David Cahn pregunta: ¿Puede la IA responder a la pregunta de los 3 billones de dólares antes de que se aleje la rentabilidad?

David Cahn, socio de Sequoia, ha elevado su estimación sobre la infraestructura de IA a 1,5 billones de dólares, obligando a los inversores a afrontar un problema de ingresos mucho mayor. ¿Puede la IA responder a la pregunta de los 3 billones de dólares antes de que la rentabilidad esperada se posponga más allá de 2028?

Esa cifra representa la estimación de Cahn sobre los ingresos necesarios para justificar el gasto del sector en infraestructura durante 2026. Incluye la carga económica asociada a chips, centros de datos, sistemas eléctricos, equipos de red y márgenes de los operadores.

El conflicto ya no enfrenta simplemente a optimistas y escépticos de la IA. Ahora contrapone los ingresos prometidos por el sector con los compromisos físicos y financieros que Google, Meta, Microsoft, Amazon y sus socios ya han asumido.

Las empresas de IA crecen con rapidez, pero los compromisos de infraestructura lo han hecho a otra escala. La caída del coste de los tokens y el abaratamiento de los modelos de pesos abiertos facilitan la adopción, al tiempo que dificultan alcanzar el objetivo de ingresos.

Esta paradoja somete a los hiperescaladores a una presión creciente. Los inversores esperan que sus enormes programas de inversión produzcan un flujo de caja libre considerablemente mayor durante los próximos años.

Si ese efectivo no llega en el plazo previsto, las consecuencias irán más allá de los desarrolladores de modelos. Alcanzarán a los proveedores de chips, las compañías eléctricas, los mercados de crédito, los principales índices bursátiles y la economía en general.

David Cahn convierte una advertencia de 200.000 millones de dólares en una prueba de 3 billones

La nueva estimación de Cahn transforma el debate sobre la IA: de una cuestión sobre la demanda de productos pasa a ser una prueba de si los ingresos pueden alcanzar el ritmo del gasto en infraestructura.

Cahn comenzó a plantear este argumento en 2023, cuando Nvidia declaraba unos ingresos anuales por GPU cercanos a los 50.000 millones de dólares. A esa cifra añadió los costes operativos y los márgenes necesarios en toda la cadena de infraestructura.

Ese cálculo indicaba que el sector necesitaba aproximadamente 200.000 millones de dólares en ingresos para recuperar la inversión inicial. La estimación pasó a conocerse como la «pregunta de los 200.000 millones de dólares» de la IA.

La pregunta no pretendía afirmar que la IA estuviera destinada al fracaso. Cahn la planteó como un desafío para que los emprendedores crearan aplicaciones capaces de utilizar de forma rentable la capacidad de cómputo disponible.

Tres años de construcción intensiva han cambiado la magnitud del problema. Según un análisis de infraestructura publicado el 9 de julio, Cahn estima ahora que el gasto en infraestructura de IA durante 2026 ascenderá a 1,5 billones de dólares.

Su modelo implica que el sector necesita 3 billones de dólares en ingresos para justificar ese desembolso. La cifra refleja mucho más que el precio de compra de los aceleradores.

Los centros de datos necesitan electricidad, refrigeración, redes, memoria, terrenos, mano de obra para la construcción y mantenimiento continuo. Los operadores de infraestructura también esperan obtener rentabilidad por su capital.

Cahn sostiene que la cifra final podría ser aún mayor. Las limitaciones de memoria, los chips especializados en inferencia y el aumento de los costes de construcción pueden incrementar los ingresos necesarios por cada gigavatio de capacidad.

Un gigavatio mide la capacidad energética, no la producción de IA. Es una variable importante porque la electricidad se ha convertido en uno de los límites más claros para la rapidez con la que las empresas pueden desplegar nuevos sistemas informáticos.

Apollo ha publicado una previsión de infraestructura independiente que ilustra la misma presión. Estimó que sostener la infraestructura de IA hasta 2028 requeriría cerca de 3 billones de dólares en capital.

