The Daily Commit · Edición de sección Portada PHP AI Dev EN DE FR ES

TheModelDesk

9 de julio de 2026
modelos, agentes e inferencia local

Noticias

¿Puede la IA responder a la pregunta de los 3 billones de dólares?

TechCrunch retoma el debate sobre el retorno de la inversión en IA mientras el gasto en infraestructura sigue creciendo. Una estimación actualizada de un socio de Sequoia sitúa el desembolso en IA para 2026 en 1,5 billones de dólares y los ingresos necesarios para justificarlo en 3 billones. La caída de los precios por token y los modelos open weight más baratos pueden dificultar cerrar esa brecha.

David Cahn, socio de Sequoia, ha actualizado sus proyecciones financieras sobre las masivas inversiones en infraestructura de IA. Mientras que en 2023 estimó que se necesitaban 200.000 millones de dólares en ingresos para justificar el gasto inicial, sus previsiones para 2026 sitúan el desembolso en infraestructura en 1,5 billones de dólares. Para compensar este coste, la industria de la IA tendría que generar 3 billones de dólares en ingresos.

Cahn sugiere que esta cifra podría ser una subestimación, ya que el aumento de los costes de construcción y memoria, junto con el uso de chips específicos para inferencia, ha elevado los ingresos necesarios por gigavatio de gasto de capital. Los datos actuales muestran una brecha considerable: se estima que Anthropic alcanzó unos ingresos recurrentes anuales (ARR) de 60.000 millones de dólares, mientras que OpenAI ganó 13.000 millones en 2025 y afirmó tener un ARR de 20.000 millones a finales de ese año.

Torsten Slok, economista jefe de Apollo, señala que los hyperscalers como Amazon, Google, Meta y Microsoft prevén una aceleración masiva de su flujo de caja libre para 2028. Sin embargo, Slok advierte que este retorno está en riesgo debido a la tendencia de utilizar modelos open weight más baratos, a menudo chinos, y a la caída general de los precios por token. Incluso las mejoras en eficiencia, como el nuevo modelo de OpenAI que es un 54 % más eficiente en tokens para tareas de programación, podrían reducir el gasto total de los usuarios y dificultar la rentabilidad de los laboratorios.

Leer la fuente original (en inglés) ↗

Valora este artículo: 0

Tribuna de lectores

Aún no hay aportaciones — abre el debate.

← The Model Desk — Page C1

Models, agents & local inference · The Daily Commit · Edición de pantalla · Información legal · Política de privacidad