Los costos de los centros de datos de IA de Bernstein alcanzan los 39.500 millones de dólares por GW, pero la depreciación es la mayor advertencia
Los costos de los centros de datos de IA de Bernstein alcanzan ahora unos 39.500 millones de dólares por gigavatio para la arquitectura Vera Rubin de Nvidia. Sin embargo, la inversión inicial no es la parte más trascendental del análisis. La carga duradera proviene de depreciar miles de millones de dólares en servidores, equipos de red, memoria y sistemas eléctricos antes de que el hardware pierda su valor económico.
La estimación sitúa distintas arquitecturas de aceleradores en un rango de entre 34.600 y 39.500 millones de dólares por gigavatio. El diseño ASIC personalizado Jalapeno de OpenAI, según los informes, se ubica cerca del extremo inferior, mientras que la plataforma Vera Rubin NVL72 de Nvidia alcanza el superior. Ese diferencial relativamente estrecho cuestiona la idea de que elegir un acelerador más barato pueda transformar la economía de toda una instalación.
El análisis anterior de Bernstein situaba un gigavatio de capacidad de IA en torno a los 35.000 millones de dólares, por debajo de la propia estimación de Nvidia, de entre 50.000 y 60.000 millones. Sus cálculos más recientes afinan los supuestos sobre los componentes, pero el conflicto estratégico sigue siendo el mismo. Las empresas tecnológicas persiguen más capacidad de cómputo, mientras que los costos contables comienzan a acumularse en cuanto los equipos entran en servicio.
Los costos de los centros de datos de IA de Bernstein alcanzan los 39.500 millones de dólares por gigavatio
La estimación más reciente de Bernstein muestra que la elección de aceleradores modifica la composición de los costos, pero no abarata la infraestructura de IA a escala de gigavatios.
Un informe resumido el 10 de octubre situó la inversión total para un gigavatio de capacidad entre 34.600 y 39.500 millones de dólares. El cálculo abarca más que un edificio vacío conectado a la red eléctrica. Incluye aceleradores, servidores, memoria, almacenamiento, redes, refrigeración, energía de respaldo y los sistemas eléctricos necesarios para soportar racks de cómputo densos.
La estimación superior corresponde a la arquitectura Vera Rubin NVL72 prevista por Nvidia. Según los informes, Bernstein redujo su costo estimado para un rack Rubin de 9,1 millones de dólares a 7,52 millones. Esto supone una caída de aproximadamente el 17 por ciento frente al modelo anterior de la firma.
La revisión refleja supuestos más bajos para la memoria de alto ancho de banda y la capacidad de almacenamiento NAND, según la estimación de infraestructura publicada. La memoria de alto ancho de banda, habitualmente abreviada como HBM, coloca memoria rápida cerca de un acelerador para que los modelos puedan mover datos sin esperar al almacenamiento más lento.
La reducción importa porque la memoria se ha convertido en una parte sustancial de cada servidor de IA. Sin embargo, unos supuestos más bajos sobre memoria no eliminan los costos circundantes. Más racks siguen requiriendo conmutadores, tarjetas de interfaz de red, hardware de conversión eléctrica, equipos de refrigeración, transformadores y generadores.
La arquitectura Jalapeno de OpenAI, según los informes, aparece en el extremo inferior del rango de Bernstein. Jalapeno se describe como un circuito integrado específico para aplicaciones, o ASIC, diseñado en torno a una carga de trabajo más acotada que un acelerador de propósito general. Los chips personalizados pueden reducir algunos márgenes de proveedores y optimizar el rendimiento para tareas determinadas.
Aun así, la diferencia total entre las configuraciones más baja y más alta es inferior a 5.000 millones de dólares por gigavatio. Eso equivale a menos del 15 por ciento de la estimación superior. El resultado sugiere que la selección de chips redefine dónde se destina el dinero más de lo que altera la escala del compromiso.
Este punto ya era visible en el análisis previo de Bernstein sobre los sistemas GB200 de Nvidia. Ese trabajo situó la construcción total cerca de los 35.000 millones de dólares por gigavatio, con los procesadores gráficos representando aproximadamente el 39 por ciento del gasto de capital. Las redes suponían alrededor del 13 por ciento, mientras que los sistemas mecánicos y eléctricos se acercaban a un tercio.
Por tanto, los aceleradores siguen siendo la categoría individual más grande, pero no constituyen todo el centro de datos. Un menor precio de los aceleradores no elimina los equipos que suministran energía, extraen calor y conectan miles de procesadores.