Apollo esperaba que aproximadamente la mitad de esa cantidad procediera de financiación externa. Su previsión de capital también calculaba que el crédito privado podría aportar más de 800.000 millones de dólares.

Las estimaciones miden aspectos diferentes y no deben considerarse equivalentes. Cahn analiza los ingresos necesarios para justificar el gasto, mientras que Apollo estima las necesidades de financiación de la infraestructura.

Ambos cálculos apuntan al mismo problema subyacente. El despliegue físico de la IA avanza más deprisa que la capacidad demostrada del sector para generar un flujo equivalente de ingresos estables procedentes de clientes.

La expansión también requiere largos plazos de ejecución. Cahn ha afirmado que la construcción de un centro de datos de IA tarda, en promedio, unos dos años.

Por tanto, los proyectos anunciados durante el auge inicial de la IA generativa están entrando en funcionamiento después de que se tomaran muchas decisiones de compra. Su valor económico depende de una demanda que deberá mantenerse durante años.

La infraestructura en la nube ofreció un precedente más lento. Amazon presentó AWS en 2006, y la migración de las cargas de trabajo empresariales se desarrolló a lo largo de varias décadas.

Ese ritmo permitió a los proveedores financiar la expansión de forma progresiva. El ciclo actual de la IA exige que las empresas aseguren chips, electricidad y capacidad de construcción antes de que la demanda resulte igual de evidente.

Por tanto, la pregunta de los 3 billones de dólares no cuestiona si la gente utiliza la IA. Su uso ya se ha extendido a las búsquedas, el desarrollo de software, la atención al cliente, la investigación, la producción de contenidos y el trabajo de oficina.

La cuestión es si los clientes pagarán lo suficiente y durante el tiempo necesario para sostener la infraestructura construida en su nombre. Es una prueba mucho más exigente.

¿Puede la IA responder a la pregunta de los 3 billones de dólares con los ingresos actuales?

Las principales empresas de IA han creado negocios considerables, pero los ingresos que declaran siguen muy por debajo del nivel implícito en el cálculo de Cahn.

Según informes, Anthropic se acercaba a los 60.000 millones de dólares en ingresos recurrentes anuales en julio de 2026. Los ingresos recurrentes anuales, o ARR, proyectan durante un año completo los ingresos actuales por suscripciones y contratos.

Según informes, OpenAI generó 13.000 millones de dólares durante 2025. La empresa afirmó en noviembre de 2025 que había alcanzado los 20.000 millones de dólares en ARR, lo que apuntaba a una aceleración sostenida más allá de los ingresos anuales contabilizados.

Estas cifras demuestran que existe una demanda real, especialmente de agentes de programación y asistentes de propósito general. Pero no cierran una brecha de varios billones de dólares.

Además, los ingresos de los proveedores de modelos son solo una parte de la respuesta. Google, Microsoft, Amazon y Meta pueden monetizar la IA mediante servicios en la nube, publicidad, comercio, suscripciones y mejoras de eficiencia interna.

Google puede aplicar modelos a la publicidad en búsquedas y a las cargas de trabajo en la nube. Microsoft puede integrar asistentes en el software empresarial mientras vende capacidad de cómputo a través de Azure.

Amazon puede utilizar la IA en sus operaciones minoristas y ofrecer infraestructura para modelos mediante AWS. Meta puede mejorar sus sistemas publicitarios y la interacción de los usuarios sin cobrar directamente por cada interacción con un modelo.

Estos rendimientos indirectos complican el cálculo de Cahn. Cada dólar de mejora en el rendimiento publicitario puede contribuir a justificar la infraestructura, aunque nunca figure como ingreso procedente de una API de modelos.

El ahorro de costes también cuenta. Un agente que acorte un proyecto de software o automatice la atención al cliente puede crear valor sin convertirse en una línea de producto independiente.

