En noviembre de 2025, Microsoft anunció una inyección de hasta 5 mil millones de dólares en Anthropic, la startup de IA que busca crear modelos de lenguaje más seguros y alineados. En paralelo, Anthropic se comprometió a comprar 30 mil millones de dólares en capacidad de cómputo de Azure, la nube de Microsoft. Esta alianza parece una formalidad, pero abre un debate sobre los costos reales de poner a trabajar a la IA en el mundo real.
El caso de Uber es emblemático. La empresa de transporte masivo había anunciado planes para usar agentes autónomos para sustituir a sus conductores y personal de soporte. La idea era clara: una IA que manejara tareas repetitivas, reduciendo costes y mejorando la eficiencia. Sin embargo, los ingenieros de Uber descubrieron que el precio de ejecutar los modelos que proponían superaba en gran medida el beneficio esperado. Los cálculos mostraron que el poder de cómputo necesario, más allá de los costos de licencias, excedía el presupuesto destinado a la operación.
El problema no es la falta de talento ni la dificultad de entrenar modelos. La IA ya está en la mano de los grandes; la cuestión es la escala. Los modelos de lenguaje de vanguardia, como GPT‑4 o Claude, requieren miles de GPUs de alto rendimiento durante semanas para entrenarse. Una vez entrenados, el proceso de inferencia sigue consumiendo recursos significativos, especialmente cuando la demanda es alta. Para una empresa como Uber, con millones de usuarios globales, la latencia y la disponibilidad son críticas, y la infraestructura de cómputo se vuelve un cuello de botella.
Microsoft, con su posición dominante en el mercado de la nube, puede absorber parte de este riesgo. Pero incluso ellos se ven obligados a negociar acuerdos de compra de capacidad con proveedores, como en el caso de Anthropic. El hecho de que Anthropic haya comprometido 30 mil millones de dólares en Azure demuestra que el poder de cómputo no es un lujo opcional, sino un gasto fijo que puede alcanzar cifras colosales.
Este escenario plantea varias preguntas para el sector tecnológico:
¿Cuánto cuesta realmente la IA como servicio? Los números habituales de licencias de API no reflejan el coste total. El entrenamiento, la puesta en marcha y el mantenimiento de infraestructuras de cómputo son factores críticos.
¿Son los modelos de IA realmente rentables en empresas de gran escala? El caso de Uber sugiere que los beneficios operativos pueden ser menores que los costes de infraestructura.
¿Qué implicaciones regulatorias tiene el uso masivo de agentes autónomos? Más allá del coste, la responsabilidad legal de decisiones autónomas sigue siendo un tema pendiente.
Desde la perspectiva de la economía de la IA, la lección más importante es que la “IA como producto” no es un juego de márgenes altos. Es un negocio de escala que exige inversiones masivas en hardware. Los grandes jugadores, con acceso a recursos financieros y a infraestructuras de nube, pueden asumir estos costes, pero las empresas medianas y pequeñas se verán limitadas.
En términos de impacto para el mercado, el hecho de que Microsoft esté invirtiendo en Anthropic y que Uber reconozca la inviabilidad de sus planes de agentes IA sugiere una tendencia de consolidación. Las compañías que logren optimizar sus modelos y reducir su dependencia de la infraestructura externa serán las que lideren el siguiente salto en la adopción de IA.
Para los profesionales tech, la moraleja es doble: primero, comprender el verdadero coste de la IA, y segundo, trabajar en soluciones de optimización como modelos más ligeros, técnicas de pruning y distillation, o arquitecturas de inferencia más eficientes. Solo así podrán hacer que la IA sea una ventaja competitiva sostenible y no un gasto prohibitivo.
En conclusión, la “gran sustitución” de la IA sigue siendo un sueño lejano para muchas empresas. El precio del cómputo, la complejidad de la implementación y las implicaciones regulatorias hacen que el camino sea mucho más arduo de lo que la publicidad de los grandes nombres sugiere. La próxima fase de la IA será, más que nunca, una cuestión de eficiencia y gestión de recursos, no simplemente de algoritmos.
