El caso de la burbuja de IA de Ed Zitron se cruza con el auge del gasto de Big Tech
El último argumento de Ed Zitron sobre la burbuja de IA llegó a Google News en medio de un gasto récord en infraestructura y una creciente disputa sobre si la demanda puede justificar la factura.
La conversación de Blood in the Machine no anuncia un nuevo modelo ni una ronda de financiación. Capta algo más trascendental: el escepticismo ha pasado de los márgenes de la industria a su ciclo informativo diario.
Zitron sostiene que la IA generativa sigue siendo un producto antieconómico, sostenido por el gasto de los hyperscalers, las opacas finanzas de las empresas privadas y las promesas de demanda futura. Big Tech presenta el mismo despliegue como capacidad necesaria para clientes de nube, productos de consumo y modelos cada vez más capaces.
Ese conflicto importa ahora más que otra victoria en benchmarks. Microsoft, Alphabet, Amazon, Meta y sus proveedores están comprometiendo capital antes de que nadie pueda conocer el rendimiento total de la infraestructura a lo largo de su vida útil.
La cuestión central no es si la IA funciona. Muchos sistemas ya producen código útil, resúmenes, imágenes, resultados de búsqueda y análisis científicos. La pregunta es si esos usos pueden sostener la inversión, el consumo energético y los costes operativos continuos que los respaldan.
El argumento de la burbuja se vuelve más sólido cuando las empresas ocultan la economía unitaria o sustituyen los datos de adopción por ingresos duraderos. Se debilita cuando los costes más bajos desbloquean demanda y los negocios existentes absorben con éxito la inversión en IA.
Ambos fenómenos están ocurriendo a la vez. Por eso el estado actual de la burbuja de IA exige una contabilidad más detallada, no una simple etiqueta de auge o colapso.
Qué cambió realmente la conversación con Ed Zitron
El cambio importante es que la estructura financiera de la IA se ha convertido en la noticia, en lugar de ser el telón de fondo de otro lanzamiento de producto.
Zitron lleva años sosteniendo que la industria confunde la capacidad técnica con un negocio sostenible. Su argumento se centra en los costes recurrentes de computación, los enormes requisitos de capital y la divulgación limitada de los desarrolladores privados de modelos.
Blood in the Machine aborda la IA desde la perspectiva del trabajo, el poder corporativo y la automatización. Por eso, una conversación entre la publicación y Zitron parte de una posición escéptica. No es una presentación neutral para inversores.
Ese contexto importa porque aparecer en Google News puede hacer que una entrevista parezca un evento corporativo aislado. El acontecimiento subyacente es editorial: un crítico destacado está evaluando si las promesas financieras del auge coinciden con sus resultados operativos.
La afirmación más sólida de Zitron se refiere a la distancia entre el gasto de la industria y los rendimientos divulgados. Las empresas informan habitualmente sobre el crecimiento de la nube, las suscripciones, el uso o la demanda sin aislar los beneficios procedentes de la IA generativa.
Eso no demuestra que esos productos pierdan dinero. Muestra que quienes observan desde fuera a menudo carecen de los datos necesarios para evaluarlos por separado.
Una división de nube puede crecer mientras sus cargas de trabajo de IA más recientes siguen siendo costosas. Un asistente para consumidores puede atraer a millones de usuarios sin cubrir los gastos de inferencia y desarrollo. Una herramienta de programación puede aportar productividad real mientras opera dentro de un subsidio estratégico mayor.
La inferencia es el coste de ejecutar un modelo entrenado cuando alguien envía una solicitud. El entrenamiento crea el modelo, pero la inferencia se convierte en un gasto continuo a medida que se amplía el uso.
El software tradicional suele disfrutar de altos márgenes incrementales después del desarrollo. La IA generativa tiene una curva de costes más compleja porque cada respuesta consume computación, memoria, redes y electricidad.
Sin embargo, esa comparación puede simplificarse demasiado. Los proveedores de modelos están reduciendo los costes de inferencia mediante mejores chips, modelos más pequeños, optimización de software, almacenamiento en caché e infraestructura especializada.
Por lo tanto, la industria puede perder dinero hoy en una carga de trabajo y mejorar su economía más adelante. También puede reducir los precios más rápido de lo que caen los costes, preservando el mismo problema de márgenes.
