La escasez de infraestructura de IA podría convertirse en un costoso excedente

Google News destacó el 11 de agosto una contundente previsión sobre una burbuja de IA, pese a que los proveedores de nube siguen reportando una capacidad informática limitada y una demanda creciente por parte de los clientes. El análisis de SiliconANGLE se centra en una reversión que los compradores de infraestructura rara vez debaten públicamente. La escasez actual de chips, energía y espacio en centros de datos puede impulsar suficiente construcción como para generar el excedente de mañana.

Este argumento no requiere que la adopción de IA se desplome. Requiere que la oferta llegue más rápido de lo que se desarrolla una demanda rentable. Alphabet, Amazon, Microsoft, Meta y Oracle están comprometiendo capital años antes de que gran parte de la capacidad resultante genere ingresos. Sus proveedores también deben ampliar la infraestructura de memoria, redes, refrigeración y electricidad en torno a esos compromisos.

La comparación histórica más cercana es el despliegue de fibra óptica durante el auge de las puntocom. Internet siguió creciendo después de que estallara aquella burbuja, pero los inversores aún perdieron dinero en redes construidas antes de que existiera una demanda dispuesta a pagar. El actual ciclo de IA cuenta con clientes más sólidos, ingresos reales de la nube y capacidad escasa. Sin embargo, su estructura financiera depende cada vez más de la misma previsión difícil: ¿cuánta infraestructura acabarán pagando por consumir los usuarios?

Lo que realmente cambia la previsión sobre la burbuja de IA de Google News

La advertencia desplaza la atención de si la IA funciona a si la industria está construyendo capacidad al precio y ritmo adecuados.

El titular de SiliconANGLE presenta la escasez y el excedente como fases consecutivas de un mismo ciclo de capital. La escasez eleva la utilización, respalda márgenes elevados y hace que casi toda capacidad adicional parezca valiosa. Los proveedores interpretan los pedidos sin cubrir como evidencia de que el mercado necesita más fábricas, aceleradores, centros de datos y conexiones eléctricas.

Esa respuesta conlleva un largo retraso. Una empresa de software puede lanzar una aplicación en cuestión de meses, pero un centro de datos a escala hiperescalable implica terrenos, permisos, acceso a la red eléctrica, construcción, equipos de refrigeración, servidores y redes. Los ingresos suelen comenzar mucho después del primer compromiso de capital. Por lo tanto, las decisiones tomadas durante el pico de escasez pueden generar oferta después de que haya cambiado el comportamiento de los clientes.

Microsoft ofrece una visión clara de la escasez actual. Durante su llamada de resultados del tercer trimestre fiscal de 2026, la empresa afirmó que añadió un gigavatio de capacidad durante el trimestre. También esperaba seguir limitada por la capacidad al menos hasta 2026. Microsoft proyectó aproximadamente 190.000 millones de dólares en gastos de capital durante el año natural, incluidos unos 25.000 millones relacionados con mayores costes de componentes.

Los mismos resultados de Microsoft revelaron una mejora del 40% en el rendimiento de inferencia para los modelos Copilot más utilizados. La inferencia es el proceso informático que genera la respuesta de un modelo de IA después del entrenamiento. Un mejor rendimiento significa que Microsoft puede gestionar más solicitudes con una base de infraestructura determinada.

Esta mejora de eficiencia favorece los márgenes, pero complica las previsiones de capacidad. Si cada acelerador procesa más trabajo, los clientes necesitan menos aceleradores para el mismo número de tareas. Los modelos más rápidos, los modelos más pequeños, los chips personalizados y un software mejor pueden reducir la capacidad de cómputo necesaria por cada resultado útil.

La caída de los costes unitarios también puede estimular un uso mucho mayor. Los economistas llaman a esto efecto rebote: la eficiencia abarata un recurso y anima a las personas a consumir más. La incertidumbre reside en qué fuerza prevalece. La demanda debe crecer más rápido de lo que mejora la eficiencia para que todas las instalaciones previstas mantengan una alta utilización.

Google News no produjo ni validó la tesis de SiliconANGLE. Distribuyó el análisis de un medio a través de un canal sobre chips de IA y centros de datos. Esta distinción importa porque la agregación puede hacer que una previsión provocadora parezca un hecho confirmado.

