Barclays rastrea cada $100 de ingresos por IA, y los proveedores de nube se quedan con casi $40
Barclays ha desglosado cada $100 obtenidos por las empresas de modelos de IA y ha concluido que los proveedores de nube recaudan aproximadamente entre $35 y $40 mediante los costes de inferencia. Esta estimación sitúa a AWS, Microsoft Azure y Google Cloud cerca del centro de la emergente estructura de beneficios del sector.
El hallazgo procede de un informe sobre economía unitaria de IA fechado el 28 de agosto de 2026. Un informe chino publicado el 30 de agosto resumió el análisis y sus dos modelos hipotéticos de laboratorios de IA.
El titular parece una victoria directa para la infraestructura en la nube. Sin embargo, Barclays también espera que los márgenes de las empresas de modelos mejoren a medida que la inferencia se vuelva más eficiente y el entrenamiento represente una menor proporción de los ingresos.
Esto crea el conflicto central. Los proveedores de nube reciben actualmente una gran parte de los ingresos de los modelos, pero su participación puede disminuir mientras el mercado de IA sigue expandiéndose.
No se trata simplemente de una competencia entre empresas de software y proveedores de infraestructura. La cuestión es qué capa conserva la ventaja económica a medida que la IA pasa de un entrenamiento costoso a un uso continuo en producción.
Lo que Barclays encontró dentro de cada $100 de ingresos por IA
La factura de la nube sigue siendo uno de los mayores cargos sobre los ingresos de los modelos de IA, incluso tras importantes avances en la eficiencia de la inferencia.
Barclays construyó dos laboratorios hipotéticos de frontera para mostrar cómo los modelos de negocio y las políticas contables modifican los márgenes reportados. Son modelos analíticos, no estados financieros divulgados de empresas identificadas.
El Laboratorio A recibe aproximadamente el 70% de sus ingresos de APIs y el 30% de suscripciones. El Laboratorio B invierte esa proporción: recibe el 80% de suscripciones y el 20% de APIs.
Por cada $100 obtenidos por el Laboratorio A, el proveedor de nube asociado recibe alrededor de $35 en ingresos. Barclays estima que aproximadamente $11,80 se convierten en beneficio operativo, lo que representa un margen cercano al 34%.
El Laboratorio B produce un resultado distinto. Su socio de nube recibe aproximadamente $41 de cada $100, incluido un acuerdo estratégico de reparto de ingresos.
En ese escenario, el proveedor de nube retiene cerca de $19,10 como beneficio operativo. El margen resultante alcanza aproximadamente el 47%.
Estos ejemplos sustentan la conclusión ampliamente repetida de que los proveedores de nube capturan entre $35 y $40 por cada $100 de ingresos de los laboratorios de IA. También retienen aproximadamente entre $10 y $20 como beneficio operativo.
El resultado exacto depende de algo más que el consumo de computación. La combinación de productos, los acuerdos con socios, la asignación del entrenamiento y el reconocimiento de ingresos modifican la distribución aparente.
El Laboratorio A reconoce los ingresos indirectos de API en términos brutos. El Laboratorio B registra ingresos comparables en términos netos o excluye el negocio operado por su socio.
El reconocimiento bruto contabiliza una mayor parte de la transacción como ingreso antes de los gastos asociados. El reconocimiento neto registra solo la parte que retiene la empresa.
Barclays compara esta división contable con la diferencia histórica entre Uber y Lyft. Transacciones subyacentes similares pueden generar estados financieros muy diferentes cuando las empresas las reportan de forma distinta.
Esta advertencia importa porque las empresas privadas de IA proporcionan datos financieros estandarizados limitados. Comparar los ingresos principales o el margen bruto sin ajustar las políticas de reconocimiento puede crear una imagen falsa.
Los dos laboratorios también presentan distintos márgenes brutos ajustados. Barclays asigna al Laboratorio A un margen cercano al 55% y al Laboratorio B uno de aproximadamente el 38%, una diferencia de 17 puntos porcentuales.
El laboratorio centrado en APIs tiene un mejor desempeño, en parte porque los clientes directos de API pagan según el consumo de tokens. Esa estructura vincula más estrechamente los ingresos con el trabajo computacional realizado.
