Las tres etapas de transformación en la narrativa de IA

Desde 2026, la narrativa global sobre IA está experimentando un cambio marginal importante, y al menos hemos observado tres niveles de transformación en la narrativa.

Primer nivel de narrativa: empiezan a surgir desacuerdos sobre la Ley de Escalado (Scaling Law).

Los últimos años, el motor principal de inversión en IA se basaba en la experiencia de la Ley de Escalado: cuanto más grande el modelo, más datos y mayor la potencia computacional, mejor rendimiento. Pero esta regla está empezando a mostrar fisuras:

Primero, restricciones físicas, como el suministro eléctrico, transformadores y otros componentes.

Segundo, cuellos de botella en datos: los datos de texto de alta calidad y públicos para preentrenamiento se están agotando.

Tercero, la eficiencia marginal de la inversión está decayendo: aunque la dirección de la Ley de Escalado sigue siendo válida y hay motivos para seguir invirtiendo, la ganancia marginal en el modelo (es decir, la mejora por unidad de inversión) podría estar disminuyendo.

Por ello, además de construir más potencia computacional, la expansión algorítmica se está convirtiendo en otro foco clave, como la extensión del razonamiento (Test-Time Compute) —por ejemplo, cadenas de pensamiento (CoT)—, el aumento de inferencias durante la ejecución (inference-time scaling), el post-entrenamiento, la eficiencia en arquitecturas (como la atención lineal, modelos de espacio de estado SSM) y la inteligencia en el extremo (SLMs).

Segundo nivel de narrativa: de “gasto de capital” (CAPEX) a “ansiedad por retorno de inversión”.

Según las últimas directrices, las grandes empresas tecnológicas de EE. UU. han anunciado que en 2026 su gasto en capital relacionado con IA superará los 700 mil millones de dólares, pero el mercado ha pasado de valorar el “gasto en capital” a preocuparse por la “demora en monetizar”. Para entender esta escala de inversión, consideremos dos referencias:

(1) Referencia histórica: en 2025, el gasto en capital de las empresas tecnológicas estadounidenses representaba aproximadamente el 1.9% del PIB, y en 2026 seguirá subiendo por encima del 2%, casi equivalente a la suma de las principales obras de infraestructura del siglo XX: la construcción de banda ancha a principios de siglo, que representaba alrededor del 1.2% del PIB; la expansión eléctrica de 1949, el programa Apollo y las autopistas interestatales en los años 60, cada uno con aproximadamente el 0.6%. La inversión en infraestructura de IA en EE. UU. está en niveles extremadamente altos en la historia económica del país.

(2) Referencia a los flujos de caja de las propias empresas, que ha sido un desencadenante reciente de preocupación. Según cálculos, las cinco principales empresas de nube en EE. UU. en 2026 destinarán aproximadamente el 90% de su flujo de caja operativo a gastos de capital (en 2025 fue el 65%). Algunas incluso esperan que sus gastos de capital superen su flujo de caja operativo, pudiendo tener flujo de caja libre negativo en 2026, lo que hace que las advertencias en los informes financieros sean más realistas. Además, la exposición a financiamiento mediante deuda aumenta rápidamente: se estima que en 2026, la emisión total de bonos de las grandes tecnológicas podría alcanzar los 400 mil millones de dólares, incluyendo bonos a cien años, lo que también genera atención en el mercado.

Tercer nivel de narrativa: preocupaciones más profundas por el impacto disruptivo de la IA, que en recientes ocasiones ha afectado a múltiples industrias.

La evolución de esta narrativa sigue una línea progresiva clara: desde la transformación en la búsqueda y adquisición de información, hasta la transformación en aplicaciones de software y procesos comerciales, y finalmente hacia una reflexión sobre paradigmas macroeconómicos, en estrecha relación con las etapas de desarrollo de la IA.

El primer paso es la era del Chat, donde lo que cambia es la forma de buscar y obtener información. Desde la aparición de ChatGPT hasta principios de 2025, la IA existía principalmente en forma de asistentes conversacionales: responder preguntas, generar textos, ayudar en búsquedas. Esta etapa tuvo un impacto relativamente moderado, sin reemplazar directamente software empresarial o puestos de trabajo específicos. La narrativa del mercado se centraba en “quién puede entrenar el mejor modelo” y “quién proveerá la infraestructura básica”.