Sin embargo, los beneficios indirectos son difíciles de aislar. Las empresas podrían atribuir a la IA mejoras que también reflejen cambios de precios, recortes organizativos, crecimiento del mercado o actualizaciones convencionales de software.

Las aplicaciones más sólidas a corto plazo siguen concentradas. En sus perspectivas sobre la IA para 2026, Cahn identificó la programación y ChatGPT como las dos aplicaciones revolucionarias ya consolidadas.

Esperaba que ambas categorías se acercaran o superaran las decenas de miles de millones de dólares en ingresos anuales. También observó un grupo creciente de startups que avanzaban hacia una escala comercial significativa.

Los agentes de programación presentan una justificación económica especialmente clara. Pueden redactar código, revisar cambios, probar interfaces, investigar fallos y manejar herramientas de desarrollo.

El comprador puede comparar esos resultados con el tiempo de ingeniería, la velocidad de lanzamiento y las tasas de defectos. Esto permite medir el retorno con mayor precisión que una promesa genérica de mejorar el trabajo intelectual.

Incluso en este ámbito, atribuir los ingresos sigue siendo complicado. Una empresa puede pagar por varios asistentes mientras sus ingenieros continúan utilizando las herramientas de desarrollo y los servicios en la nube existentes.

La pregunta relevante no es si el agente produce código útil. Es si la productividad resultante supera los costes de suscripción, inferencia, revisión, seguridad e integración.

La implantación empresarial introduce otra demora. Las grandes organizaciones deben conectar los modelos con datos privados, permisos, sistemas de software y procesos de aprobación.

También necesitan métodos de evaluación que distingan una respuesta elocuente de un resultado fiable. Un modelo que funciona bien en una demostración puede seguir fallando dentro de un flujo de trabajo de producción prolongado.

Cahn ha descrito a las empresas como agotadas por la dificultad de sus proyectos internos de IA. Ese cansancio abre una oportunidad para las startups de aplicaciones, pero también retrasa los ingresos que necesitan los propietarios de infraestructura.

Una aplicación especializada puede estructurar los modelos en torno a una sola tarea y eliminar trabajo de integración. Aun así, el proveedor de la aplicación sigue afrontando la presión de la caída de los costes de los modelos y de la rápida imitación de funcionalidades.

Por tanto, la justificación de los ingresos debe funcionar en varios niveles. Los proveedores de modelos necesitan contratos, las empresas de aplicaciones necesitan retener clientes y los hiperescaladores necesitan una utilización rentable de sus centros de datos.

Una mayor utilización por sí sola no basta si cada unidad de trabajo se abarata más deprisa de lo que crece la demanda. Los ingresos dependen de la interacción entre el volumen de uso y la disminución del coste unitario.

Para que la IA responda a la pregunta de los 3 billones de dólares, los clientes tendrán que consumir mucha más inteligencia a medida que disminuya su coste. Es un desenlace plausible, pero el aumento necesario sería enorme.

Los tokens más baratos provocan la paradoja central de los ingresos de la IA

Las mismas mejoras de eficiencia que facilitan la adopción de la IA pueden debilitar el crecimiento de los ingresos necesario para amortizar su infraestructura.

Las empresas de modelos suelen cobrar por tokens, las pequeñas unidades de texto o código que se procesan durante la generación. La reducción del coste de los tokens disminuye el gasto de operar asistentes y agentes.

Es una buena noticia para los desarrolladores y los clientes empresariales. Un flujo de trabajo que resultaba demasiado caro el año pasado puede volverse comercialmente viable tras una mejora del modelo o del hardware.

Sin embargo, la reducción de los costes unitarios presiona a los proveedores. Si un agente realiza la misma tarea con menos tokens, el proveedor recibe menos ingresos por uso, salvo que los clientes ejecuten más tareas.

Esta es la paradoja central del argumento de Cahn. El progreso técnico mejora el producto, pero también eleva el volumen necesario para recuperar las inversiones en infraestructura.

