La capa de modelos se convierte en un producto básico: vender la vanguardia, anticipar el impuesto al token

En mis últimas cartas he defendido que la señal más fiable de toda la inversión en IA es el precio del cómputo, y que la época del tokenmaxxing, en la que gastar en cómputo era una credencial de seriedad, estaba llegando a su fin. El precio al contado de una Nvidia H100 casi se duplicó en primavera, hasta unos USD 3 por hora, y recomendé observar esa curva más que cualquier presentación de resultados. Sigo pensando lo mismo.

Este artículo plantea la pregunta siguiente. Si el cómputo es el coste, el modelo es el producto construido sobre él. Y el producto se abarata. La vanguardia sigue avanzando; lo que se desploma es la distancia entre la vanguardia y lo gratuito. Antes se medía en años; ahora, en meses. Cuando se cierra tan deprisa la brecha entre el mejor modelo que se puede comprar y el mejor que cualquiera puede descargar gratis, cambia la economía de quienes venden modelos cerrados de una forma que las valoraciones privadas todavía no reconocen.

Mi conclusión está en el título. Para un inversor generalista, los laboratorios de vanguardia son la parte de esta historia que más cautela exige a los precios actuales. El valor duradero está una capa por debajo, en el cómputo y la energía que todos los modelos siguen necesitando alquilar. Y el factor más importante que valorar en los próximos dos años es político: quién redactará el primer impuesto serio sobre el uso de IA y si será la propia industria.

La paridad llega en meses

Qué significan «vanguardia» y «pesos abiertos». Un modelo de vanguardia es el sistema de IA más capaz disponible en un momento dado, por cuyo uso los laboratorios líderes, OpenAI y Anthropic en Estados Unidos, cobran más. Un modelo de pesos abiertos publica su «cerebro» terminado, los valores numéricos aprendidos que lo hacen funcionar, para que cualquiera lo descargue y ejecute en sus propias máquinas. Nadie necesita pagar al laboratorio original por utilizarlo. Durante tres años, los laboratorios de vanguardia mantuvieron una cómoda ventaja: el mejor modelo abierto gratuito estaba aproximadamente un año por detrás del mejor modelo de pago.

Esa ventaja se reduce. Los últimos modelos de pesos abiertos procedentes de China, especialmente Kimi K3 de Moonshot este verano, se acercan a la vanguardia de pago pocos meses después de cada lanzamiento cerrado y con una fracción de su coste operativo. La brecha exacta en las pruebas merece verificación independiente, pero la dirección es clara. Coincide con una cifra publicada por la propia dirección financiera de OpenAI: el coste de ejecutar un nivel dado de inteligencia cayó aproximadamente un 97% en dos años, de GPT-4 a GPT-4o. Cuando el coste de la vanguardia de ayer cae tanto, se convierte en el producto gratuito de hoy.

La dirección financiera de OpenAI resumió claramente la estrategia de supervivencia: la ventaja duradera es «el contexto y la memoria, no el modelo». Léalo como una confesión. Cuando quien construye la empresa de IA más valiosa del mundo dice que el modelo ya no es la barrera competitiva, ya no lo es. La inteligencia se convierte en un servicio básico. El valor pasa a quien posee los recursos escasos que la sustentan y la relación con el cliente que se construye encima.

El problema de los tokens ocultos

La mitad de su factura es un borrador que nunca ve. Los sistemas de IA se facturan por tokens, aproximadamente fragmentos de palabras, contando todo lo que leen y escriben. Los modelos más recientes «razonan»: antes de responder generan una larga secuencia privada de razonamiento y resuelven el problema paso a paso. Usted no ve la mayor parte de ese borrador, pero lo paga entero. En la generación actual, una gran proporción de los tokens facturados son esos «tokens ocultos», y se ha informado de que en los modos de razonamiento más intensos superan la mitad. Como cifra de trabajo, más de uno de cada dos tokens facturados corresponde a pensamiento invisible.