Los productos de suscripción generan otro riesgo. Una tarifa fija debe cubrir a usuarios con patrones de consumo muy distintos, incluidas sesiones intensivas de programación y tareas de agentes de larga duración.
Los límites de uso pueden proteger al proveedor, pero también afectan la retención. Aumentar los límites puede atraer clientes mientras traslada más costes de inferencia de vuelta a la empresa de modelos.
Barclays estima que productos de suscripción como Claude Code y Codex generan márgenes de inferencia de alrededor del 70%. Según los informes, los márgenes de inferencia de APIs directas superan el 80%.
Estas cifras describen la contribución de la inferencia, no la rentabilidad completa de una empresa de IA. Excluyen o asignan por separado gastos importantes como entrenamiento, investigación, ventas y administración.
Por tanto, el marco de $100 es un mapa, no un promedio sectorial auditado. Su valor radica en mostrar hacia dónde se mueve el dinero y qué supuestos modifican el resultado.
Por qué la economía de la inferencia está mejorando ahora
Las empresas de IA están ganando margen porque cada respuesta útil requiere menos infraestructura, mientras la demanda comercial respalda una monetización sostenida.
La inferencia consiste en ejecutar un modelo entrenado para responder a una solicitud, generar código o completar una tarea de agente. Se convierte en un gasto recurrente cada vez que los clientes utilizan un producto de IA.
El entrenamiento sigue un patrón distinto. Concentra enormes costes de computación antes de que un modelo llegue a los clientes, aunque el posentrenamiento y la mejora continua difuminan esa frontera.
Barclays estima que los márgenes de inferencia de pago aumentaron desde porcentajes bajos de dos dígitos en 2025 hasta entre el 50% y el 65%, o más, durante 2026. Los márgenes brutos ajustados mejoraron entre 30 y 50 puntos porcentuales.
Varios cambios técnicos respaldan este avance. La cuantización reduce la precisión numérica utilizada por un modelo, reduciendo los requisitos de memoria y computación mientras intenta preservar la calidad de la salida.
La decodificación especulativa permite que un sistema más pequeño proponga tokens que un modelo más grande puede verificar en grupos. Las predicciones acertadas reducen el tiempo y el hardware necesarios para la generación.
Un mejor enrutamiento también dirige las solicitudes más simples a modelos más pequeños. El almacenamiento en caché evita cálculos repetidos, mientras que el procesamiento por lotes permite que el hardware procese varias solicitudes conjuntamente.
La utilización del hardware importa tanto como el diseño del modelo. Un acelerador costoso inactivo sigue generando gastos de depreciación, financiación, energía e instalaciones.
Los mayores operadores pueden distribuir cargas de trabajo variables entre regiones, clientes y productos. Esta escala otorga a los proveedores de nube una ventaja importante sobre los laboratorios de IA más pequeños que gestionan clústeres dedicados.
Sin embargo, los desarrolladores de modelos también se benefician de la eficiencia. Cada mejora en tokens por unidad de computación puede ampliar su margen o respaldar más uso al mismo coste.
Google informó que redujo los costes unitarios de servicio de Gemini un 78% durante 2025 mediante optimización de modelos, mejoras de utilización y eficiencia de infraestructura. Sus resultados de nube ilustran cómo los operadores integrados verticalmente pueden mejorar varias capas a la vez.
Microsoft describió una atención similar durante el ejercicio fiscal 2026. La empresa informó una mejora del 40% en el rendimiento de inferencia de sus modelos Copilot más utilizados durante un trimestre.
Su posterior actualización de infraestructura indicó que el rendimiento de las cargas de trabajo de Copilot se había multiplicado por cuatro desde el inicio del año. Microsoft atribuyó esas ganancias a la optimización del silicio, los sistemas y el software.
Estas mejoras no reducen automáticamente las facturas de los clientes. Los proveedores pueden retener las ganancias de eficiencia, utilizarlas para mejorar la calidad de la salida o respaldar cargas de trabajo de razonamiento más exigentes.
