La economía oculta de la inteligencia artificial

Hay una pregunta económica que la industria de la inteligencia artificial (IA) rara vez responde con precisión, y es ¿quién captura el valor que la IA genera? No como ejercicio abstracto ni como debate sobre el futuro de la humanidad, sino en términos concretos. Cuestiones como márgenes, contratos, control de insumos críticos y poder de mercado; por ejemplo. La pregunta aparece con frecuencia en debates públicos, sin embargo las respuestas suelen ser vagas o fragmentarias.

La razón es comprensible, ya que mientras la conversación pública gira alrededor de escenarios futuristas sobre máquinas conscientes o catástrofes tecnológicas, el funcionamiento económico de la industria permanece en segundo plano. Entre tanto, el problema central no es filosófico, sino industrial. La IA es una cadena de producción compleja que transforma recursos físicos en servicios digitales, y estos a su vez, se venden en el mercado.

Si se observa esa secuencia de valor en términos simples, comienza con electricidad y minerales y termina con respuestas generadas por modelos. Entre ambos extremos existen varios eslabones como la generación de energía, fabricación de chips, producción de equipamiento para semiconductores, construcción de centros de datos, desarrollo de modelos y finalmente distribución del servicio al usuario. En cada etapa se captura una parte del valor económico. Y la cuestión relevante es qué actores tienen mayor capacidad para apropiarse de ese producto.

Algunos de esos actores son relativamente visibles. Nvidia, por ejemplo, reporta márgenes brutos que superan el 70% en sus unidades dedicadas a aceleradores de IA. Este tipo de márgenes es inusual en industrias manufactureras tradicionales, sin embargo, esto no necesariamente implica prácticas anticompetitivas. En realidad refleja una combinación de factores como una demanda explosiva, una oferta limitada de chips avanzados y años de inversión en arquitectura de procesamiento paralelo que hoy se convirtieron en un estándar de facto para el entrenamiento de modelos.

Un fenómeno similar puede observarse en la fabricación de equipamiento para semiconductores avanzados. La empresa holandesa ASML domina la producción de sistemas de litografía ultravioleta extrema, una tecnología esencial para fabricar chips de última generación. Ese dominio no surge de una simple posición comercial, sino de décadas de acumulación tecnológica y de una red altamente especializada de proveedores industriales. El resultado práctico es que la capacidad de producir semiconductores avanzados depende de una infraestructura tecnológica concentrada.

En el eslabón energético aparece otra dinámica relevante, así, los centros de datos que entrenan y ejecutan modelos de IA consumen cantidades masivas de electricidad. Por esta razón, los operadores de infraestructura negocian contratos de suministro a largo plazo con empresas eléctricas y gobiernos locales. En muchos casos, las jurisdicciones compiten entre sí ofreciendo condiciones energéticas favorables para atraer inversiones en infraestructura digital. Este tipo de acuerdos plantea una cuestión económica concreta, como qué proporción del valor generado por estas instalaciones permanece en la economía local y qué parte se transfiere hacia los propietarios globales de la infraestructura tecnológica.

En el nivel del software la situación es diferente. Allí la competencia es más intensa y la estructura del mercado todavía evoluciona. Modelos de lenguaje de gran escala compiten en velocidad, precisión, integración con plataformas y acceso a datos. Al mismo tiempo surgieron técnicas como la destilación de modelos, que permiten entrenar sistemas más pequeños utilizando los resultados generados por modelos más grandes. Este tipo de métodos reduce costos de desarrollo y acelera la difusión de capacidades técnicas. Sin embargo, también refuerza el papel de los modelos originales que sirven como punto de partida para esos procesos.

Esta dinámica introduce una cuestión interesante sobre la posible evolución del mercado. Si las capacidades de los modelos se difunden rápidamente y se vuelven relativamente intercambiables, parte del valor económico se desplazará hacia quienes controlan el cómputo o hacia quienes poseen datos propietarios de alta calidad. El resultado final todavía no está claro porque el mercado se encuentra en una fase temprana de expansión.

Otro aspecto importante es la relación entre inversión tecnológica y productividad económica. Las inversiones globales en infraestructura de IA ya alcanzan niveles muy elevados. Sin embargo, las estadísticas agregadas de productividad todavía no muestran un salto proporcional. En la historia económica existen precedentes donde grandes innovaciones tardaron años o décadas en reflejarse plenamente en indicadores macroeconómicos. La difusión de la electricidad o de la informática ofrece ejemplos claros de este tipo de retrasos.

La consecuencia es que el valor económico generado por la IA puede estar materializándose de forma desigual en distintos sectores de la economía. Parte de ese beneficio aparece en ganancias corporativas, otra parte en reducciones de costos para empresas que adoptan estas tecnologías y otra en nuevas formas de actividad económica que aún no están completamente capturadas por las estadísticas tradicionales.

Los gobiernos, por su parte, enfrentan el desafío de entender esta estructura industrial con mayor precisión. Muchos programas públicos de atracción de inversiones tecnológicas se diseñan utilizando analogías con industrias manufactureras tradicionales. Sin embargo, la infraestructura digital tiene características distintas, porque un centro de datos puede requerir grandes cantidades de energía y capital, generar empleo técnico especializado relativamente limitado y producir servicios que se distribuyen globalmente desde una única ubicación física.

La pregunta relevante no es si la IA transformará la economía, esa transformación ya está en marcha. La cuestión es cómo se distribuye el valor económico a lo largo de la cadena productiva y qué actores poseen las posiciones más estratégicas dentro de esa cadena. En industrias tecnológicas complejas, los patrones de concentración suelen consolidarse rápidamente una vez que ciertas infraestructuras se vuelven esenciales. Entender esa dinámica resulta más importante que cualquier especulación sobre futuros distópicos o utópicos asociados a la tecnología.

Las cosas como son

Mookie Tenembaum aborda temas de tecnología como este todas las semanas junto a Claudio Zuchovicki en su podcast La Inteligencia Artificial, Perspectivas Financieras, disponible en Spotify, Apple, YouTube y todas las plataformas.