Esto importa para los laboratorios cerrados. Mientras la vanguardia estaba claramente por delante, los clientes aceptaban pagar el borrador porque las respuestas eran mejores. Ponga al lado un modelo abierto suficientemente bueno, ejecutado por usted a precio de coste, y el cálculo cambia. Las cifras ya son serias, como expliqué el mes pasado: un agente que funciona continuamente con una API de vanguardia puede costar unos USD 300 diarios, alrededor de USD 100’000 anuales, para realizar quizá una quinta parte de un puesto de trabajo. Pida a una dirección financiera que siga pagándolo cuando un modelo descargable hace el 90% del trabajo por el coste de la electricidad: el poder de fijación de precios de la API cerrada empieza a perderse. Esta primavera se informó de que Microsoft limitaba el uso de Claude, y Uber declaró haber agotado en abril su presupuesto anual de IA. La demanda de inteligencia existe. Esos episodios muestran cómo su factura llega a una cuenta de resultados real.

Qué implica para la economía de los laboratorios cerrados

Un producto que se estandariza, financiado como si fuera escaso. Las rondas privadas y las conversaciones previas a salidas a bolsa valoran los laboratorios como si su ventaja fuera permanente. El múltiplo previo a bolsa es el precio que pagan los inversores privados por una participación antes de cotizar; hoy esos precios suponen que el modelo seguirá siendo especial. Se dice que Anthropic se acerca a su primer trimestre rentable y a una posible salida a bolsa en octubre. OpenAI prevé pérdidas de unos USD 14 mil millones en 2026. El capital que lo sostiene es enorme y circular: un acuerdo de cómputo de Anthropic publicado por USD 45 mil millones a tres años; hasta USD 25 mil millones de Amazon en Anthropic; y hasta USD 100 mil millones comprometidos por Nvidia en OpenAI, que devuelve buena parte a la compra de chips. El dinero pasa del fabricante al laboratorio, a la nube y de vuelta.

Mientras crece la liquidez, parece un círculo virtuoso. El día que se detenga, parecerá financiación del proveedor. Y el producto situado en el centro es el elemento de toda la cadena que pierde su escasez más deprisa.

Mantengo aquí el criterio de calidad empresarial que reconocería Bill Ackman: poseer negocios defendibles y generadores de caja, sin pagar un precio de ensueño por una historia. Hoy, un laboratorio de vanguardia tiene flujo de caja libre negativo, un producto cuyo precio mínimo lo establece una descarga china gratuita y un balance entrelazado con sus proveedores. Ese es el perfil que más prudencia exige al comprar con una prima de mercado privado, por extraordinaria que sea la tecnología. El propio instituto de Anthropic escribe que su modelo «ha pasado de muy útil a sobrehumano en menos de un año». Ambas cosas pueden ser ciertas: la capacidad es real y el negocio que la vende se está estandarizando. Al inversor le remunera el segundo hecho, no el primero.

Dónde está el valor duradero

Poseer la limitación física y dejar que se abarate la capa abstracta. Es la misma conclusión a la que llegué desde el cómputo, ahora desde los modelos, lo que suele ser una señal favorable. Cuando el modelo se convierte en un servicio básico, el dinero va a quien suministra sus recursos escasos: chips, fabricantes de las máquinas que permiten fabricarlos, óptica, redes y, sobre todo, generación eléctrica y red. Según los propios cálculos de OpenAI, un gigavatio de cómputo equivale a unos USD 10 mil millones de ingresos anuales para quien lo suministra. Esa cifra no depende del modelo vencedor. Se cobra tanto si la vanguardia es una API de pago de San Francisco como si es una descarga gratuita de Pekín.

La capa de modelos se estandariza. La capa inferior, física, autorizada y lenta de construir, no. Para un inversor generalista, es una exposición más clara a la IA: el peaje de la carretera en vez del coche del mes. La señal de salida sigue siendo la misma: una desaceleración real de los planes de inversión de los grandes proveedores, con obras retrasadas, pedidos suspendidos y un giro de ampliar capacidad a defender márgenes. Los informes de retrasos o cancelaciones en una parte considerable de los centros de datos previstos en Estados Unidos son el primer dato que podría convertirse en esa señal. Todavía no lo ha hecho.

La liquidez que sostiene el conjunto

Nada se rompe mientras el dinero siga expandiéndose. Quiero ser claro sobre qué mantiene en pie la financiación circular. La masa monetaria amplia estadounidense crece alrededor del 5.6% interanual y el balance de la Fed sigue cerca de USD 6.75 billones. La política es ligeramente restrictiva, los tipos reales a corto plazo apenas rondan el +0.2% y la curva de tipos vuelve a ser positiva. En el marco de Michael Howell, la refinanciación y las garantías, más que el nivel de tipos, impulsan la liquidez mundial, y esa marea está subiendo. Esa liquidez permite que un fabricante financie a un laboratorio que financia a una nube que compra sus chips, y que el mercado lo considere un círculo virtuoso.