Los modelos de razonamiento suelen generar más tokens intermedios antes de producir una respuesta. Los agentes pueden llamar a los modelos repetidamente mientras buscan información, escriben código, verifican resultados y revisan su trabajo.
En consecuencia, unos costes unitarios más bajos pueden producir un mayor consumo total. Este efecto rebote hace que la eficiencia de la inferencia sea valiosa tanto para las empresas de IA como para los proveedores de nube.
La demanda empresarial añade otra capa. El analista de Barclays Ross Sandler vinculó la mejora de los márgenes con la creciente importancia de los clientes empresariales y los flujos de trabajo agentivos como compras relevantes.
Esta evaluación sigue siendo una previsión, no un veredicto universal de los clientes. Las empresas todavía varían ampliamente en adopción, escala de despliegue, requisitos de seguridad y retornos medibles.
Sin embargo, los agentes de producción pueden consumir más que tokens de modelos. Requieren bases de datos, almacenamiento, redes, gestión de identidad, monitorización y estado persistente de las tareas.
Estos servicios de apoyo fortalecen la posición de la nube. Un laboratorio puede optimizar la inferencia del modelo mientras sus clientes adquieren un paquete de infraestructura más amplio de la misma plataforma de nube.
Esta dinámica explica por qué la nube puede recaudar casi $40 mientras los laboratorios de IA siguen mejorando sus márgenes. La eficiencia amplía el conjunto disponible antes de que la competencia determine quién se lo queda.
Los proveedores de nube ganan la ronda actual, pero financian toda la competencia
AWS, Azure y Google Cloud capturan ingresos recurrentes de IA porque asumen la carga de capital antes de que las empresas de modelos puedan atender a los clientes.
El modelo de Barclays se centra en los flujos operativos, pero la capa de infraestructura comienza con compromisos iniciales enormes. Los centros de datos requieren terrenos, energía, refrigeración, redes, procesadores y largos calendarios de construcción.
Microsoft informó gastos de capital de $37.500 millones en su segundo trimestre fiscal de 2026. Aproximadamente dos tercios correspondieron a activos de vida más corta, principalmente GPUs y CPUs.
La empresa también afirmó que la demanda de los clientes seguía superando la oferta disponible. Su rendimiento de nube mostró crecimiento de los ingresos de Azure junto con presión derivada de la continua inversión en infraestructura de IA.
Los ingresos de Intelligent Cloud de Microsoft aumentaron un 29% durante ese trimestre. El beneficio operativo subió un 28%, aunque el porcentaje de margen bruto del segmento disminuyó interanualmente.
Esta combinación refleja la disyuntiva de la nube. La demanda de IA genera un rápido crecimiento de los ingresos, pero satisfacerla exige equipamiento adicional que puede depreciarse más rápido que los edificios o los terrenos.
Alphabet planeó entre $175.000 millones y $185.000 millones de gasto de capital durante 2026. Indicó que el dinero respaldaría a Google DeepMind, los productos para consumidores y la demanda de clientes de Cloud.
Google Cloud cerró 2025 con una tasa anualizada de ingresos superior a $70.000 millones. Alphabet también informó una cartera de pedidos de nube de $240.000 millones y una fuerte demanda de productos de IA.
Amazon afronta el mismo ciclo de inversión. Sus materiales para accionistas indican que gran parte del gasto de capital previsto para AWS en 2026 respaldará capacidad monetizada durante 2027 y 2028.
Amazon también afirmó que contaba con compromisos de clientes que cubrían una parte sustancial de la capacidad planificada. Su documento para accionistas presenta esa visibilidad de la demanda como respaldo para mantener el gasto.
Estas empresas pueden financiar infraestructura utilizando efectivo generado por negocios consolidados. La publicidad en buscadores respalda a Alphabet, el software empresarial respalda a Microsoft y el comercio ayuda a financiar a Amazon.
Las empresas independientes de modelos carecen de la misma base diversificada. A menudo dependen de financiación de capital, asociaciones estratégicas con proveedores de nube, compromisos anticipados u otros acuerdos estructurados.
Esa dependencia otorga a los proveedores de nube influencia económica más allá de sus márgenes por token. Controlan la asignación de capacidad cuando la demanda supera la oferta e influyen en qué modelos llegan a los clientes empresariales.
