Hardware de IA: ¿Se está desacelerando? No tan deprisa.

Hace unas semanas, una aplicación de consumo dio un nuevo impulso a los valores de semiconductores.
Muse, el nuevo agente de IA personal de Meta, escaló rápidamente posiciones en las clasificaciones de aplicaciones de Estados Unidos, y los valores de semiconductores repuntaron a medida que los inversores empezaron a anticipar lo que una adopción exitosa de la IA agéntica por parte de los consumidores podría implicar para la demanda de capacidad de cálculo.

El momento resultó especialmente interesante porque, apenas unos días antes, había surgido una narrativa aparentemente contradictoria. Destacados investigadores en IA habían empezado a debatir abiertamente si el sector debía ralentizar el ritmo de desarrollo de modelos de frontera cada vez más potentes.

Este contraste ilustra perfectamente el ruido al que se enfrentan actualmente los inversores. En lugar de reaccionar a cada titular, creemos que resulta más útil volver a la tesis subyacente sobre el hardware: ¿qué podría realmente quebrarla y qué podría seguir infravalorando el mercado?

Tras una evolución espectacular del hardware, dos riesgos dominan hoy este debate.

Los recientes llamamientos de destacados investigadores en IA a ralentizar el desarrollo de modelos cada vez más potentes se interpretaron inicialmente como una mala noticia para los semiconductores. La lógica parece sencilla: si se prolonga el intervalo entre generaciones de modelos de frontera, deberían ser necesarios menos procesos de entrenamiento a gran escala y, por tanto, menos capacidad de cálculo.

Pero esta es solo una cara de la ecuación. Un mayor énfasis en la seguridad de la IA podría ser, por sí mismo, extraordinariamente intensivo en capacidad de cálculo, ya que los modelos deben someterse a pruebas, supervisión y evaluación, e incluso podrían ser controlados por otros sistemas de IA. La idea de una IA vigilando a otra IA puede sonar ligeramente distópica, pero también requiere una gran cantidad de tokens y, por tanto, mucha capacidad de cálculo. Al mismo tiempo, unos requisitos de seguridad más estrictos podrían favorecer a los mayores laboratorios de modelos de frontera, más capaces de absorber los costes fijos de las pruebas, las auditorías y el cumplimiento normativo, elevando potencialmente las barreras de entrada.

Lo más importante es que un avance más lento en la frontera absoluta podría cambiar dónde se utiliza la capacidad de cálculo, en lugar de reducir de forma sustancial la cantidad necesaria. Los recursos podrían desplazarse desde el entrenamiento continuo de la siguiente generación de modelos hacia las pruebas, el despliegue y la ejecución de los modelos ya existentes, impulsando una mayor inferencia, más agentes y, potencialmente, una adopción mucho más amplia.

Esta es probablemente la cuestión más importante. La magnitud del ciclo de inversión se ha vuelto extraordinaria: se prevé que el capex de los hiperescaladores y de la nube supere el récord de aproximadamente 1,2 billones de dólares en 2027, frente a menos de 200.000 millones en 2023². Al mismo tiempo, el debate financiero se está volviendo más exigente: los perfiles de flujo de caja libre están bajo presión, los costes de financiación han aumentado y los inversores exigen cada vez más pruebas de que los cientos de miles de millones de dólares invertidos puedan generar finalmente rentabilidades adecuadas.

El ritmo actual de crecimiento del capex no puede mantenerse indefinidamente. Sin embargo, existe una diferencia importante entre una ralentización del crecimiento del capex y una caída efectiva del capex. Incluso una desaceleración significativa mantendría el gasto absoluto en niveles históricamente elevados y seguiría representando una demanda incremental sustancial para las compañías proveedoras de infraestructura. Es importante señalar que todavía nos encontramos, en gran medida, en la fase de inversión del ciclo de la IA: la infraestructura se está construyendo antes de que se materialice plenamente el rendimiento económico de la IA. Este desfase temporal hace que el capex actual parezca especialmente elevado en relación con los ingresos, pero también puede ser precisamente lo necesario para posibilitar la siguiente fase de adopción.

La dinámica competitiva también dificulta una contracción brusca. La nube, las búsquedas, la publicidad, el software de productividad y los ecosistemas de consumo están siendo redefinidos por la IA. Invertir por debajo de lo necesario puede proteger hoy el flujo de caja libre, pero también entraña el riesgo de que una plataforma quede rezagada tecnológicamente mañana. Esto genera una dinámica cercana al «IA o desaparecer»: los hiperescaladores serán más selectivos a la hora de asignar el gasto, pero el umbral para recortar de forma significativa la inversión sigue siendo elevado.

Actualmente, el principal freno del ciclo podría ser cada vez más las limitaciones físicas, y no la voluntad de invertir.