OpenAI afirmó que GPT-5.4 necesitaba menos tokens que GPT-5.2 para muchas tareas. La empresa también lo presentó como un modelo más potente para programación, uso de herramientas y flujos de trabajo profesionales.

En una evaluación pública de programación, GPT-5.4 obtuvo un 57,7 %, frente al 55,6 % de GPT-5.2. La evaluación del modelo de OpenAI también informó de avances importantes en búsquedas web agénticas.

Posteriormente, OpenAI afirmó que su modelo más reciente era un 54 % más eficiente en el uso de tokens para tareas de programación agéntica. Esa afirmación describe la cantidad de cómputo expresada mediante tokens, no una mejora de productividad garantizada.

Los resultados independientes en producción pueden variar según las instrucciones, las herramientas, la duración de las tareas y la configuración del razonamiento. Una prueba comparativa no puede determinar el coste final de una implantación empresarial.

Aun así, la tendencia es clara. Los modelos compiten no solo en inteligencia, sino también en la eficiencia con la que convierten el cómputo en trabajo terminado.

La eficiencia puede estimular la demanda mediante un efecto económico conocido. Cuando un recurso se abarata, la gente suele descubrir nuevas formas de utilizarlo.

Los desarrolladores pueden pasar de completar código ocasionalmente a utilizar agentes que supervisen las pruebas de forma continua. Los equipos de soporte pueden analizar todas las interacciones con clientes en lugar de limitarse a una muestra.

Los investigadores pueden llevar a cabo varias investigaciones en paralelo. Los equipos de producto pueden generar, probar y comparar muchos más prototipos antes de elegir uno.

Estos escenarios pueden aumentar el consumo total de tokens pese a reducir los costes por tarea. La tesis de la infraestructura exige que esa expansión se produzca en un mercado de enorme tamaño.

Los flujos de trabajo agénticos ofrecen una posible vía. Un agente no se limita a responder a una única instrucción y detenerse. Planifica, utiliza herramientas, lee archivos, comprueba resultados y repite pasos.

Una investigación publicada en 2026 reveló que las tareas de programación agéntica podían consumir muchos más tokens que una conversación convencional sobre código. El mismo estudio constató una gran variación entre ejecuciones repetidas.

Esa variabilidad ayuda a entender por qué las afirmaciones sobre eficiencia deben tomarse con cautela. Un mayor número de tokens no se tradujo sistemáticamente en más precisión, y los modelos tuvieron dificultades para predecir su propio consumo.

Los compradores exigirán cada vez más trabajo terminado, en lugar de un volumen bruto de tokens. Esto aumenta la presión para evaluar los resultados, ofrecer presupuestos predecibles y garantizar una ejecución auditable.

Una empresa que organice su propio trabajo con IA puede beneficiarse de mantener reunidas las fuentes, las decisiones y los resultados de los modelos. Una base de conocimiento de IA con funciones de búsqueda puede reducir la recuperación repetida de información y preservar el contexto que sustenta los resultados.

Un contexto de mayor calidad puede reducir el desperdicio, pero no garantiza la fiabilidad. Los equipos siguen necesitando revisión humana para las decisiones financieras, legales, médicas, de seguridad y operativas que puedan tener consecuencias importantes.

La cuestión económica es si estos flujos de trabajo generan suficiente actividad adicional para compensar las mejoras de eficiencia. Los proveedores necesitan que el consumo crezca más rápido de lo que disminuyen los costes unitarios.

Este requisito recuerda a otras transiciones informáticas. El almacenamiento más barato generó más datos, mientras que el abaratamiento del ancho de banda impulsó el vídeo en streaming y las aplicaciones en la nube.

La IA podría seguir el mismo patrón. La diferencia radica en la cantidad de capital comprometido antes de que la nueva curva de demanda haya terminado de materializarse.