El hecho subyacente es un cambio en el debate sobre infraestructura. Hasta hace poco, los inversores preguntaban principalmente si los proveedores podían construir con la suficiente rapidez. La pregunta emergente es qué ocurre después de que llegue esa oferta.

La escasez sigue impulsando compromisos récord

El argumento más sólido contra un excedente inminente es sencillo: las principales plataformas de nube siguen reportando que la demanda supera la capacidad disponible.

Microsoft afirmó que la demanda de Azure siguió superando la oferta en su tercer trimestre fiscal. La empresa esperaba que los ingresos de Azure crecieran entre un 39% y un 40% a tipo de cambio constante en el trimestre siguiente. También indicó que la capacidad entrante debía repartirse entre las cargas de trabajo de los clientes, las aplicaciones internas, la investigación y los servidores de sustitución.

Amazon ha planteado un argumento igual de directo. El director ejecutivo Andy Jassy escribió que la empresa no estaba invirtiendo aproximadamente 200.000 millones de dólares en 2026 “por intuición”. Afirmó que AWS ya contaba con compromisos de clientes que cubrían una parte sustancial de la capacidad prevista para el año, aunque gran parte se monetizaría durante 2027 y 2028.

El calendario de Amazon explica por qué el flujo de caja actual por sí solo no puede resolver el debate. Su carta a los accionistas señala que el gasto en infraestructura puede preceder a la facturación a los clientes entre seis y 24 meses. Los centros de datos pueden operar durante décadas, mientras que los chips, servidores y equipos de red tienen una vida útil más corta.

Estos compromisos distinguen el ciclo de IA de un auge construido enteramente en torno a startups no probadas. Amazon, Alphabet, Microsoft y Meta generan grandes flujos de caja a partir de negocios consolidados. Sus plataformas de nube ya venden computación, almacenamiento, bases de datos, seguridad y redes a escala global.

Oracle también ha señalado la demanda contratada. En sus resultados fiscales de 2026, la empresa afirmó que gran parte del reciente crecimiento de sus obligaciones de desempeño pendientes provenía de grandes acuerdos de IA. Algunos clientes pagaron por adelantado procesadores gráficos o proporcionaron ellos mismos el hardware. Las obligaciones de desempeño pendientes representan ingresos contratados que aún no se han reconocido.

Estos acuerdos reducen el riesgo de demanda a corto plazo para una instalación concreta. No eliminan el riesgo de concentración en todo el sistema. Varios proveedores de nube pueden contabilizar contratos con los mismos desarrolladores de modelos o empresas de IA relacionadas como evidencia que respalda inversiones independientes.

Por tanto, la demanda puede parecer diversificada por centro de datos y, sin embargo, seguir concentrada por pagador final. Si un pequeño grupo de desarrolladores de IA representa una proporción desproporcionada del consumo incremental, su financiación y sus ingresos se convierten en variables de todo el sistema. Un contrato transfiere parte del riesgo, pero no puede crear una demanda rentable por parte de los usuarios finales.

Las señales de escasez también pueden reflejar cuellos de botella en lugar de una falta absoluta de capacidad informática útil. Una empresa podría carecer de electricidad en una región, de memoria avanzada en otra o de un acelerador específico necesario para un modelo. Construir para resolver cada cuello de botella local puede dejar capacidad menos deseable sin utilizar más adelante.

Por eso la oferta debe evaluarse como un sistema completo. Un acelerador sin suficiente memoria de alto ancho de banda no puede ofrecer el rendimiento esperado. Un edificio terminado sin acceso a la red eléctrica no puede albergar un clúster operativo. Un clúster en el mercado equivocado podría no cumplir los requisitos de latencia, cumplimiento normativo o residencia de datos.

La escasez es real, pero la “capacidad” no es intercambiable entre todas las ubicaciones y cargas de trabajo. Eso hace que la transición de la escasez al excedente sea desigual. La infraestructura premium puede seguir limitada, mientras que los activos más antiguos o mal ubicados pierden poder de fijación de precios.

La burbuja de IA depende de la utilización, no de la capacidad

La IA puede llegar a ser ampliamente útil mientras los inversores en infraestructura obtienen rendimientos decepcionantes.

El conflicto principal no enfrenta a creyentes de la IA contra escépticos de la IA. Es la escasez contratada frente a la utilización rentable. La primera mide si los clientes reservan infraestructura. La segunda pregunta si un uso sostenido genera ingresos suficientes para cubrir la construcción, la financiación, la energía y la sustitución de hardware.

