Los pequeños modelos "roban" la demanda de potencia de cálculo en la nube, el gasto de capital de los centros de datos por un billón de dólares está bajo prueba

Las aplicaciones de IA continúan expandiéndose, pero la inversión en centros de datos de ultra gran escala que respalda esta ola de entusiasmo está enfrentando nuevos desafíos desde el lado de la demanda.

Un informe de Jefferies señala que, a medida que los modelos de lenguaje pequeños mejoran su rendimiento y reducen sus costos, la implementación de IA en las empresas podría trasladarse de la nube centralizada a soluciones locales, lo que pondría presión tanto sobre la demanda de poder de cómputo en la nube como sobre el enorme gasto de capital en centros de datos.

Uno de los fundamentos clave de este análisis es la observación reciente sobre el uso real de servidores de IA. En septiembre de 2026, Swerve Research Technologies construyó un “índice de congestión” al rastrear los tiempos de espera en la cola de solicitudes a servidores de Anthropic, descubriendo que la utilización de estos servidores cayó un 26% respecto al pico observado entre enero y febrero de 2026. Si bien este indicador no se relaciona de forma directa con los ingresos de la compañía, si la utilización continúa disminuyendo, podría significar que parte del poder de cómputo empieza a quedar ocioso.

Mientras tanto, la inversión en infraestructura de IA sigue expandiéndose rápidamente. Actualmente, el mercado proyecta que las cuatro grandes tecnológicas estadounidenses, Meta, Alphabet, Amazon y Microsoft, podrían alcanzar un gasto de capital combinado de 990 mil millones de dólares en 2027. El informe sostiene que, si el ritmo de crecimiento de la demanda de cómputo para IA no logra igualar semejante escala de inversión, algunos centros de datos podrían enfrentar un rendimiento insuficiente o incluso el riesgo de convertirse en “activos abandonados”.

Descenso en la utilización de servidores, la oferta de poder de IA a prueba

El producto de IA personal Muse de Meta, lanzado el 8 de septiembre, impulsó un aumento del 21% en el precio de las acciones de Meta en pocas semanas, convirtiéndose en un caso destacado reciente de aplicación de consumo de IA. Sin embargo, el informe sugiere que el éxito de una sola aplicación no es suficiente para demostrar la sostenibilidad del ciclo de inversión en infraestructura de IA.

Aún más relevante es que las propias empresas de IA también están emitiendo señales diferentes a las previsiones optimistas del mercado. El CEO de Anthropic, el CEO de OpenAI Sam Altman y Elon Musk discutieron públicamente recientemente la necesidad de ralentizar el avance de la IA; por su parte, la IPO originalmente planeada por Anthropic se pospuso hasta noviembre.

Al mismo tiempo, Anthropic ya ha firmado previamente un contrato de cómputo con SpaceX, por un valor de 45 mil millones de dólares y una duración de tres años, además de acuerdos de colaboración de varios miles de millones de dólares con Amazon y Google Cloud para el suministro de capacidad de cómputo. Si el crecimiento de los ingresos por IA se desacelera, pero los grandes contratos de cómputo previamente firmados deben seguir cumpliéndose, la presión sobre los costos empresariales podría aumentar aún más.

Según los reportes, Meta también estuvo negociando con Anthropic en julio, con la intención de alquilarle capacidad de cómputo en centros de datos hasta por 10 mil millones de dólares en dos años. El informe señala que el hecho de que estas grandes tecnológicas estén activamente buscando clientes externos para absorber su capacidad de cómputo refleja que, a medida que la oferta de infraestructura crece rápidamente, la maximización de la utilización de estos activos se está convirtiendo en una nueva preocupación.

El desempeño de los modelos pequeños se acelera, la implementación local podría desviar la demanda de la nube

En comparación con los cambios a corto plazo en la utilización de servidores, el informe está más enfocado en la transformación en la arquitectura de modelos de IA que está teniendo lugar.

El estudio “Intelligence per Watt”, publicado conjuntamente por la Universidad de Stanford y Together AI, demuestra que el rendimiento de los modelos de lenguaje pequeños está acercándose rápidamente al de los modelos grandes, mientras que el consumo de energía y el costo computacional es entre un 50% y un 85% menor. Si esta tendencia continúa, tanto la escala de poder de cómputo como la estructura de costos para la implementación de IA empresarial podrían transformarse.

En el pasado, las empresas dependían en mayor medida de grandes modelos centralizados en la nube para completar tareas de IA; sin embargo, con la mejora en la capacidad de los modelos pequeños, algunas situaciones podrían inclinarse hacia la implementación local. Para industrias como la bancaria, que requieren altos nivele de seguridad de datos, la implementación local ya tiene una fuerte demanda; si los modelos pequeños logran reducir aún más los costos, esta modalidad podrá extenderse a más sectores.

Esto significa que el crecimiento de las aplicaciones de IA no necesariamente se corresponde proporcionalmente con el aumento de la demanda de capacidad de cómputo en la nube. Las empresas pueden expandir el uso de IA mientras reducen su dependencia tanto de APIs de modelos grandes como de la infraestructura de cómputo en la nube centralizada.

Esta es también la razón principal por la que el informe cuestiona el gasto de capital de casi un billón de dólares: si en el futuro más aplicaciones de IA se basan en modelos locales, pequeños y de bajo costo, el actual volumen de inversión en centros de datos de ultra gran escala podría no estar alineado con la demanda real de computación.

En este escenario, lo que realmente necesita ser reevaluado no es si existe demanda por IA, sino cuánta potencia de cómputo centralizada realmente requiere la IA, y si estos centros de datos pueden obtener retornos acordes al tamaño de la inversión realizada.