Los marketplaces y las plataformas de modelos gestionados profundizan ese papel. Una empresa puede adquirir acceso a modelos mediante una relación de nube existente en lugar de contratar directamente con cada laboratorio.
El proveedor de nube controla entonces la facturación, la identidad, la gobernanza, la disponibilidad regional y la integración técnica. El modelo se convierte en un componente dentro de una cuenta empresarial más amplia.
Aun así, la cifra de casi 40 dólares no debe confundirse con renta económica pura. Los proveedores de nube deben pagar chips, energía, mantenimiento, redes, personal, financiación y sustitución de hardware.
Barclays estima beneficios operativos de entre 10 y 20 dólares por cada 100 dólares de ingresos de los laboratorios. Los ingresos restantes de la nube financian esos considerables costes de infraestructura.
El modelo también indica que el reparto de ingresos con socios infla el margen aparente de la nube en el Laboratorio B. Sin ese acuerdo, el beneficio por token del proveedor de nube coincide con el del Laboratorio A.
Esa distinción cambia la interpretación. El resultado más sólido del Laboratorio B no demuestra necesariamente una economía de infraestructura superior.
En cambio, refleja en parte una transferencia negociada entre socios estratégicos. Barclays espera que ese mecanismo concreto de reparto de ingresos se elimine gradualmente después de 2028.
Por tanto, la ventaja actual de la nube se apoya en tres pilares: capacidad escasa, grandes compromisos de capital y contratos que conectan a desarrolladores de modelos con proveedores de infraestructura.
Los tres pueden cambiar. La capacidad puede volverse más abundante, pueden entrar operadores especializados y los grandes laboratorios pueden financiar infraestructura dedicada fuera de los contratos tradicionales de nube.
Lo que el modelo de 100 dólares no demuestra
Barclays ofrece un marco económico útil, pero sus proyecciones dependen de estimaciones sobre empresas privadas, laboratorios hipotéticos y decisiones contables.
La investigación subyacente de Barclays se resumió públicamente, pero el modelo completo de los analistas no está disponible de forma generalizada como conjunto de datos auditado. Los lectores deben considerar sus cifras como estimaciones.
Los dos perfiles de laboratorio están simplificados deliberadamente. Las empresas reales combinan suscripciones de consumidores, acuerdos empresariales, API directas, marketplaces de nube, licencias y alianzas estratégicas.
También negocian distintas tarifas de hardware y condiciones de capacidad. Una empresa con un compromiso plurianual puede afrontar una economía muy distinta de la de un desarrollador más pequeño que compra capacidad bajo demanda.
La arquitectura del modelo introduce otra variación. Algunos sistemas emplean diseños dispersos de mezcla de expertos, mientras que otros activan más parámetros en cada solicitud.
La forma de la carga de trabajo también importa. Las tareas breves de clasificación, las largas sesiones de programación, la generación de imágenes y los agentes autónomos de investigación imponen costes muy diferentes.
Incluso el significado de un token difiere entre familias de modelos y modalidades. Comparar precios nominales por token no permite revelar el coste de completar la misma tarea útil.
La asignación del entrenamiento genera otra fuente de incertidumbre. Un laboratorio puede contabilizar como gasto, capitalizar o distribuir los costes de desarrollo de forma diferente entre periodos de reporte y líneas de producto.
Barclays estima que el gasto en entrenamiento representó alrededor del 48% de los ingresos de los laboratorios de IA en 2026. Proyecta que esa proporción caerá al 35% en 2027 y al 30% en 2028.
La dirección es plausible porque los ingresos pueden crecer más rápido que los programas de entrenamiento. Sin embargo, la competencia de frontera también puede fomentar ejecuciones de entrenamiento más grandes y frecuentes.
Una investigación independiente concluyó que el coste de las ejecuciones de entrenamiento más intensivas en cómputo creció aproximadamente 2,4 veces al año desde 2016. El estudio sobre costes de entrenamiento proyectó ejecuciones de frontera de mil millones de dólares si esa tendencia histórica continuaba.