Esta distinción explica por qué una burbuja de IA no puede juzgarse únicamente por la calidad de los modelos. Mejores herramientas de razonamiento, programación, generación de imágenes y voz pueden atraer usuarios sin respaldar cada capa del despliegue. Un servicio popular puede operar de forma eficiente, subvencionar el uso o dirigir la mayor parte de los ingresos hacia una única plataforma de nube.

La comparación con las puntocom ofrece una advertencia útil. Las redes de fibra crearon valor económico duradero y empresas posteriores se beneficiaron de la abundancia resultante. Eso no protegió a todos los operadores o inversores que financiaron la construcción durante el auge. La infraestructura útil puede estar mal sincronizada desde el punto de vista financiero.

Los centros de datos de IA añaden otra complicación. Sus estructuras físicas pueden durar muchos años, pero sus componentes informáticos más caros envejecen más rápido. Los nuevos aceleradores pueden ofrecer mejor rendimiento por vatio, mientras que la optimización de software puede aumentar la producción del hardware existente. Los clústeres más antiguos pueden perder valor económico antes de que el edificio que los alberga quede obsoleto.

Microsoft afirmó que aproximadamente dos tercios de su gasto de capital reciente correspondían a activos de vida corta, principalmente procesadores y chips gráficos. Estos componentes se correlacionan más directamente con los ingresos de la nube a corto plazo que los terrenos y edificios de larga vida útil. También exponen a la empresa a ciclos repetidos de sustitución.

Amazon sostiene que el silicio personalizado cambia esta ecuación. Jassy afirmó que Trainium, su acelerador de IA desarrollado internamente, debería reducir los requisitos de capital y mejorar la economía de AWS en comparación con depender por completo de chips externos. También señaló que las operaciones de chips de Amazon habían alcanzado un ritmo anual de ingresos superior a 20.000 millones de dólares al incluir Graviton, Trainium y Nitro.

Los chips personalizados pueden proteger los márgenes de un hiperescalador, pero pueden intensificar la presión sobre los proveedores. Si Amazon, Google y Microsoft trasladan más cargas de trabajo internas hacia sus propios aceleradores, la demanda puede alejarse del hardware de uso general. Los clientes también pueden ganar poder de negociación cuando compiten varias arquitecturas viables.

Nvidia sigue siendo fundamental porque su entorno de hardware y software admite una amplia gama de desarrollos de IA. Aun así, no es necesario que los productos de Nvidia se vuelvan técnicamente irrelevantes para que surja el riesgo de excedente. Solo es necesario que los clientes obtengan más capacidad de cómputo de cada sistema adquirido.

El mismo mecanismo se aplica a los modelos. Los modelos más pequeños pueden gestionar clasificación, extracción, búsqueda y automatización de flujos de trabajo sin utilizar el sistema más grande disponible. La cuantización reduce la precisión numérica de los pesos del modelo, lo que permite ejecutar un modelo con menos memoria. La destilación entrena un modelo más pequeño para imitar a uno más grande, reduciendo a menudo los costes de inferencia.

Estas técnicas no ponen fin a la demanda de entrenamiento de frontera. Dividen el mercado en cargas de trabajo con distintos requisitos económicos. Los laboratorios de frontera pueden seguir consumiendo clústeres enormes mientras las aplicaciones empresariales avanzan hacia modelos más baratos y hardware optimizado.

Para los compradores, son buenas noticias. Una inferencia más eficiente puede facilitar el despliegue de funciones de IA en software, atención al cliente, investigación y flujos de trabajo internos de conocimiento. Los equipos que evalúan estas herramientas deben centrarse en el uso y los resultados medibles, no en el gasto en infraestructura del proveedor.

Un flujo de trabajo de conocimiento con capacidad de búsqueda ilustra esa distinción. Su valor depende de que los trabajadores recuperen información útil y completen tareas con mayor rapidez. No aumenta simplemente porque el proveedor subyacente haya instalado más aceleradores.

Para los propietarios de infraestructura, la eficiencia solo es beneficiosa cuando la reducción de costes desbloquea suficiente actividad adicional. De lo contrario, reduce el número de máquinas necesarias para una carga de trabajo fija. Esa es la inversión central detrás de la previsión de SiliconANGLE.