La estandarización que describo es, por tanto, un fenómeno estructural bajo un contexto de liquidez favorable. La economía de los laboratorios se erosiona en cualquier caso. Que esa erosión provoque una revisión suave o brusca de los precios depende de la liquidez. Un estancamiento de la expansión monetaria o de la inversión de los grandes proveedores puede convertir una compresión lenta en rápida. Considero ese momento un riesgo que vigilar, no una previsión.

El impuesto al token

La próxima barrera competitiva se escribirá en una ley. Creo que el mercado no está valorando esta parte, y por eso escribo ahora. Cuando se deteriora la economía privada de una tecnología, las empresas que pierden su protección competitiva rara vez lo aceptan en silencio. Buscan otra. El lugar más fiable para encontrar una barrera que el código no pueda eliminar es la regulación.

En abril analicé un trabajo académico llamativo, «The AI Layoff Trap», de Falk y Tsoukalas. Concluía que solo un impuesto pigouviano sobre la automatización podía corregir plenamente el perjuicio que la carrera empresarial por sustituir trabajadores impone al resto. Un impuesto pigouviano iguala el tributo al daño que una actividad causa a terceros, como gravar la contaminación para que una fábrica asuma el coste de lo que vierte al río. Entonces consideré serio el argumento y sigo haciéndolo. Lo que no detallé fue quién se beneficia si se convierte en política pública.

Un impuesto al uso de IA, un gravamen por token, licencias de seguridad o una auditoría obligatoria previa al despliegue se presentarían como protección de los trabajadores y control de una tecnología peligrosa. Podrían cumplir parte de esa función. Pero observe el efecto secundario. Un coste obligatorio de cumplimiento, licencias, auditorías o un gravamen por token pesa especialmente sobre el competidor cuyo producto sería gratuito. Un modelo abierto de USD 0 con una factura obligatoria de cumplimiento de USD 10 millones deja de ser gratuito. Los laboratorios de vanguardia, cuyo poder de fijación de precios erosionan precisamente esos modelos, tienen incentivos para redactar la regla. Eso es captura regulatoria: las empresas que una norma pretende limitar acaban diseñándola para protegerse. Una política presentada como freno a la IA se convierte en la barrera que la tecnología acababa de eliminar.

Esa disputa es un acontecimiento específico al que se puede asignar un precio, y quiero tratarlo como un escenario propio. Funciona como un cambio de política que repercute en muchos activos y permite posicionarse con antelación, del mismo modo que el mercado aprendió a operar el choque iraní mediante las relaciones de intercambio y no como un riesgo vago. Un impuesto serio al token ampliaría la brecha entre la infraestructura, que cobra en cualquier caso, y las aplicaciones, que pagan el gravamen. Favorecería discretamente a los laboratorios establecidos a los que supuestamente se dirige y perjudicaría al amplio conjunto de pequeñas empresas de IA basadas en modelos abiertos baratos. Llegaría con el lenguaje de la protección al consumidor, lo que dificultaría anticiparlo.

Tengo mucha convicción sobre la dirección y poca sobre el calendario. El incentivo para la captura regulatoria es estructural y estoy convencido de que existe. No puedo predecir cuándo llegará la primera propuesta seria ni si algún parlamento la aprobará.

Qué observaré a continuación

La clave será la autoría. Cuando aparezca el primer marco serio para gravar o autorizar el uso de IA, lea quién lo redactó antes de leer su contenido. Una propuesta contra los laboratorios, que limite sus precios u obligue a abrir sus pesos, apunta en una dirección. Otra que hayan ayudado discretamente a redactar, llena de requisitos que una descarga gratuita no pueda cumplir, apunta en la contraria, aunque use el lenguaje de la seguridad. Mismo titular, operación inversa.

La cuestión de la autoría lo resume todo. Kimi K3 mostró que el modelo se convierte en un producto básico. El siguiente capítulo es si la industria permite que siga siendo barato o acude al legislador para recuperar la barrera que el código hizo desaparecer. Leeré la letra pequeña, no el comunicado.

Investigación y comentario de mercados para un público general, sin carácter de asesoramiento de inversión personalizado. Varias cifras son rangos publicados o estimaciones de trabajo, señalados como tales en el texto, y deben verificarse independientemente antes de utilizarlos.