Ese trabajo es anterior al modelo de Barclays de 2026 y mide una cuestión diferente. Aun así, muestra por qué no está garantizada una reducción de los costes de entrenamiento como porcentaje de los ingresos.
Los ingresos también pueden volverse más difíciles de comparar a medida que crecen las API indirectas. Un laboratorio puede registrar el pago completo del cliente, mientras que otro registra solo la parte que retiene.
Esto puede hacer que una empresa parezca más grande o más rentable sin reflejar un producto subyacente mejor. Barclays advierte específicamente que las comparaciones futuras requieren ajustes contables cuidadosos.
Las relaciones estratégicas crean una distorsión adicional. Una empresa de nube puede invertir en un desarrollador de modelos y, al mismo tiempo, recibir gasto en infraestructura o reparto de ingresos de ese desarrollador.
Estos acuerdos son comercialmente legítimos, pero complican cualquier división clara entre ingresos de proveedores, retornos de inversión y demanda independiente de clientes.
Los informes financieros a nivel de nube no pueden resolver completamente el problema. AWS informa de un segmento diferenciado, pero Microsoft no divulga los ingresos de Azure como una cifra independiente en dólares.
Google Cloud incluye infraestructura, servicios de plataforma, aplicaciones y otras ofertas empresariales. Ninguno de estos segmentos aísla los beneficios de la inferencia de modelos de frontera.
Por tanto, los márgenes reportados del 34% al 47% en los ejemplos de Barclays no pueden contrastarse directamente con las cuentas públicas de nube. Siguen siendo asignaciones modelizadas.
La competencia puede presionar a ambas partes. Las empresas de modelos pueden reducir precios para defender el uso, mientras que los proveedores de nube pueden descontar capacidad para ganar grandes compromisos.
Los modelos abiertos también pueden desplazar la demanda hacia la infraestructura sin preservar los ingresos del desarrollador original. Las empresas pueden alojar esos modelos mediante una plataforma de nube o un proveedor especializado.
Al mismo tiempo, los laboratorios propietarios pueden distribuir las cargas de trabajo entre varios proveedores. Pueden utilizar aceleradores personalizados, clústeres dedicados o nubes alternativas para mejorar su poder de negociación.
Por ello, el titular debe seguir siendo acotado. Barclays estima que los proveedores de nube recaudan actualmente casi 40 dólares por cada 100 dólares de ingresos de empresas de modelos bajo estructuras representativas.
No demuestra que todos los laboratorios paguen el mismo porcentaje. Tampoco establece que las empresas de nube conservarán esa proporción indefinidamente.
Las tres señales que decidirán quién se queda con los próximos 100 dólares
La próxima fase dependerá de la intensidad del entrenamiento, la infraestructura dedicada y la brecha entre la inversión en nube y los ingresos de IA realmente obtenidos.
La primera señal es el gasto en entrenamiento como porcentaje de los ingresos de los laboratorios. Barclays espera que esa proporción disminuya con fuerza hasta 2028.
Si la proporción alcanza el 35% proyectado durante 2027, las empresas de modelos tendrán pruebas más sólidas de que los ingresos están superando los costes de desarrollo de frontera.
Ese resultado reforzaría el argumento de una mejora en la rentabilidad de los laboratorios. También reduciría los ingresos totales de la nube en relación con cada dólar de ingresos de los modelos.
Si la intensidad del entrenamiento se mantiene cerca de los niveles de 2026, se impone la conclusión opuesta. La industria seguiría dependiendo en gran medida de costosos ciclos de desarrollo pese a mejores márgenes de inferencia.
La segunda señal es la llegada de capacidad dedicada fuera de las tres plataformas de nube dominantes. Barclays espera que la cuota de la nube tradicional se mantenga en términos generales estable durante dos años.
Después de 2028, la infraestructura previamente contratada o financiada debería convertirse en una fuente de computación mayor para los laboratorios de IA. Esa previsión merece un examen riguroso mucho antes de que abran las instalaciones.
Los anuncios por sí solos aportan pruebas débiles. Inversores y clientes deben observar si los proyectos aseguran energía, chips, financiación, conexiones de red y equipos operativos.