Los modelos de pesos abiertos ponen bajo presión las previsiones de los hiperescaladores

La competencia de los modelos de pesos abiertos amenaza la premisa de que el creciente uso de la IA fluirá principalmente a través de las plataformas estadounidenses de modelos y nube más caras.

Un modelo de pesos abiertos pone sus parámetros entrenados a disposición de los usuarios para que puedan descargarlos u operarlos. Esto no implica necesariamente que revele sus datos de entrenamiento ni todo su proceso de desarrollo.

Las organizaciones pueden ejecutar estos modelos en su propia infraestructura, utilizar servicios de alojamiento especializados o adaptarlos a tareas más específicas. Esa flexibilidad puede reducir la dependencia de un único proveedor.

Torsten Slok, economista jefe de Apollo, señaló este cambio como un riesgo para las previsiones de los hiperescaladores. Indicó que los modelos chinos estaban ganando cuota mientras los precios de los tokens continuaban descendiendo.

Según el análisis de Apollo publicado en julio, los modelos chinos superaron a sus homólogos estadounidenses en uso de tokens entre los 20 modelos más utilizados. Los gráficos subyacentes se basaron en datos de OpenRouter y otros conjuntos de datos de uso.

Estos conjuntos de datos no representan todo el mercado. Pueden sobrerrepresentar a los desarrolladores que cambian frecuentemente de modelo e infrarrepresentar las implementaciones empresariales privadas.

Aun así, revelan comportamientos competitivos relevantes. Los usuarios suelen elegir un modelo más barato cuando ofrece un rendimiento suficientemente bueno para una tarea rutinaria.

Un equipo de software podría reservar un modelo de frontera para las decisiones de arquitectura y utilizar modelos más pequeños para pruebas, documentación, clasificación y formateo.

Una operación de atención al cliente puede dirigir las solicitudes sencillas a un modelo local y escalar las conversaciones ambiguas a un sistema alojado más potente.

Esta combinación reduce el precio que puede cobrar un proveedor individual. También resta valor al liderazgo en los benchmarks cuando varios modelos cumplen el umbral exigido por el comprador.

Google, Meta, Microsoft y Amazon siguen protegidas por su escala, distribución y relaciones existentes con los clientes. Pueden integrar la IA con servicios en la nube, software de productividad, sistemas publicitarios y plataformas para desarrolladores.

También disponen de la solidez financiera necesaria para seguir construyendo durante una guerra de precios. Los proveedores de infraestructura más pequeños carecen de ese colchón.

Sin embargo, la escala genera exposición además de protección. Las mayores empresas son las que más capital han comprometido y las que afrontan las expectativas más elevadas de los inversores.

Las previsiones de consenso examinadas por Apollo estiman que el flujo de caja libre de los hiperescaladores aumentará a más del doble durante los próximos años. El flujo de caja libre mide el efectivo restante después de los gastos operativos y las inversiones de capital.

Estas previsiones presuponen que la inversión actual generará empresas más grandes y rentables. También suponen que el retorno llegará con suficiente rapidez para adelantarse a los costes de depreciación y financiación.

La depreciación distribuye el coste de un activo a lo largo de su vida útil prevista. Adquiere especial importancia cuando los aceleradores más recientes hacen que el hardware existente resulte menos atractivo desde el punto de vista económico.

Un centro de datos puede seguir funcionando físicamente y, al mismo tiempo, generar rendimientos inferiores a los previstos. Los chips más rápidos pueden reducir el valor de los sistemas antiguos antes de que concluya su vida contable.

Cahn también ha advertido de que un retraso en los plazos para alcanzar la inteligencia artificial general podría dejar expuesta la capacidad actual. Si las capacidades avanzadas llegan más tarde, parte del hardware podría envejecer antes de que la demanda justifique su despliegue.

Este riesgo no significa que los chips instalados vayan a quedar inutilizados. Los sistemas existentes pueden servir para ejecutar modelos más pequeños, tareas de ajuste fino, inferencia, investigación y cargas de trabajo de menor prioridad.