Bernstein estimó anteriormente que un rack GB200 NVL72 costaba aproximadamente 5,9 millones de dólares. Alrededor de 3,4 millones se destinaban a hardware de cómputo, mientras que 2,5 millones cubrían la infraestructura física asociada. Estas cifras, recogidas en un desglose de costos anterior, demuestran por qué las comparaciones basadas únicamente en los precios de los chips pueden inducir a error a los inversores.
La unidad también requiere una interpretación cuidadosa. Un gigavatio describe una enorme carga eléctrica continua, no una sala de servidores convencional. A plena utilización, representa una demanda eléctrica suficiente para convertir el proyecto en una preocupación de infraestructura regional.
Por consiguiente, la estimación de Bernstein para centros de datos ofrece un denominador común para sistemas competidores. Nvidia, los desarrolladores de ASIC personalizados, los operadores de nube y los proveedores de infraestructura pueden describir una eficiencia superior. Sin embargo, los inversores aún deben preguntarse cuánto cómputo productivo e ingresos aporta cada gigavatio completo.
Esa pregunta genera la tensión central. El sector ha pasado años tratando el acceso a aceleradores y electricidad como las restricciones vinculantes. El análisis de Bernstein sugiere que la siguiente restricción es si los operadores pueden generar ingresos suficientes antes de que los equipos instalados queden obsoletos financiera y técnicamente.
La depreciación, no la electricidad, crea la carga recurrente más pesada
La electricidad atrae la atención pública, pero la depreciación determina con qué rapidez la infraestructura de IA debe generar ingresos sostenibles.
La depreciación es el proceso contable que distribuye el costo de un activo a lo largo de su vida útil esperada. No exige un nuevo pago en efectivo cada trimestre. Sin embargo, reduce las ganancias reportadas y representa el consumo de equipos adquiridos con capital real.
El modelo anterior de Bernstein para Vera Rubin ilustra la escala. Con una tarifa eléctrica de 0,15 dólares por kilovatio-hora, una instalación de un gigavatio incurriría en aproximadamente 1.300 millones de dólares de gasto anual en energía. El mismo modelo arrojó alrededor de 7.900 millones de dólares de depreciación anual con una vida útil del hardware de seis años.
Estas cifras procedían de un análisis de junio que entonces estimaba la infraestructura total de Vera Rubin en 47.000 millones de dólares por gigavatio. Bernstein ha reducido desde entonces su estimación para los racks, por lo que el cargo exacto de depreciación cambiaría. La relación sigue explicando la advertencia de la firma: los costos de propiedad pueden superar la factura eléctrica incluso en una instalación que consume un gigavatio.
El modelo de costos de Rubin subyacente asumía 3.557 racks de 220 kilovatios cada uno. Asignaba aproximadamente 32.000 millones de dólares a equipos relacionados con los racks y otros 15.000 millones a infraestructura física. Su calendario de seis años convertía ese compromiso inicial en un gasto continuo que afecta a las ganancias.
Una vida contable de seis años no garantiza que cada acelerador siga siendo competitivo durante seis años. Un servidor puede seguir funcionando después de que sistemas más nuevos ofrezcan mejor rendimiento por vatio o menores costos de inferencia. Esa brecha entre la vida física y la utilidad económica es el riesgo real.
Si el hardware de nueva generación reduce drásticamente el costo de producir una respuesta de IA, los propietarios de sistemas más antiguos enfrentan presión para reducir los precios de alquiler. Sus calendarios de depreciación se mantienen salvo que las empresas extiendan las vidas útiles o registren cargos por deterioro. Ninguna de las dos opciones genera más demanda para los equipos antiguos.
Extender la vida útil reduce la depreciación anual y respalda las ganancias a corto plazo. También presupone que el equipo seguirá siendo productivo durante más tiempo. Una empresa que realice este ajuste de forma demasiado agresiva puede posponer el reconocimiento de un deterioro económico.
Un deterioro sigue la ruta opuesta. Reconoce que un activo no recuperará su valor registrado mediante flujos de caja futuros. El cargo no implica salida de efectivo cuando se registra, pero revela que el gasto de capital anterior generará menos de lo esperado.
Este mecanismo distingue los costos de depreciación de IA de una factura normal de servicios públicos. La electricidad aumenta con el uso, por lo que un clúster poco utilizado consume menos energía. La depreciación continúa incluso cuando los servidores esperan clientes, software o capacidad de red.