La verdadera aportación de la entrevista no es un diagnóstico definitivo de burbuja. Propone un desafío verificable: mostrar de dónde proceden los ingresos de IA, cuánto cuesta prestarla y cómo mejora esa economía con la escala.
Los lectores deberían aplicar esa prueba de forma distinta a cada empresa. Nvidia vende equipos de computación escasos. Microsoft y Google venden capacidad de nube. OpenAI y Anthropic venden acceso a modelos y aplicaciones. Sus riesgos están relacionados, pero no son idénticos.
Un colapso en una capa no eliminaría todas las aplicaciones útiles. Cambiaría los precios, las condiciones de financiación, los contratos y qué empresas controlan la infraestructura superviviente.
Esa distinción separa un análisis serio de una burbuja de la predicción de que toda la tecnología de IA desaparecerá.
Por qué Google News se está llenando de argumentos sobre la burbuja de IA
El debate sobre la burbuja crece porque los compromisos de infraestructura son cada vez más difíciles de separar del desempeño corporativo.
Durante varios años, los inversores premiaron a las empresas por demostrar acceso a modelos, chips y capacidad de centros de datos. El mercado ahora espera pruebas de que esos recursos generan ingresos sostenidos o protegen negocios existentes.
Microsoft ilustra la tensión. Su informe anual de 2025 registró 64.600 millones de dólares en incorporaciones de propiedad y equipo, frente a los 44.500 millones de dólares de un año antes.
La empresa afirmó que las inversiones en infraestructura de nube e IA seguirían incrementando los costes operativos. También advirtió que esas inversiones podrían reducir los márgenes operativos.
Estas divulgaciones no respaldan una narrativa de colapso inmediato. Microsoft generó 136.200 millones de dólares en efectivo operativo durante el mismo ejercicio fiscal, lo que le proporciona una capacidad considerable para invertir.
Sí muestran por qué aumenta la carga de la prueba. Una empresa consolidada rentable puede financiar un experimento costoso durante más tiempo que una startup, pero el capital paciente no garantiza un rendimiento atractivo.
Alphabet presenta un conflicto similar a una escala planificada mayor. La empresa informó de 91.400 millones de dólares en gastos de capital en 2025, principalmente destinados a infraestructura técnica.
Durante su llamada de resultados de 2025, Alphabet proyectó gastos de capital para 2026 de entre 175.000 y 185.000 millones de dólares.
La empresa indicó que aproximadamente el 60 por ciento de su inversión de 2025 se destinó a servidores. El 40 por ciento restante cubrió centros de datos y equipos de red.
Alphabet también afirmó que una mayor depreciación y costes operativos presionarían su cuenta de resultados. La depreciación pasó de 15.300 millones de dólares en 2024 a 21.100 millones de dólares en 2025.
Estas cifras refuerzan el argumento de Zitron porque la infraestructura no desaparece después de que una empresa emita un comunicado de prensa. Los servidores envejecen, los edificios requieren energía y la depreciación llega con el tiempo a los estados financieros.
Sin embargo, Alphabet también informó de una demanda significativa por parte de clientes de nube. Afirmó que más de la mitad de su computación de aprendizaje automático en 2026 atendería al negocio de nube.
Esa afirmación proporciona una base medible al argumento optimista. Si los clientes siguen comprando capacidad, la infraestructura respalda un motor de ingresos consolidado en lugar de una aplicación especulativa.
El problema es la atribución. Los ingresos de Google Cloud incluyen bases de datos, almacenamiento, redes, seguridad, software de productividad y computación tradicional junto con IA.
Los inversores todavía no pueden asignar cada dólar de centros de datos a la IA generativa. Tampoco pueden asumir que cada venta de nube se habría producido sin los nuevos modelos.
La cobertura de Google News tiende a condensar esta incertidumbre en titulares opuestos. Una historia trata el gasto récord como prueba de demanda. Otra considera ese mismo gasto como prueba de una burbuja.
Ninguna inferencia es suficiente. El gasto de capital revela convicción y exposición, no el rendimiento final.
El debate seguirá siendo destacado porque la decisión de gasto llega primero. Las pruebas más claras sobre utilización, precios, depreciación y retención de clientes llegan después.