La cuestión es el rendimiento obtenido en comparación con la previsión original. Una capacidad construida para ofrecer inteligencia premium escasa podría terminar abasteciendo un mercado competitivo de productos básicos.

Slok planteó tres posibles consecuencias si el retorno decepciona. En primer lugar, las previsiones de flujo de caja y beneficios caerían mientras el gasto de capital y la depreciación continuarían.

En segundo lugar, una oleada de ventas en las mayores empresas tecnológicas podría extenderse a los mercados de chips, energía, centros de datos y renta variable.

En tercer lugar, los hiperescaladores podrían recurrir más a la deuda si el efectivo generado por sus operaciones dejara de cubrir la expansión. Esto elevaría el apalancamiento y expondría a los prestamistas a un mayor riesgo de infraestructura.

El análisis de Apollo va más allá y sostiene que un retorno tardío podría contribuir a una recesión y a una corrección del S&P 500. Se trata de un escenario de riesgo, no de una previsión consolidada.

Esta afirmación también requiere contexto. Los mayores hiperescaladores cuentan con negocios diversificados, una sólida generación de efectivo y capacidad para modificar sus planes de gasto.

Pueden retrasar proyectos, renegociar compromisos de suministro, trasladar cargas de trabajo o redirigir capacidad hacia productos internos. Sus programas de inversión no son completamente inflexibles.

También existe una interpretación optimista de la competencia abierta. Los modelos más baratos pueden llevar la IA a más organizaciones y aumentar la demanda de almacenamiento en la nube, redes, seguridad y herramientas de implementación.

Los hiperescaladores podrían obtener ingresos alojando modelos competidores incluso si sus propios modelos pierden cuota. Históricamente, las plataformas de infraestructura se han beneficiado de ecosistemas de software amplios.

Por tanto, la presión procede de los plazos y los márgenes, no de un simple desplome de la demanda. La adopción puede seguir aumentando aunque los retornos financieros lleguen más tarde de lo que esperan los mercados.

Tres señales mostrarán si el retorno de la IA está llegando

La respuesta aparecerá primero en la utilización, el flujo de caja libre y el comportamiento empresarial, no en otro benchmark que acapare titulares.

La primera señal es el flujo de caja libre de los hiperescaladores. Google, Meta, Microsoft y Amazon deben demostrar que la inversión en IA favorece una generación de efectivo creciente hasta 2028.

El crecimiento de los ingresos por sí solo no resolverá la cuestión. Los inversores necesitan comprobar que el efectivo generado por las operaciones supera las exigencias de la construcción de centros de datos, la compra de equipos y la infraestructura de apoyo.

Las empresas ofrecerán explicaciones diferentes porque sus modelos de negocio también lo son. La cartera de contratos pendientes es importante para Microsoft, Amazon y Google, mientras que los retornos publicitarios tienen mayor peso para Meta.

La comparación útil es la relación entre el gasto de capital y el flujo de caja incremental. Una brecha cada vez mayor reforzaría la tesis de un retorno tardío.

Una brecha más estrecha la debilitaría, especialmente si las empresas identifican ingresos recurrentes procedentes de la IA en lugar de apoyarse en afirmaciones generales sobre la interacción de los usuarios.

La segunda señal es la utilización física de los centros de datos. Cahn ha sugerido que la acumulación de chips en almacenes indicaría retrasos en la construcción o un desajuste entre las entregas de equipos y las instalaciones disponibles.

El hardware necesita electricidad, refrigeración, redes y edificios terminados antes de poder generar ingresos. Un acelerador entregado que permanece sin utilizar sigue siendo un coste de capital.

Conviene prestar atención a los retrasos en las fechas de apertura, las limitaciones eléctricas y los cambios en los calendarios de despliegue de equipos. También habrá que observar si los proveedores informan de que la nueva capacidad se vende rápidamente tras su lanzamiento.