Por ello, la utilización se vuelve crítica. Un clúster totalmente ocupado puede distribuir la depreciación entre más ejecuciones de entrenamiento, tokens generados o contratos de nube. Una instalación infrautilizada soporta gran parte de la misma carga de propiedad mientras genera menos ingresos.
El problema de los tiempos es igualmente importante. Las empresas suelen comprometer dinero para terrenos, equipos eléctricos, chips y construcción antes de que el clúster terminado empiece a atender a clientes. Los retrasos pueden dejar capital inmovilizado sin ingresos correspondientes, mientras algunos activos instalados ya comienzan a envejecer.
AllianceBernstein ha descrito un peligro relacionado como un “vacío” de información. La evidencia sobre ingresos puede seguir siendo incompleta durante un período más corto que el ciclo de depreciación. Los inversores deben entonces valorar gastos de larga duración sin saber si la adopción se ampliará con la rapidez suficiente.
Esta preocupación no demuestra que el gasto sea desperdiciado. La demanda de entrenamiento e inferencia de IA puede crecer rápidamente, y los sistemas más nuevos pueden procesar mucho más trabajo. Sí implica que el crecimiento de los ingresos, la utilización y la eficiencia del hardware deben llegar al mismo tiempo.
La depreciación también modifica la forma en que los lectores deberían interpretar los márgenes de la nube. Un proveedor puede reportar una demanda creciente de IA y aun así afrontar presión sobre los márgenes a medida que nuevos activos entran en servicio. El flujo de caja, el resultado operativo y las ganancias ajustadas pueden contar historias diferentes porque cada uno trata la inversión de capital de forma distinta.
La carga puede trasladarse entre empresas sin desaparecer. Un desarrollador de modelos que alquila capacidad de cómputo evita poseer cada servidor, pero su proveedor de nube incorpora la depreciación y la financiación en el contrato. Un operador de nube puede utilizar vehículos de propósito especial o arrendamientos, pero otro inversor sigue siendo propietario de los activos.
Por tanto, la cuestión central no es si alguien puede financiar el próximo clúster. Es si toda la cadena puede generar suficiente producción económica antes de que otra generación de hardware restablezca el estándar competitivo.
Nvidia y los chips de IA personalizados enfrentan la misma realidad de capital
La principal competencia no es Nvidia frente a un chip personalizado; es la promesa de expandir el cómputo frente a la realidad de una infraestructura que se deprecia.
La posición de Nvidia la convierte en la beneficiaria más visible de la ola de gasto. Sus aceleradores, productos de red, software y sistemas a escala de rack capturan varias capas de una implementación. Un mayor rendimiento del sistema también puede justificar configuraciones más caras cuando los clientes valoran el tiempo necesario para entrenar o atender un modelo.
Los ASIC personalizados ofrecen una propuesta distinta. Google, Amazon, Microsoft, Meta y los laboratorios de IA han desarrollado chips diseñados para sus propias cargas de trabajo. Estos sistemas pueden eliminar algunos márgenes de los chips comercializados y ajustar el hardware más estrechamente al software interno.
Las estimaciones de Bernstein implican que ninguna de las dos vías escapa a la factura más amplia. Un acelerador personalizado puede costar menos, pero el operador podría desplegar más racks con el presupuesto disponible. Cada rack sigue necesitando memoria, redes, distribución eléctrica, refrigeración y un emplazamiento físico.
El resultado se asemeja a la paradoja de Jevons, en la que la eficiencia reduce el costo de usar un recurso y estimula un consumo adicional. Un mejor rendimiento por dólar puede reducir el costo de una carga de trabajo mientras anima a los desarrolladores a ejecutar modelos más grandes, utilizar contextos más largos o atender más solicitudes.
Esa dinámica favorece a los proveedores de infraestructura, pero complica la afirmación de que la eficiencia reducirá automáticamente las necesidades de capital. La industria puede convertir las ganancias de eficiencia en más computación en lugar de reducir el gasto total.
Las propias estimaciones de Nvidia muestran cuán inciertos siguen siendo estos cálculos. La empresa sugirió anteriormente un rango de 50.000 a 60.000 millones de dólares por gigavatio, mientras que un análisis anterior de Bernstein situaba una capacidad comparable cerca de los 35.000 millones de dólares. La diferencia refleja distintas generaciones de hardware, definiciones y supuestos sobre la infraestructura incluida.