El segundo paso es la era del Agente, donde cambian las aplicaciones de software y los procesos comerciales. En febrero de 2023, Anthropic lanzó ClaudeCowork, marcando la transición de respuestas generativas a la ejecución autónoma de flujos de trabajo multifuncionales, lo que provocó una fuerte caída en las acciones de software (el temor al “SaaSpocalypse” o fin del SaaS), extendiéndose también a servicios financieros, gestión alternativa de activos, legal, bienes raíces y transporte.

El tercer paso es la era de la IA generalizada, que mira hacia el futuro y realiza proyecciones. El artículo de Substack “THE 2028 GLOBAL INTELLIGENCE CRISIS” no presenta muchas novedades, pero es muy legible y agudo en sus puntos, señalando problemas como el “GhostGDP” y la sustitución de profesionales blancos, generando debates sobre cambios en el paradigma macroeconómico. Cuando la IA reemplaza no solo a un sector o ayuda en la mano de obra, sino que sustituye directamente el factor de producción “trabajo”, los modelos tradicionales de funcionamiento económico podrían enfrentarse a desafíos disruptivos.

El paradigma clásico es el ciclo cerrado de “producción → distribución → consumo → reproducción”, donde “el ser humano” es tanto productor como consumidor, fuente de oferta y demanda, formando un ciclo económico de cinco sectores. Pero si en la era de la IA generalizada se reemplaza directamente la mano de obra, pueden ocurrir varias cosas:

① Desde el lado de los factores, la importancia del trabajo disminuye, mientras que la de modelos, datos y potencia computacional (que en esencia son capital) aumenta.
② Desde la oferta, la curva de oferta cambia radicalmente: los costos marginales bajan, la elasticidad de la oferta se dispara y la economía de escala se maximiza.
③ Desde la demanda, la alienación de la remuneración laboral puede afectar los ingresos y la estructura de demanda, distorsionando las relaciones tradicionales de oferta y demanda, así como las relaciones de inversión y ahorro. Esto puede alterar los ciclos económicos, los mecanismos de distribución y generar una reconfiguración del sistema financiero y del contrato social.

Estas transformaciones en la narrativa de la IA hacen que el mercado deje de responder solo a “historias”, y en lugar de ello, comience a preocuparse por dos extremos: por un lado, que la IA no funcione (la monetización sea lenta), y por otro, que sea demasiado disruptiva (capaz de transformar radicalmente). ¿Cómo entender esta aparente contradicción?

Lógicamente, los problemas que señalan estas tres capas de narrativa son reales y pueden ser analizados con rigor, pero lo más difícil es prever los plazos y límites de la transformación, ya que son extremadamente impredecibles. Actualmente, el mercado, dominado por el pánico, realiza proyecciones lineales y valora escenarios pesimistas.

Una causa importante puede ser la sobrevaloración y la fragilidad de la estructura de transacciones, que amplifica el pánico. Antes de esta corrección, los valores de las acciones relacionadas con IA estaban en niveles históricos altos, y las valoraciones del software empresarial tampoco eran bajas, formando una concentración en la narrativa como catalizador.

Por otro lado, las empresas afectadas mantienen fundamentos sólidos: los informes recientes muestran crecimiento estable de ingresos y mejora en márgenes, con clientes integrados, altos costos de cambio, barreras de datos y cumplimiento. Si la IA se internaliza como una función de valor añadido, podrían incluso beneficiarse.

Respecto a los argumentos en contra de una transformación macroeconómica radical, destacan algunos puntos:

• La “paradoja de Jevons” indica que la mejora en eficiencia suele generar un aumento explosivo en la demanda, no solo sustitución. La mayor productividad impulsada por IA puede reducir precios y estimular nuevas demandas y sectores.
• La IA puede crear nuevos trabajos que aún no podemos imaginar, y la capacidad de adaptación social suele ser mayor que las predicciones.
• En tareas regulatorias, de interacción física, relaciones humanas complejas y decisiones altamente no estandarizadas, el costo de sustitución de la IA es mucho mayor que el pánico del mercado asume, y los marcos legales y sociales actúan como frenos naturales.