Los riesgos son reales, pero solo representan la mitad de la historia. Al mismo tiempo, varios avances sugieren que la oportunidad ligada a la capacidad de cálculo se está ampliando mucho más allá del despliegue inicial de la IA.

La primera fase de la IA generativa era relativamente sencilla desde la perspectiva del hardware: entrenar modelos cada vez más potentes en enormes clústeres de GPU y utilizar después esos modelos para responder a instrucciones. La IA agéntica cambia esta ecuación, y Muse ofrece un buen ejemplo.

En lugar de limitarse a generar una respuesta, un agente puede manejar navegadores, interactuar con aplicaciones y ejecutar una secuencia de tareas en nombre de un usuario, incluso trabajando en segundo plano durante minutos u horas. Las GPU y los aceleradores de IA siguen realizando la carga principal de inferencia, pero las CPU coordinan los sistemas operativos, los navegadores y, potencialmente, cientos de acciones menores a su alrededor. La memoria, las redes, el almacenamiento, la energía y la refrigeración se benefician a medida que estas cargas de trabajo se vuelven más complejas.

En otras palabras, los agentes amplían la lista de componentes de hardware necesarios para la IA. Muse es solo un ejemplo inicial, pero ofrece al mercado algo que llevaba tiempo esperando: un caso de uso tangible entre consumidores que exige más inferencia, durante más tiempo y en una gama más amplia de hardware.

Actualmente están apareciendo restricciones de oferta en sustratos, materiales especiales, conectividad óptica, gestión energética, refrigeración y múltiples segmentos de la cadena de equipos para semiconductores.

Los últimos resultados de Nvidia ofrecieron un ejemplo revelador. La compañía prevé que sus ingresos crezcan alrededor de un 70% en el próximo ejercicio fiscal, muy por encima de las expectativas anteriores del mercado³. Sin embargo, las previsiones de ingresos pueden aumentar con unos pocos cambios en una hoja de cálculo; la cadena de suministro física no puede adaptarse con la misma rapidez. Las fábricas tardan en construirse, los componentes especializados siguen siendo difíciles de producir y los ciclos de homologación pueden durar meses o años.

Cuando se resuelve una limitación, suele surgir otra: más GPU requieren más memoria; más memoria exige capacidad adicional de encapsulado; los clústeres de mayor tamaño necesitan redes más rápidas; y una mayor densidad genera nuevas necesidades de refrigeración y energía. El cuello de botella sigue desplazándose a lo largo de la cadena de valor. Una compañía no necesita fabricar el chip de IA más atractivo para beneficiarse de una economía favorable.

Hay una última distinción que sigue estando infravalorada. El mercado continúa preguntándose si los hiperescaladores acabarán generando suficientes ingresos ligados a la IA para justificar los cientos de miles de millones de dólares que están invirtiendo. El gasto se produce hoy, mientras que gran parte de la monetización llegará más adelante.

Para muchas compañías de hardware, la ecuación es más sencilla: sus clientes están gastando hoy. Los pedidos se traducen en ingresos; los ingresos, en beneficios; y, en las compañías que favorecemos, los beneficios se convierten en flujo de caja libre. Junto con los cuellos de botella y los largos plazos de entrega, esto puede conferir a determinadas compañías de hardware una mayor visibilidad de beneficios que a las compañías que financian el despliegue de la IA.

La valoración es igualmente importante. Pese al fuerte repunte de los semiconductores, seguimos encontrando oportunidades en las que el crecimiento esperado del flujo de caja libre resulta atractivo en relación con la valoración pagada. Esto contrasta con algunos segmentos del universo de hiperescaladores, donde la intensidad de capital aumenta justo cuando los inversores se vuelven más exigentes respecto al calendario y la rentabilidad de los futuros ingresos asociados a la IA.

Nada de esto implica comprar hardware de forma indiscriminada. Las expectativas son elevadas, la disrupción tecnológica sigue siendo un riesgo constante y, con el tiempo, la capacidad acabará alcanzando a la demanda. Por tanto, la selección de valores y la disciplina de valoración son más importantes, no menos.

Sin embargo, la conclusión general no cambia. Los dos principales riesgos a los que se enfrenta hoy el hardware de IA son reales: el ritmo de desarrollo de los modelos de frontera podría ralentizarse y el crecimiento del capex de los hiperescaladores acabará moderándose. No obstante, ninguno de los dos implica necesariamente un desplome de la demanda de capacidad de cálculo, mientras que la siguiente fase de la IA podría ampliar esa demanda a más cargas de trabajo, más componentes y más segmentos de la cadena de suministro.
En el caso del hardware, no creemos que hayamos llegado todavía a ese punto.