Broadcom y AMD han descrito una oportunidad direccionable de aceleradores de aproximadamente 15.000 a 20.000 millones de dólares por gigavatio. Esa cifra no representa el coste de un centro de datos completo ya terminado. Describe la oportunidad de semiconductores dentro del proyecto más amplio.
Estas mediciones suelen repetirse como si respondieran a la misma pregunta. No es así. Una estimación puede abarcar aceleradores, otra un rack completo y otra puede incluir generación eléctrica o financiación.
El último rango de Bernstein resulta útil porque compara arquitecturas completas con una misma metodología. No es una cotización universal de construcción. Los precios del terreno, el acceso a la red, los sistemas energéticos, los objetivos de utilización, la financiación y la mano de obra local pueden alterar el resultado final.
Las comparaciones entre arquitecturas también deben tener en cuenta la producción útil. Un clúster más caro puede ser rentable si entrena un modelo antes o atiende muchas más solicitudes. Un clúster más barato puede decepcionar si el soporte de software, la fiabilidad o la demanda de los clientes limitan su utilización.
Se espera que Vera Rubin mejore sustancialmente el rendimiento computacional frente a la generación Blackwell de Nvidia. El modelo anterior de Bernstein estimaba 2.520 petaflops FP8 por rack Rubin, frente a 720 petaflops para Blackwell. FP8 es un formato numérico de ocho bits que acelera los cálculos de IA al aceptar menos precisión que los formatos más grandes.
El rendimiento bruto no se traduce directamente en trabajo facturable. La arquitectura del modelo, la capacidad de memoria, la sobrecarga de comunicación, la optimización del software y el tiempo de actividad afectan a qué parte del rendimiento anunciado llega a los clientes.
La vía de los chips personalizados introduce otra disyuntiva. Los operadores obtienen control sobre el diseño del hardware y pueden reducir los márgenes de los proveedores. También asumen el riesgo de desarrollo, el trabajo de integración de software y el desafío de mantener una hoja de ruta competitiva.
Nvidia distribuye esos costes entre muchos clientes y respalda su hardware con un entorno de software maduro. Eso puede reducir el riesgo de despliegue incluso cuando el precio de compra es mayor. Un hyperscaler con suficiente demanda interna puede justificar la elección contraria.
Por tanto, la estimación de Bernstein para el centro de datos no identifica un ganador sencillo. Muestra que ninguna de las dos arquitecturas cambia el orden de magnitud. El resultado financiero depende más de la utilización, los ingresos y la velocidad de sustitución del hardware.
Por eso, el principal antagonismo se entiende mejor como expansión de la computación frente a recuperación del capital. Nvidia y los ASIC personalizados representan caminos distintos ante la misma presión. Ambos deben generar suficiente trabajo valioso antes de que la depreciación consuma el rendimiento esperado.
Lo que la estimación de 39.500 millones de dólares no demuestra
El cálculo de Bernstein expone la estructura de costes, pero no puede establecer la utilización futura, la vida útil ni los rendimientos de la inversión.
La estimación llega al público a través de resúmenes de investigación propietaria, en lugar de una lista de materiales de ingeniería plenamente accesible. Los lectores pueden examinar los supuestos principales, pero no pueden auditar de forma independiente cada componente o precio de proveedor.
Esa limitación importa porque el modelo ha cambiado. El análisis de Bernstein de junio situaba la infraestructura Vera Rubin cerca de los 47.000 millones de dólares por gigavatio y un rack en 9,1 millones de dólares. El resumen de octubre redujo la estimación por rack a 7,52 millones de dólares y la inversión total a 39.500 millones.
Una revisión del 17 por ciento del rack en pocos meses demuestra cuán sensible es el modelo a los supuestos sobre memoria, almacenamiento y configuración. No invalida la nueva estimación. Sí aconseja no tratar los 39.500 millones de dólares como una ley fija de la infraestructura de IA.
La cifra menor tampoco demuestra que los rendimientos hayan mejorado. Si las tarifas de alquiler del mercado caen junto con los costes de hardware, los operadores pueden trasladar el ahorro a los clientes. La competencia puede convertir una reducción de costes en inferencia más barata en lugar de márgenes más altos.