La deuda dificulta absorber un futuro excedente

La expansión se vuelve más frágil cuando las obligaciones fijas de financiación crecen más rápido que el flujo de caja sostenible de la IA.

El gasto inicial de los hyperscalers procedía principalmente de empresas con grandes reservas de efectivo y negocios principales rentables. Ese panorama está cambiando a medida que se amplían los compromisos totales. Los bonos públicos, los arrendamientos financieros, el crédito privado y los vehículos de propósito especial financian ahora una mayor parte de la construcción.

El Banco de Pagos Internacionales informó de que la emisión de bonos de los hyperscalers superó los 100.000 millones de dólares en 2025. También describió acuerdos fuera de balance que trasladan activos de centros de datos a vehículos específicos financiados con capital y deuda privada.

Bajo estas estructuras, un proveedor de nube puede tomar una participación minoritaria mientras firma un contrato de arrendamiento o de capacidad a largo plazo. El vehículo del proyecto posee la infraestructura y atiende su deuda con los pagos de arrendamiento. El acuerdo reduce el gasto de capital inmediato en el balance del hyperscaler, pero crea una obligación económica plurianual.

El análisis del BIS denomina a estos acuerdos «endeudamiento en la sombra». Los bancos pueden proporcionar líneas de crédito a los vehículos, mientras que las aseguradoras y los fondos de crédito privado mantienen su deuda. Esto crea vínculos entre la infraestructura de IA, los prestamistas no bancarios y las instituciones financieras tradicionales.

Esta estructura funciona cuando las instalaciones abren según lo previsto y los clientes contratados continúan pagando. Resulta más difícil de deshacer si bajan los precios de la computación, los inquilinos renegocian o la refinanciación se encarece. Un edificio puede seguir siendo físicamente útil mientras genera menos efectivo del que suponía su modelo de financiación.

La revisión de estabilidad financiera del Banco de Inglaterra de julio de 2026 planteó una preocupación relacionada. Señaló que unas estructuras de deuda cada vez más complejas y opacas podrían amplificar los riesgos si no se materializan los ingresos previstos de la IA. También citó estimaciones según las cuales la inversión de los hyperscalers dependería en gran medida de la emisión de crédito.

Esto no establece una crisis sistémica. Las grandes empresas tecnológicas siguen siendo rentables, y los contratos a largo plazo pueden hacer que los ingresos de infraestructura sean más predecibles. Muchas instalaciones también atienden cargas de trabajo de nube convencionales junto con IA.

Sin embargo, el apalancamiento cambia la forma en que el sector responde a un excedente. Un propietario financiado con efectivo puede tolerar una menor utilización mientras espera la demanda. Un proyecto altamente financiado sigue debiendo intereses, pagos de arrendamiento y principal conforme a un calendario.

La caída de los precios de la computación crea otra presión. Las reducciones de precio pueden ampliar el mercado total, pero disminuyen los ingresos de cada unidad de capacidad. Los propietarios necesitan entonces un mayor uso para generar el efectivo previsto cuando se financió el proyecto.

El riesgo se parece más al inmobiliario comercial que al software de consumo. La capacidad se construye en lugares específicos, se respalda con contratos de energía y se financia en función de una ocupación futura. La demanda puede migrar hacia una nueva región o generación de hardware más rápido de lo que se ajustan las obligaciones subyacentes.

La concentración agrava ese desajuste. OpenAI, Anthropic y otros grandes proveedores de modelos compran o reservan una capacidad informática considerable. Las plataformas de nube también invierten en estas empresas, distribuyen sus modelos y a veces actúan como sus principales socios de infraestructura.

Estas relaciones pueden respaldar una rápida expansión, pero hacen que el gasto bruto sea una medida débil de la demanda independiente. El dinero puede circular a través de inversiones, compromisos de nube y compras a proveedores antes de que un cliente final no relacionado pague por un resultado generado con IA.

El argumento escéptico no debería exagerar esta circularidad. Los clientes empresariales de nube están desplegando cargas de trabajo reales, y los ingresos de la nube siguen creciendo. Microsoft informó de miles de organizaciones que utilizan sus plataformas de modelos y datos, incluidos clientes que procesan volúmenes muy elevados de tokens.

Aun así, la prueba definitiva es el efectivo generado fuera del circuito de financiación de infraestructura. Si las empresas continúan ampliando el uso de pago porque la IA reduce costes o aumenta ingresos, la deuda seguirá siendo sostenible. Si el uso depende de subsidios y presupuestos experimentales, la refinanciación dejará al descubierto la brecha.