Por tanto, la transformación de la IA merece una atención seria, pero su proceso probablemente no será instantáneo. Los plazos, límites y la incertidumbre corresponden a oportunidades de diferenciación y estructura. Desde una perspectiva dinámica y estructural, lo que los inversores deben hacer es pasar de “comprar un conjunto de IA” a “seleccionar con mayor precisión”. Tras la digestión del pánico y la valoración, lo importante es identificar qué cambios tienen más probabilidad de ocurrir, cuáles primero, cuáles después, cuáles son sustitución y cuáles complementos. La diferenciación se ampliará aún más.

Recomendamos centrarse en algunos criterios de selección:

(1) Hardware: buscar “cadenas de restricciones fuertes”. Con expectativas de gasto en capital ya bastante agresivas, la rentabilidad marginal del hardware se vuelve más difícil. El mercado ya no recompensa solo el gasto en capital, por lo que hay que prestar atención a las restricciones de oferta más apremiantes y con mayor poder de fijación de precios, especialmente en segmentos con capacidad de expansión limitada, ciclos largos de expansión, y pocas alternativas, como almacenamiento, restricciones en la red eléctrica, transformadores, capacidad de empaquetado avanzado, fibra óptica, etc. Los cuellos de botella en la oferta significan mayor poder de negociación.

(2) La competencia en modelos se vuelve más dura. Además del peso del modelo, los criterios de selección deben incluir: ¿tienen datos privados exclusivos para entrenar modelos diferenciados? ¿Cuentan con infraestructura de inferencia de bajo costo? ¿Poseen la capacidad de convertir rápidamente las capacidades del modelo en soluciones integradas y aplicaciones? Es decir, buscar “capacidad del modelo + ciclo de datos + barreras comerciales”. Desde mediados de 2025, la correlación de precios entre las grandes tecnológicas en EE. UU. ha caído de aproximadamente 0.8 a 0.2, y actualmente se explora mucho la cadena de Anthropic y ByteDance, por lo que la diferenciación en modelos continuará.

(3) Aplicaciones: priorizar aquellas que puedan implementarse rápidamente, que ya hayan demostrado valor en la conversión de IA en beneficios concretos (ROI), que puedan integrarse en los procesos centrales de las empresas, y en aplicaciones nativas en sectores verticales.

Para áreas como SaaS, que han experimentado recientes ajustes, el mercado puede distinguir entre “SaaS con funciones delgadas que serán sustituidas por IA” y “infraestructura de datos y ejecución indispensable en la era de IA”. Algunas aplicaciones en sectores clave (seguridad, cumplimiento, canalización de datos, liquidaciones) que no puedan evitar la IA, o aquellas que internalicen la capacidad de IA, podrían ser oportunidades de “falsa percepción” o “sobrevaloración”.

(4) Las diferencias en las rutas de IA entre China y EE. UU. también son un aspecto importante. La estrategia y el impacto macroeconómico difieren:

• China enfatiza la “eficiencia en potencia computacional”, confiando más en optimización algorítmica, ecosistema de código abierto y mejoras en ingeniería, aunque aún carece de suficiente capacidad, la cual puede ser más favorable en inversión y en modelos grandes.
• La estructura económica también influye: EE. UU., con su sector de servicios y altos costos laborales, enfrenta un impacto más fuerte en sustitución y deflación a corto plazo, y en recuperar su manufactura a largo plazo.
• China, con una base manufacturera sólida y ventajas en energía, ve la IA como una herramienta para mejorar la productividad total, no solo para sustituir mano de obra, y las oportunidades estructurales están en la diversificación de escenarios y en transformar los servicios productivos, centrando la inversión en “empoderamiento industrial” y “integración de software y hardware”.

En los últimos años, el seguimiento y comprensión de la cadena de IA ha aportado un claro “alpha cognitivo” a los inversores. La revolución de la IA sigue siendo un tema central, pero con la valoración en alza de los activos relacionados y la inminente salida a bolsa de líderes emergentes, los cambios en la narrativa probablemente acelerarán, presentando mayores desafíos para la inversión.

Fuente: Huatai Securities

Aviso de riesgo y exención de responsabilidad

El mercado tiene riesgos, la inversión debe ser cautelosa. Este documento no constituye una recomendación de inversión personal ni considera objetivos, situación financiera o necesidades específicas del usuario. El usuario debe evaluar si las opiniones, puntos de vista o conclusiones aquí expresados son adecuados para su situación particular. La inversión es bajo su propio riesgo.