Apollo afirmó en julio que la capacidad de GPU bajo demanda seguía estando prácticamente agotada. También informó de una demanda firme de alquiler para algunos chips más antiguos.

Estas evidencias respaldan la tesis de escasez a corto plazo. La persistencia de esa escasez debilitaría la idea de que el sector ya ha construido en exceso.

El panorama cambiaría si las tarifas de alquiler cayeran mientras la capacidad terminada permaneciera vacía. Esa combinación sugeriría que la oferta está alcanzando a la demanda antes de que los ingresos lleguen a la escala requerida por Cahn.

La tercera señal es el gasto empresarial en trabajo terminado. Las empresas deben superar la fase experimental y renovar los sistemas de IA porque estos ofrecen resultados medibles.

Entre los indicadores útiles figuran las tasas de finalización de los agentes, la retención de clientes, el crecimiento de las cargas de trabajo en producción y los ahorros documentados en mano de obra o tiempos de ciclo. El número bruto de instrucciones aporta menos información.

El desarrollo de software seguirá siendo una prueba importante. La programación cuenta con flujos de trabajo claros, costes laborales elevados, herramientas digitales y resultados medibles.

Si los agentes de programación se convierten en infraestructura de producción estándar, podrán sostener una demanda duradera en distintos modelos y nubes. Si la adopción se estanca en la asistencia supervisada, habrá que ajustar las expectativas de ingresos.

La atención al cliente constituye otra prueba. Los modelos deben resolver correctamente los casos, cumplir las políticas, proteger los datos y saber cuándo escalar una incidencia.

Un menor coste por conversación solo importa si la calidad sigue siendo aceptable. De lo contrario, los ahorros se trasladan al trabajo de revisión, corrección y recuperación de clientes.

El trabajo del conocimiento plantea un problema de medición más difícil. Las organizaciones deben conectar los asistentes con un contexto interno fiable antes de que sus resultados adquieran una utilidad consistente.

Esto exige acceso a documentos, permisos, seguimiento de fuentes y memoria institucional. Un flujo de trabajo de conocimiento práctico puede ayudar a los equipos a comprobar si la IA ahorra tiempo en tareas recurrentes.

Los próximos trimestres deberían revelar si estos ejemplos se convierten en sistemas duraderos o siguen siendo funciones de productividad dispersas. Los sistemas duraderos generan demanda recurrente y resisten mejor los recortes presupuestarios.

Los inversores también deberían diferenciar los ingresos de los modelos de los retornos de la infraestructura. El éxito de una aplicación no garantiza automáticamente márgenes sólidos para todos los propietarios de centros de datos.

Del mismo modo, el descenso de los costes de las API no demuestra automáticamente que la demanda sea débil. Puede hacer viables cargas de trabajo que antes no resultaban rentables.

¿Puede la IA responder a la pregunta de los 3 billones de dólares? El sector ha demostrado que existe demanda, una rápida mejora de los productos y varias aplicaciones valiosas.

Lo que todavía no ha demostrado son ingresos a la escala que implican sus compromisos de infraestructura. Las pruebas decisivas procederán del efectivo, la utilización y las compras empresariales recurrentes.

El cálculo de Cahn debe entenderse como una prueba de resistencia, no como una cuenta atrás hacia el fracaso. Identifica la cantidad de valor económico que la expansión actual deberá sostener con el tiempo.

Para los desarrolladores y compradores empresariales, la respuesta práctica no consiste en dejar de adoptar la IA. Consiste en medir cuidadosamente los resultados y conservar las evidencias que respaldan cada decisión.

Registre el trabajo terminado, los costes de revisión, las sustituciones de modelos y el crecimiento real del uso. Esos registros mostrarán si la eficiencia está creando más valor o simplemente reduciendo la factura.

La respuesta a los 3 billones de dólares no llegará en una sola presentación de resultados. Surgirá a medida que miles de organizaciones decidan qué flujos de trabajo de IA merecen convertirse en permanentes.