Esa brecha temporal es donde crecen las burbujas. También es donde comienzan los ciclos de infraestructura exitosos.
El verdadero adversario es la promesa de la IA frente a su economía
El conflicto principal no es Ed Zitron contra Silicon Valley; es la promesa de escala de la industria frente a la economía necesaria para sostenerla.
Las empresas de IA prometen que una adopción más amplia repartirá los costes fijos de desarrollo entre más clientes. También esperan que un mejor hardware y software reduzcan el coste de cada respuesta.
La primera parte se asemeja a la economía convencional del software. La segunda reconoce que la IA generativa sigue vinculada a recursos físicos durante su uso.
La escala puede ayudar mediante acuerdos de compra más grandes, mejor utilización de chips y centros de datos más eficientes. Puede perjudicar cuando los sistemas de razonamiento populares consumen más computación por cada respuesta.
Los modelos de razonamiento generan y evalúan pasos intermedios antes de devolver un resultado. Ese proceso puede mejorar el rendimiento, pero a menudo requiere más tokens y tiempo de procesamiento.
La economía resultante depende del diseño de la carga de trabajo. Una solicitud breve de clasificación difiere de una tarea larga de investigación. La generación de código difiere de la creación de imágenes. El chat para consumidores difiere de un agente empresarial conectado a sistemas internos.
Un único coste medio no puede describirlos a todos. Esa complejidad hace que las afirmaciones amplias sobre rentabilidad universal o pérdidas universales sean igualmente poco fiables.
El contraargumento más sólido de la industria proviene de la caída de los precios de inferencia. El AI Index de Stanford concluyó que los costes de inferencia de nivel GPT-3.5 cayeron más de 280 veces entre noviembre de 2022 y octubre de 2024.
Esa mejora es sustancial. Significa que una aplicación que antes parecía imposible puede volverse asequible sin cambiar su experiencia básica de usuario.
Los costes más bajos también pueden aumentar el consumo. Los desarrolladores pueden enviar más solicitudes, usar contextos más largos o asignar modelos a tareas que antes requerían revisión manual.
Este efecto rebote complica la historia optimista. Una mayor eficiencia no reduce automáticamente las necesidades totales de infraestructura cuando el uso se expande más rápido de lo que caen los costes unitarios.
También complica la historia de la burbuja. Una categoría de productos con una economía en rápida mejora no puede juzgarse únicamente por su estructura de costes inicial.
La distinción más útil es entre eficiencia técnica y eficiencia empresarial. La eficiencia técnica mide el resultado por unidad de computación. La eficiencia empresarial mide el beneficio bruto y el valor para el cliente por cada dólar gastado.
Un proveedor puede mejorar la primera mientras daña la segunda mediante descuentos agresivos. También puede mejorar la eficiencia empresarial dirigiendo los modelos hacia tareas de alto valor.
El desarrollo de software ofrece un ejemplo concreto. Un asistente de programación que ahorra varias horas en una migración compleja puede justificar un gasto considerable de computación.
Un asistente que crea código repetitivo poco fiable puede trasladar el trabajo a la revisión y depuración. Un alto uso exageraría entonces la adopción sin confirmar el valor económico.
La misma prueba se aplica a la búsqueda empresarial. Un modelo que encuentra una política o cláusula contractual enterrada puede reducir el tiempo de investigación. Una respuesta inexacta puede crear riesgo legal u operativo.
Los equipos necesitan material de origen rastreable, procedimientos de evaluación y revisión humana. Una base de conocimiento de IA con capacidad de búsqueda puede respaldar ese proceso, pero no elimina la necesidad de criterio.
Aquí es donde el debate sobre la burbuja de IA se vuelve práctico para los compradores. Las empresas no deberían preguntar si la IA es transformadora en general. Deberían medir si un flujo de trabajo definido mejora tras considerar los errores y la supervisión.
La industria quiere que los clientes crean que la escala resolverá la economía. La crítica de Zitron pregunta si la escala simplemente magnifica costes que las empresas no han revelado con claridad.
Ambas partes tienen ahora pruebas. Ninguna tiene suficientes pruebas para afirmar cuál será el resultado final.
Lo que las cifras de la burbuja de la IA todavía no demuestran
Los grandes totales de gasto revelan exposición, pero no demuestran que un colapso sea inminente ni que la inversión sea racional.