Lo que las cifras aún no pueden demostrar

Los resultados actuales muestran una fuerte demanda de infraestructura, pero todavía no revelan el rendimiento de toda la cartera de construcción.

Las carteras de pedidos aportan evidencia de ventas contratadas. No siempre revelan la duración de los contratos, los derechos de cancelación, la concentración de clientes o el capital necesario para generar los ingresos. Una gran cartera de pedidos puede coexistir con una economía débil si los costes de hardware, energía y financiación aumentan más rápido que los márgenes.

El crecimiento de los ingresos presenta una limitación similar. Las divisiones de nube incluyen bases de datos, almacenamiento, ciberseguridad, software de productividad y computación convencional. Las empresas divulgan indicadores seleccionados de IA, pero el mercado todavía carece de una medida coherente de los ingresos obtenidos específicamente de los servicios de IA generativa.

Microsoft ha divulgado señales detalladas de uso. Más de 300 clientes de Foundry estaban en camino de procesar más de un billón de tokens durante el año, según su conferencia sobre los resultados del tercer trimestre fiscal. La empresa también afirmó que más de 10.000 clientes habían utilizado más de un modelo a través de Foundry.

Estas cifras demuestran adopción, pero no muestran la rentabilidad de cada token. Un token es una pequeña unidad de texto procesada por un modelo de IA. Los ingresos por token pueden caer a medida que mejoran la competencia y la eficiencia, por lo que el volumen debe considerarse junto con el coste.

Amazon ha aportado evidencia tanto de contratos como de actividad de producto. Jassy dijo que Amazon Bedrock procesó más tokens en el primer trimestre de 2026 que durante todos los años anteriores combinados. También afirmó que Bedrock casi se duplicó mes a mes durante marzo.

De nuevo, el uso no determina automáticamente el rendimiento sobre el capital. Los proveedores pueden reducir precios, incluir IA en suscripciones más amplias o priorizar la adopción sobre el margen. Las cargas de trabajo internas pueden crear valor empresarial sin aparecer como ingresos directos de nube.

El sector también carece de un denominador común para comparar sistemas. Un modelo puede usar más tokens para completar la misma tarea. Otro puede generar menos tokens, pero requerir más computación para razonar. Por tanto, el crecimiento de tokens por sí solo no puede describir la producción económica.

La finalización de tareas ofrece una mejor señal. Las empresas deberían preguntarse si un sistema de IA resolvió un caso de soporte, generó código aceptado, completó una venta o redujo el tiempo de los empleados. Los proveedores rara vez informan de estos resultados en un formato estandarizado porque los clientes despliegan IA en procesos muy diferentes.

La visión optimista sigue siendo creíble. Amazon afirma que gran parte de su capacidad prevista de AWS ya cuenta con compromisos de clientes. Microsoft informa de restricciones continuas, una demanda acelerada de Azure y una mejora de la eficiencia de infraestructura. Oracle informa de grandes obligaciones contratadas vinculadas a la IA.

Las previsiones independientes también muestran que la expansión se acelera. PIMCO citó estimaciones de consenso cercanas a 690.000 millones de dólares de gasto de capital entre cinco grandes hyperscalers en 2026 y 870.000 millones en 2027. Su evaluación del riesgo crediticio subraya que la financiación mediante deuda se está extendiendo más allá de las empresas tecnológicas con grado de inversión hacia proveedores de nube especializados.

La visión bajista es igualmente específica. Las decisiones de construcción se basan en previsiones de demanda realizadas durante una escasez. El hardware mejora rápidamente, las obligaciones de financiación duran años y la demanda incremental depende en parte de un grupo concentrado de desarrolladores de modelos.

Ambas visiones pueden ser ciertas durante un tiempo. El sector puede experimentar una escasez genuina ahora y crear un excedente más tarde. La cuestión de la burbuja depende de la velocidad de esa transición, no de demostrar que la demanda actual es imaginaria.

Por ello, los lectores deberían tratar con cautela cualquier fecha definitiva de desplome. Los proyectos de centros de datos afrontan restricciones regionales, y las cargas de trabajo de IA no son intercambiables. Puede existir un excedente nacional junto a una escasez de capacidad avanzada en una ubicación preferida.