También deben seguir si los laboratorios trasladan cargas de trabajo de producción a esa capacidad. Los clústeres de entrenamiento no se convierten automáticamente en sistemas de inferencia fiables y distribuidos geográficamente.
Si las instalaciones dedicadas gestionan un tráfico de producción sustancial, la tasa de captura de la nube cercana a 40 dólares debería disminuir. Las empresas de modelos internalizarían más responsabilidad de infraestructura y margen potencial.
Sin embargo, también asumirían el riesgo de utilización y la exposición de capital. Poseer capacidad solo mejora la economía cuando las cargas de trabajo mantienen el costoso hardware productivo de manera constante.
La tercera señal es la relación entre el gasto de capital de los hyperscalers y la rentabilidad de la nube. Microsoft, Alphabet y Amazon están comprometiendo enormes sumas antes de que toda la capacidad se convierta en ingresos.
Un fuerte crecimiento de la nube acompañado de márgenes estables o en mejora respaldaría el argumento de Barclays. Demostraría que los proveedores de infraestructura pueden convertir la demanda de IA en beneficios operativos duraderos.
Un crecimiento más lento o una compresión persistente de los márgenes lo debilitaría. Tales resultados sugerirían que la competencia, la depreciación o los costes energéticos consumen más valor del que presupone el modelo de 100 dólares.
La adopción empresarial proporciona el hilo conductor. Las empresas de nube necesitan más que unos pocos laboratorios de frontera para justificar una infraestructura construida a esta escala.
Microsoft afirmó que la demanda superó la oferta disponible durante el ejercicio fiscal 2026. Alphabet informó que los clientes de IA usaron más productos que los clientes de nube sin IA, ampliando los ingresos más allá de la computación en bruto.
Esas afirmaciones serán más creíbles si los clientes renuevan compromisos y trasladan pilotos a producción. El uso debe persistir después de que expiren los presupuestos iniciales de experimentación.
Para desarrolladores y compradores empresariales, esta disputa económica afecta al diseño de productos. Un flujo de trabajo con llamadas repetidas a modelos puede generar una carga de infraestructura mayor de lo que su interfaz sugiere.
Los equipos deben evaluar el coste total de la tarea, incluidos reintentos, recuperación, almacenamiento, monitorización y revisión humana. El token más barato no siempre produce el resultado completado más barato.
Los trabajadores del conocimiento se enfrentan a un problema similar. Las suscripciones a agentes pueden parecer sencillas mientras ocultan un consumo variable de infraestructura tras límites de uso y políticas de servicio cambiantes.
Mantener un registro interno de resultados, decisiones y material de origen puede reducir las solicitudes repetidas innecesarias. Una base de conocimientos de IA con capacidad de búsqueda también ayuda a los equipos a reutilizar trabajo ya completado.
Barclays proyecta que los ingresos globales de los laboratorios de IA aumentarán de 137.000 millones de dólares en 2026 a 690.000 millones de dólares en 2028. Esa previsión sigue siendo agresiva y no debe tratarse como un hecho establecido.
Incluso un resultado inferior podría generar una demanda sustancial de nube. La cuestión decisiva no es si el mercado crece, sino qué capa convierte ese crecimiento en beneficio retenido.
Observe las próximas divulgaciones financieras en busca de reconocimiento de ingresos estandarizado, costes de inferencia, asignación del entrenamiento y compromisos contractuales. Una mejor divulgación puede poner a prueba supuestos que los laboratorios hipotéticos no pueden resolver.
También observe si los desarrolladores de IA siguen celebrando mejoras de margen mientras firman acuerdos de infraestructura más grandes. Esa combinación mostraría que las ganancias de eficiencia están estimulando un mayor consumo.
La cifra cercana a 40 dólares se entiende mejor como una instantánea del poder de negociación en 2026. Los proveedores de nube financian infraestructura escasa, mientras que las empresas de modelos controlan los productos y las relaciones con los clientes.
Qué parte conservará más de los próximos 100 dólares dependerá de la ejecución, no de una regla permanente. Siga esas tres señales antes de considerar la distribución actual como la estructura industrial del mañana.