Las estimaciones de vida útil crean otra incertidumbre. Seis años proporcionan un calendario de depreciación conveniente, pero los aceleradores de IA compiten en un ciclo de producto mucho más rápido. Algunos sistemas antiguos seguirán siendo valiosos para inferencia, ajuste fino o cargas de trabajo menos exigentes. Otros pueden dejar de ser rentables antes debido al consumo energético o a los requisitos de software.
Las empresas pueden prolongar el uso de hardware antiguo desplazándolo a niveles inferiores de la escala de cargas de trabajo. Un clúster que ya no entrena el mayor modelo de frontera aún podría atender modelos más pequeños o trabajos por lotes. La demanda residual y los precios de esas tareas siguen siendo inciertos.
Los costes de energía también varían ampliamente. La estimación anual anterior de Bernstein, de 1.300 millones de dólares, utilizaba 0,15 dólares por kilovatio-hora. Una instalación con energía contratada más barata gastaría menos, mientras que las regiones con limitaciones pueden afrontar mayores costes de electricidad y de mejoras de red.
Un gigavatio de capacidad conectada no siempre equivale a un gigavatio de carga de TI continua. El mantenimiento, la redundancia, la sobrecarga de refrigeración, la eficacia en el uso de energía y los calendarios de puesta en marcha afectan al consumo. Las comparaciones requieren definiciones coherentes de potencia de red, carga crítica y carga de aceleradores.
La financiación complica aún más el panorama. Dos proyectos con equipos idénticos pueden producir rendimientos diferentes cuando uno depende de efectivo corporativo y otro utiliza deuda costosa. Los intereses son independientes de la depreciación, pero ambos deben estar respaldados finalmente por ingresos.
La estructura de financiación cobra mayor importancia a medida que el gasto supera los balances corporativos más sólidos. El análisis más amplio de AllianceBernstein sobre capex de IA advirtió que el aumento de la deuda y de la financiación de proveedores puede reducir la calidad de la financiación.
El mismo análisis estimó aproximadamente 400.000 millones de dólares de gasto en construcción de centros de datos durante 2025. También situó la inversión proyectada de los hyperscalers hasta 2027 por encima de 1 billón de dólares. Esos totales muestran por qué pequeños cambios en la utilización o la vida útil de los activos pueden afectar las ganancias de todo el sector.
La demanda sigue siendo la variable decisiva que falta. Los contratos firmados proporcionan más certeza que las previsiones, pero incluso los contratos requieren evaluación. La duración, los derechos de rescisión, la concentración de clientes, los pagos anticipados y el respaldo crediticio determinan si los ingresos prometidos se corresponden con el riesgo del activo.
Algunos operadores pueden protegerse mediante arrendamientos a largo plazo que trasladan la electricidad y otros costes operativos a los inquilinos. Esa estructura mejora la visibilidad para el propietario del inmueble. No garantiza que el inquilino obtenga ingresos suficientes de la capacidad de cómputo.
El análisis tampoco puede determinar cuánto crecerá la adopción de la IA. Los desarrolladores de modelos están creando sistemas de programación, herramientas de investigación, generadores de medios, productos publicitarios y agentes empresariales. Los ingresos por usuario y el coste por tarea siguen sin estar resueltos.
Para los compradores empresariales, unos menores costes de inferencia pueden acelerar la adopción. Más organizaciones pueden trasladar sistemas de IA de los experimentos a los flujos de trabajo habituales. Los equipos aún tendrán que medir si esos sistemas ahorran trabajo, mejoran los resultados o crean nuevos ingresos.
Los trabajadores del conocimiento se enfrentan a una disciplina similar. El acceso a más computación no produce automáticamente mejores decisiones. Las organizaciones necesitan información fiable, procesos utilizables y formas de conservar los resultados. Una base de conocimientos de IA con capacidad de búsqueda puede ayudar a preservar el contexto, pero no cambia la economía de la infraestructura.
La conclusión escéptica es limitada pero importante. Bernstein ha proporcionado un marco de costes plausible, no una prueba de una burbuja de IA ni una prueba de que los chips personalizados superarán a Nvidia. La estimación identifica el obstáculo que los ingresos futuros deben superar.
Tres señales mostrarán si la inversión puede rentabilizarse
La próxima fase se juzgará por la depreciación, la utilización y la calidad de los ingresos, más que por los anuncios de gigavatios adicionales.