Un diagnóstico de burbuja requiere más que activos caros y lenguaje promocional. Normalmente implica precios o compromisos de financiación que no pueden sostenerse con flujos de caja futuros plausibles.
Los hyperscalers públicos siguen siendo rentables gracias a negocios consolidados. La publicidad, el software en la nube, el comercio y las franquicias de sistemas operativos pueden absorber la inversión en IA durante años.
Eso hace que el ciclo actual sea distinto de un conjunto de startups que dependen únicamente de financiación externa. También hace que la verdadera economía sea más difícil de observar.
Los ingresos existentes pueden subvencionar la experimentación. La IA también puede reforzar esos productos existentes sin aparecer como una partida independiente.
Google puede mejorar los sistemas publicitarios con aprendizaje automático mientras ofrece Gemini por separado. Microsoft puede proteger sus relaciones con Azure ofreciendo acceso a modelos, incluso si un asistente tiene márgenes débiles.
Meta puede utilizar infraestructura de IA para recomendaciones y publicidad junto con productos generativos. Amazon puede vender capacidad de computación mientras experimenta con sus propios modelos y aplicaciones.
Un crítico puede argumentar razonablemente que las empresas utilizan negocios heredados rentables para ocultar inversión especulativa. Un optimista puede argumentar razonablemente que los retornos integrados son toda la estrategia.
Ninguna de las dos posturas puede resolverse contando únicamente suscripciones a chatbots.
Los desarrolladores privados de modelos crean un problema de verificación independiente. Revelan cifras seleccionadas de ingresos, valoración, uso y alianzas sin publicar estados financieros completos auditados.
Los ingresos declarados pueden crecer rápidamente mientras también crecen las pérdidas. Los ingresos contratados pueden diferir de los ingresos reconocidos. Los compromisos de computación pueden extenderse durante años e incluir condiciones renegociables.
Por ello, los lectores deberían tratar las proyecciones filtradas como afirmaciones, no como resultados consumados. La misma cautela se aplica a los pronósticos de quiebra inevitable.
La crítica de Zitron es más persuasiva cuando identifica flujos de caja desajustados, financiación circular o dependencias no reveladas. Es menos persuasiva cuando toda aplicación útil se convierte en prueba de despilfarro.
Los sistemas de IA claramente aportan valor en algunos contextos. La pregunta difícil se refiere a la magnitud, durabilidad y distribución de ese valor.
La tecnología también tiene un valor estratégico que los informes financieros pueden reflejar indirectamente. Una empresa puede gastar de forma defensiva para evitar que los clientes migren a una plataforma rival.
El gasto defensivo puede ser racional incluso cuando un producto independiente obtiene beneficios modestos. También puede desencadenar una carrera armamentística en la que todos los participantes obtienen un mal retorno.
La historia ofrece ejemplos para ambas posturas. Las empresas de telecomunicaciones sobredimensionaron la fibra durante la era de las puntocom, provocando grandes pérdidas y dejando infraestructura útil.
La computación en la nube requirió años de inversión antes de convertirse en un importante centro de beneficios. La existencia de sobreinversión anterior no determina qué analogía encaja con la IA.
El argumento escéptico también necesita un mecanismo de fallo claro. Un elevado gasto de capital por sí solo no obligará a las empresas rentables a detenerse.
La presión aumentaría mediante una menor demanda de nube, baja utilización, caída de precios, aumento de la depreciación, tensión financiera o resistencia de los clientes. Probablemente tendrían que aparecer varias señales a la vez.
Una decepción aislada con un modelo no bastaría. El fracaso de una startup privada no pondría necesariamente fin a la inversión de los hyperscalers.
A la inversa, un buen trimestre de nube no validaría todos los centros de datos. Una aplicación productiva no respaldaría todas las valoraciones de modelos.
Las pruebas actuales respaldan una conclusión más limitada: la industria ha adquirido compromisos enormes antes de que haya retornos transparentes disponibles.
Ese es un riesgo real. Calificarlo de colapso garantizado va más allá de las pruebas.
Quién afronta mayor presión si el gasto se desacelera
Las primeras víctimas de un reajuste del gasto en IA serían los proveedores muy expuestos y los proyectos de infraestructura financiados, no todos los usuarios de IA.
