para decir. Si querés seguir la conversación, me encontrás en X.