La corrección más plausible también sería desigual. Las nuevas instalaciones con hardware eficiente y energía asegurada podrían seguir siendo valiosas. Los aceleradores más antiguos, los proyectos especulativos y los centros altamente financiados sin inquilinos comprometidos absorberían más presión.

Tres señales que vigilar tras la advertencia de Google News

La próxima fase se verá primero en la utilización, la concentración de clientes y las cancelaciones, no en otro titular dramático sobre una burbuja de IA.

La primera señal es la relación entre los ingresos de nube y el gasto de capital. Microsoft, Amazon, Alphabet, Meta y Oracle deberían demostrar que la infraestructura incremental produce ingresos acelerados o márgenes operativos defendibles. El gasto puede adelantarse a los ingresos durante varios trimestres, pero la brecha no puede ampliarse indefinidamente.

Microsoft ofrece una prueba útil porque ha divulgado tanto restricciones de capacidad como planes de gasto. El crecimiento de Azure, el margen bruto de la nube, las obligaciones de arrendamiento financiero y la proporción de activos de corta vida útil deberían analizarse en conjunto. Una conversión más rápida de los ingresos debilitaría la tesis del excedente. Un crecimiento más lento junto con un gasto continuado la reforzaría.

Amazon proporciona la segunda prueba: cuánto de la capacidad prevista está respaldada por compromisos exigibles de clientes financieramente sólidos. Sus acuerdos divulgados respaldan el caso alcista, en particular cuando los clientes pagan por adelantado o se comprometen durante varios años.

La calidad de esos compromisos importa más que el total del titular. Los inversores deberían vigilar una creciente concentración de clientes, modificaciones contractuales o la dependencia de desarrolladores de IA que requieran financiación adicional. Una demanda empresarial más amplia reforzaría el argumento de la expansión. Una mayor dependencia de unos pocos laboratorios lo debilitaría.

La tercera señal es el comportamiento físico de los proyectos. Los desarrollos retrasados, las asignaciones de energía devueltas, los alquileres de aceleradores con descuento y los pedidos de equipos cancelados indicarían que la demanda esperada se ha debilitado. Las colas continuas en la red eléctrica y la plena utilización en los centros recién inaugurados apuntarían en la dirección contraria.

Google News probablemente recogerá evidencia para ambas narrativas porque la escasez y el excedente pueden aparecer simultáneamente entre regiones y generaciones de hardware. Los lectores deberían comparar los informes con las presentaciones corporativas, las conferencias de resultados y los datos de infraestructura antes de tratar un único titular como confirmación.

Los próximos tres meses incluirán divulgaciones adicionales de resultados por parte de los principales proveedores de nube. Esos informes deberían revelar si las nuevas instalaciones se están convirtiendo en capacidad facturable, si los márgenes siguen bajo presión y si los equipos directivos revisan sus planes de construcción.

Para los desarrolladores y compradores empresariales, un excedente moderado no sería necesariamente malo. Unos menores costes de computación pueden ampliar la elección de modelos, mejorar el poder de negociación y hacer prácticos flujos de trabajo antes costosos. También puede desestabilizar a proveedores más pequeños que carecen de financiación a largo plazo o servicios diferenciados.

Los trabajadores del conocimiento deberían vigilar si esos ahorros llegan a las aplicaciones. Una infraestructura más barata tiene un valor limitado si los proveedores se quedan con la diferencia mientras los productos siguen siendo poco fiables. La adopción útil de IA sigue dependiendo de la precisión, la gobernanza, la integración y resultados de tareas medibles.

La advertencia de Google News es valiosa porque identifica el problema central de sincronización del mercado. La escasez impulsa la construcción, pero la construcción no garantiza una demanda rentable. La pregunta decisiva ya puede medirse: ¿crecerá el uso de pago de la IA más rápido que la capacidad, la eficiencia y las obligaciones de financiación?

Durante el próximo trimestre, ignora los intentos de reducir esta cuestión a un optimismo ciego o a una fecha fija de colapso. Sigue de cerca los ingresos de la nube frente al gasto de capital, examina quién respalda los contratos y observa si los proyectos físicos continúan. Si esas señales se debilitan al mismo tiempo, está llegando el exceso de capacidad. Si la utilización y los ingresos financiados por clientes siguen aumentando, la actual expansión aún tiene margen para continuar.