La cadena de suministro de IA incluye empresas con colchones muy distintos. Los hyperscalers generan efectivo a partir de operaciones diversificadas. Las startups de modelos dependen más directamente del apoyo de los inversores y de las alianzas de computación.
Los desarrolladores de centros de datos pueden depender de un pequeño número de clientes. Los proveedores de chips se benefician cuando esos clientes compiten por aceleradores escasos.
Proveedores de energía, vendedores de redes, productores de memoria, especialistas en refrigeración y empresas de construcción se sitúan más abajo en la misma cadena de inversión.
Por tanto, una desaceleración avanzaría de forma desigual. Los compradores podrían retrasar nuevos campus mientras siguen operando los sistemas ya instalados. Podrían trasladar cargas de trabajo hacia modelos más pequeños en lugar de abandonar la IA.
También podrían exigir precios más bajos a los proveedores de modelos. Esa respuesta ayudaría a los clientes empresariales mientras comprime los márgenes de los proveedores.
Nvidia representa el símbolo más claro del auge porque sus aceleradores habilitan gran parte de la actual capacidad de entrenamiento e inferencia. Sin embargo, su economía difiere de la de un laboratorio de modelos.
Una venta de chips genera ingresos reconocidos para el proveedor. El comprador asume después el riesgo de utilización y depreciación.
Esa distinción importa al evaluar la burbuja de la IA. Una aplicación no rentable aún puede generar ventas rentables de hardware durante la fase de expansión.
El riesgo llega cuando los clientes concluyen que la capacidad adicional no generará lo suficiente. Los pedidos pueden desacelerarse antes de que desaparezcan las aplicaciones existentes.
Los proveedores de nube pública afrontan un cálculo distinto. Pueden alquilar infraestructura a clientes externos, utilizarla internamente o redistribuirla entre cargas de trabajo.
Esa flexibilidad reduce el riesgo de un solo producto. No elimina la posibilidad de exceso de capacidad o retornos débiles.
Los laboratorios privados de IA afrontan una presión mayor porque la computación es fundamental tanto para la entrega de productos como para la investigación. Un aumento del uso puede incrementar simultáneamente los ingresos y los gastos operativos.
Su poder de negociación depende de la calidad del modelo, la fidelidad de los clientes y el acceso a proveedores de infraestructura competidores. Las alianzas pueden reducir las necesidades inmediatas de efectivo mientras crean obligaciones a largo plazo.
Los compradores empresariales afrontan un riesgo más silencioso. Pueden volverse dependientes de herramientas cuyos precios, modelos o condiciones cambian a medida que los proveedores buscan márgenes sostenibles.
Un piloto puede parecer atractivo con precios promocionales. Una implementación en producción debe soportar un uso mayor, requisitos de cumplimiento, costes de evaluación y cambios de proveedor.
Los trabajadores del conocimiento también asumen costes de cambio cuando la IA se integra en las rutinas diarias. Sustituir un modelo puede alterar la calidad de los resultados, el comportamiento o la compatibilidad con los prompts existentes.
Los equipos deberían conservar documentos fuente, notas exportables y flujos de trabajo independientes del proveedor. Un sistema de conocimiento personal puede reducir la dependencia de una sola interfaz de modelo.
Esto no exige rechazar las herramientas de IA. Significa tratar los modelos como componentes sustituibles en lugar de repositorios permanentes para la memoria organizativa.
Si el gasto se desacelera, las aplicaciones útiles deberían sobrevivir mediante modelos más baratos, sistemas más acotados y una contratación más disciplinada. Los productos débiles sostenidos principalmente por subvenciones de inversores afrontarán mayor presión.
Ese resultado se parecería a una corrección de mercado, no a la desaparición de la inteligencia artificial.
El ajuste más duro afectaría a las empresas cuyas valoraciones exigen un crecimiento ininterrumpido. También alcanzaría a proyectos financiados sobre supuestos optimistas de capacidad.
La advertencia de Zitron es, por tanto, relevante más allá de los accionistas. La sobreconstrucción puede afectar la planificación energética, la infraestructura local, el empleo y los contratos con clientes.
Sin embargo, la distribución del riesgo sigue siendo más importante que la magnitud del titular. Un hyperscaler, una startup de modelos y un comprador de software no están haciendo la misma apuesta.