La primera señal es el crecimiento de la depreciación de los hyperscalers. Amazon, Microsoft, Alphabet, Meta y Oracle divulgan la depreciación mediante estados financieros y comentarios sobre resultados. Los inversores deberían comparar esos cargos con los ingresos de la nube y los ingresos operativos.
Es previsible que la depreciación aumente durante una ola de construcción. La advertencia aparece cuando la depreciación crece de forma consistente más rápido que los ingresos respaldados por los nuevos activos. Ese patrón reforzaría la idea de que la recuperación del capital se ha convertido en la principal restricción.
Los cambios en la vida útil merecen la misma atención. Ampliar la vida de los servidores puede reducir el gasto anual y elevar las ganancias declaradas sin modificar el flujo de caja actual. Las empresas deberían explicar por qué los aceleradores más antiguos siguen siendo productivos y cómo se reasignan.
La segunda señal es la utilización efectiva de los nuevos clústeres Rubin y de ASIC personalizados. Los anuncios de pedidos muestran demanda de equipos, pero la ocupación y los volúmenes de carga de trabajo revelan si la capacidad terminada genera dinero.
Los proveedores de nube pueden aportar evidencia mediante la conversión de cartera de pedidos, los ingresos de servicios de IA, los calendarios de despliegue y las tendencias de margen. Las empresas de modelos pueden ofrecer una prueba más sólida a través del uso de pago, en lugar de medidas generales de usuarios registrados o tokens generados.
Si los sistemas Rubin entran en servicio con alta utilización y menor coste por unidad de producción útil, el extremo superior del rango de Bernstein será más fácil de defender. Si la capacidad se pone en marcha lentamente, la depreciación empezará a jugar en contra de la tesis de inversión.
Los chips personalizados afrontan la misma prueba. Un menor coste de instalación solo ayuda cuando el software y la demanda mantienen ocupado el hardware. Una utilización sólida respaldaría la afirmación de que la integración vertical genera ahorros duraderos. Una utilización débil mostraría que los menores costes de componentes no pueden compensar la capacidad sin usar.
La tercera señal es la relación entre los ingresos contratados y las obligaciones de financiación. La industria utiliza cada vez más arrendamientos, deuda, vehículos de propósito especial, pagos anticipados de clientes y acuerdos con proveedores para financiar infraestructura.
Estas estructuras pueden acelerar la construcción y distribuir el riesgo. También pueden dificultar el seguimiento de la economía. Los inversores deberían vigilar la duración de los contratos, la concentración de clientes, los costes de intereses, las cláusulas de rescisión y la diferencia temporal entre los pagos y la entrega de activos.
AllianceBernstein sostiene que el sector necesita evidencia de un amplio crecimiento de ingresos antes de que el ciclo de depreciación supere la visibilidad. Su preocupación no es simplemente la valoración total de las empresas de IA. Es el periodo en que el gasto es seguro, pero la trayectoria de los ingresos sigue sin estar clara.
Un resultado más sólido incluiría márgenes de nube en expansión pese a una mayor depreciación, un uso creciente de los clústeres terminados y una mayor cobertura de ingresos contratados. Esos avances debilitarían la opinión de que la expansión ha superado a la demanda.
Un resultado más débil combinaría retrasos en el despliegue, ampliaciones de la vida útil, caída de los precios de alquiler y una conversión más lenta de la cartera de pedidos. Esa combinación reforzaría la advertencia de Bernstein incluso si las empresas siguen anunciando nuevos proyectos.
La lección más amplia es que la disponibilidad de energía es solo el requisito de entrada. Una vez que una empresa asegura terreno, electricidad, refrigeración y aceleradores, adquiere un segundo problema. Debe convertir esa capacidad en producción económica recurrente con la suficiente rapidez para recuperar la inversión.
Los costes de los centros de datos de IA de Bernstein hacen visible ese plazo. La diferencia entre 34.600 millones y 39.500 millones de dólares importa, pero no es la variable decisiva. Los ingresos obtenidos antes de que el hardware pierda valor económico determinarán si el próximo gigavatio se convierte en infraestructura productiva o en una costosa carga contable.
Los lectores deberían mirar ahora más allá del tamaño de cada campus anunciado. Vigilen la depreciación en los resultados trimestrales, la utilización cuando los nuevos sistemas entren en servicio y la solidez de los contratos que respaldan la construcción. Esas tres señales revelarán si el auge de la infraestructura de IA está construyendo una plataforma informática duradera o tomando prestado crecimiento de un hardware que envejece más rápido que su modelo de negocio.
