La burbuja de la IA acaba de petar

Nvidia presta dinero a su cliente: la IA ensaya el guion de Lucent​

Nvidia financió el centro de datos de OpenAI, es decir, prestó dinero a uno de sus principales clientes para que le siguiera comprando chips. Las acciones del fabricante cayeron esa misma semana. La paradoja es de manual: el vendedor de palas pone el dinero para que el minero le compre las palas, y así la facturación luce en los libros mientras la caja tarda en volver. Es el mismo mecanismo, con otro nombre, que reventó la burbuja de las puntocom hace un cuarto de siglo.

Qué es el vendor financing y qué pasó con Lucent​

La operación tiene nombre técnico: vendor financing. Y precedente exacto. Lucent, uno de los grandes proveedores de equipos de telecomunicaciones de la burbuja anterior, llegó a acumular del orden de 8.000 millones de dólares en compromisos de financiación a sus propios clientes: les prestaba el dinero para que le compraran equipos y se apuntaba los ingresos en el balance. Cuando los clientes dejaron de pagar, la factura se la comió el accionista. La diferencia ahora es la escala: los centros de datos de IA mueven volúmenes de capital que entonces no existían.

El detalle importa porque el ingreso se reconoce hoy y el riesgo se cobra mañana. Si el comprador y el vendedor son, en la práctica, el mismo ecosistema de compañías, la foto del sector deja de medir demanda real y empieza a medir compromisos cruzados.

900 millones de usuarios, 50 millones de pago​

La adopción es real y rapidísima: ChatGPT suma 900 millones de usuarios, de los que solo 50 millones son de pago. Ninguna tecnología se ha extendido así en tan poco tiempo. El problema es que la IA no escala como internet.

Cablear el mundo abarató el ancho de banda hasta límites ridículos —la conexión doméstica es hoy miles de veces más rápida que la de los módems—, pero cada consulta a un modelo consume energía y cómputo, y la carrera por hacerlo más capaz se come lo que se gana en eficiencia. La conclusión que se repite en los análisis: si el retorno de beneficios lo captura el usuario y no el productor, o el usuario paga diez veces más, o la cuenta la cubre otro.

El miedo que no se dice: los pesos abiertos chinos​

Antes de que apareciera DeepSeek, el plan de Sam Altman pasaba por cobrar hasta 2.000 euros al mes por los modelos frontera. Ese precio ya no se sostiene si los pesos de los modelos chinos siguen publicándose abiertos y cada release llega acompañado de versiones más baratas y eficientes.

Ahí está, sostienen quienes siguen el sector, el motivo real de que las grandes tecnológicas hayan pasado en semanas de prometer el paraíso a pedir que se frene el ritmo por el bien de la humanidad. La secuencia china es la contraria: anuncian, entregan el modelo y desaparecen. Cero relato.

De la seguridad a la publicidad: el giro del relato​

En paralelo, la conversación pública se ha llenado de metáforas nucleares: tratados de no proliferación, controles estrictos, el monstruo que se escapa de las manos. Un marco que, leído en frío, dejaría el desarrollo solo en manos de los gobiernos y de las empresas que ya están dentro, el mejor cortafuegos posible contra un competidor que regala su producto.

Mientras tanto, la monetización que de verdad se estudia no es la científica, sino la publicitaria: inyectar anuncios en la conversación, con una privacidad que en la práctica pasa a ser nula. La historia de Google sirve de aviso, porque se merendó a Yahoo y a Altavista priorizando el algoritmo y no la caja. La duda es si un asistente al que le pides respuestas concretas puede hacer lo mismo sin que se note demasiado.

Cuánto de todo esto llega al cliente final​

El gran agujero es el valor de uso en el negocio de consumo. Para la mayoría, la IA es un buscador con mejor redacción, y quien tendría que sostener el tinglado es justamente ese usuario. Hay síntomas de saturación: plataformas como YouTube han duplicado los requisitos para monetizar, señal de que se sube mucho contenido generado automáticamente que no consume nadie.

Y la paradoja operativa es cruel. Cuanto más crítico es el trabajo que se delega en el modelo, más supervisión humana exige verificar que no la lía, hasta el punto de que a veces sale más barato hacerlo a mano.

Si la tecnología funciona, el capital se ha colocado mal; si además no funciona, el capital se ha tirado. Con las valoraciones donde están, el ajuste no depende de si la IA es útil, sino de quién aguanta el primer trimestre en que la facturación no acompañe. La pregunta, ahora que el vendedor financia al comprador, es cuánto tarda el mercado en mirar quién firma los pagarés.