Qué deberían observar los lectores de Google News a continuación
Tres señales mostrarán si la tesis de la burbuja se fortalece: utilización, márgenes vinculados a la IA y un cambio sostenido en el gasto de capital.
La primera señal es la utilización de los centros de datos. Las empresas actualmente hacen hincapié en las restricciones de suministro y la demanda de los clientes.
Esté atento a un cambio en ese lenguaje. Proyectos retrasados, contratos de arrendamiento más cortos, capacidad disponible de aceleradores o carteras de pedidos de nube más débiles sugerirían que la demanda esperada no está llegando.
Una alta utilización respaldaría la postura contraria. Mostraría que los clientes están absorbiendo capacidad incluso antes de que todas las cargas de trabajo alcancen márgenes maduros.
La utilización por sí sola no puede establecer la rentabilidad. Sí revela si la sobreconstrucción está empezando a hacerse visible en la infraestructura física.
La segunda señal es la divulgación de márgenes vinculada a los servicios de IA. Los inversores necesitan más que recuentos de usuarios, volúmenes de tokens o crecimiento generalizado de la nube.
Necesitan pruebas sobre los costes de prestación, descuentos, retención de clientes y la relación entre el crecimiento de los ingresos y el gasto en computación.
El margen bruto mide los ingresos que permanecen después de los costes directos de prestación. Ofrece una visión más clara de la economía de los modelos que la valoración o los ingresos anualizados.
Las empresas públicas podrían no aislar estas cifras. Los desarrolladores privados tienen aún menos requisitos de divulgación.
Esa ausencia mantendría viva la crítica de Zitron. Márgenes transparentes y en mejora debilitarían la versión más sólida de su argumento sobre la burbuja.
La tercera señal es una reducción sostenida del gasto de capital previsto entre varios hyperscalers. Un solo campus retrasado significaría poco, ya que los permisos, la energía y el equipamiento pueden cambiar el calendario de un proyecto.
Reducciones coordinadas significarían que los equipos directivos ven retornos más débiles o capacidad suficiente. Los aumentos continuos mostrarían confianza, pero no necesariamente una reivindicación.
La calidad del gasto también importa. Las empresas pueden redirigir capital hacia inferencia, chips propios, redes o edificios de larga duración.
Un cambio hacia hardware especializado y más barato podría mejorar la economía sin reducir el gasto total. Un cambio hacia campus especulativos podría aumentar la exposición a largo plazo.
Los lectores también deberían distinguir la información de la agregación. Google News puede revelar que el debate sobre la burbuja de la IA se está extendiendo, pero su titular no valida a ninguna de las partes.
Las fuentes subyacentes, las presentaciones regulatorias y las definiciones financieras importan más que el número de historias similares en un feed.
La crítica de Zitron merece atención porque exige contabilidad donde la industria a menudo ofrece aspiración. Sus conclusiones merecen el mismo escrutinio que él aplica a las afirmaciones corporativas.
El argumento optimista también necesita disciplina. La caída de los costes de inferencia, el aumento de la demanda de nube y las aplicaciones útiles no garantizan que las valoraciones actuales sobrevivan.
El resultado probable no es un único veredicto claro. Parte de la infraestructura generará retornos sólidos, parte se depreciará y algunos productos subvencionados se volverán más caros.
Los desarrolladores deberían vigilar los precios de los modelos y la disponibilidad de capacidad. Los compradores empresariales deberían medir los resultados de los flujos de trabajo y los costes de cambio. Los trabajadores del conocimiento deberían preservar el acceso a su información subyacente.
La cuestión de la burbuja de la IA se vuelve práctica cuando los lectores dejan de preguntar si la IA es real. La mejor pregunta es qué ingresos permanecen después de que las subvenciones, los descuentos y los costes de infraestructura se hagan visibles.
Siga el próximo ciclo de resultados con esa prueba. Compare el gasto de capital con la utilización, la depreciación y los márgenes de IA divulgados, en lugar de fijarse en la adopción de titulares.
Si esas métricas mejoran a la vez, la tesis más fuerte del colapso se debilita. Si el gasto aumenta mientras los retornos siguen siendo opacos, la advertencia de Ed Zitron gana peso.
Esa es la señal que vale la pena seguir más allá del próximo titular de Google News.
