Economía política de la infraestructura de la
inteligencia artificial
1. El punto de partida: la memoria
La pregunta empezó por algo aparentemente técnico: ¿quién fabrica memorias? Samsung, SK hynix, Micron, Kioxia, YMTC, CXMT. La lista corta ya muestra el problema: no es un mercado disperso, es una infraestructura mundial concentrada en pocas manos.
La inteligencia artificial contemporánea no nació in vitro ni en el éter. Requiere una base física específica:
- Memoria de alto ancho de banda (HBM): Para alimentar los aceleradores.
- DRAM avanzada: Para la operación en servidores.
- NAND: Para almacenar los datasets.
- Redes y energía estables: Para mover datos entre miles de máquinas.
La memoria dejó de ser un componente secundario y pasó a ser el centro dinámico del ciclo. Las proyecciones sectoriales de firmas de análisis como IDC sitúan el mercado global de semiconductores en la escala del billón de dólares, con la DRAM como epicentro del crecimiento, empujada por la demanda de arquitecturas HBM y DDR para infraestructura de IA.
El primer hecho, entonces: La IA no consume solo código. Consume el mundo físico.
2. No es “la nube”: es una fábrica planetaria
Durante años repetimos “la nube” como si fuera algo liviano e incorpóreo. La nube es acero, cemento, cobre, agua, transformadores, refrigeración de alta ingeniería y chips. Sus compradores no son individuos ni pymes: son los hyperscalers (Microsoft, Amazon, Google, Meta, Oracle y un puñado de actores chinos).
Las proyecciones de inversión en infraestructura física de IA se cuentan en cientos de miles de millones anuales, y los agregados hacia 2028 se estiman en billones, tal como reflejan los análisis de Morgan Stanley.
Nota: Un cuidado metodológico necesario
Conviene detenerse aquí, porque toca el corazón del argumento. Estas cifras las producen firmas financieras en plena fase de euforia (bancos, consultoras, calificadoras). No son un observatorio neutral del fenómeno; son parte del fenómeno. Usarlas para medir la escala de la concentración tiene sentido, pero conviene leerlas como lo que son —el capital describiéndose a sí mismo en su momento de mayor entusiasmo— y no como un dato externo y frío.
La pregunta cambia de eje: ¿La IA concentró el capital, o solo reveló que el capital de esta era ya estaba concentrado? La respuesta es bidireccional: la concentración previa hizo posible la escala de la IA, y la IA ahora refuerza esa concentración.
3. La concentración preexistente produjo esta IA
La IA generativa no emergió solo por la maduración de algoritmos. Los transformadores, los papers, los datasets abiertos y la cultura open source tienen un valor real en la historia del campo. Pero el salto ocurrió cuando un club reducido de empresas pudo costear el entrenamiento y despliegue de modelos masivos.
Eso exige:
- Capital inmediato.
- Acceso preferente a unidades de procesamiento de última generación.
- Contratos energéticos de largo plazo.
- Redes propias de data centers.
- Capacidad de absorber pérdidas iniciales multimillonarias.
Una universidad, una pyme o un país periférico pueden producir investigación de frontera. No pueden competir en operación con quien compra decenas de miles de GPUs por pedido y reserva capacidad eléctrica por décadas. La concentración no dio forma a la ciencia de la computación, pero sí impuso esta manifestación histórica de la IA: centralizada, hambrienta de cómputo, nativa de la nube y dependiente de infraestructura cerrada.
Auto-objeción 1: ¿No descentraliza el open source?
- El contraargumento: El argumento de la muralla es válido para entrenar desde cero, no para todo. El ecosistema open source y el fine-tuning permiten que organizaciones chicas tomen modelos grandes ya entrenados, los ejecuten localmente o los adapten a costos bajos. La concentración está en la infraestructura física; la innovación en la aplicación se descentraliza más de lo que sugiere la versión simple de la tesis.
- La réplica: Esto matiza pero no refuta. La muralla sigue en pie donde importa estratégicamente (en la frontera del entrenamiento, que define qué modelos llegan a existir) mientras se abren grietas aguas abajo, en el uso. Hay una concentración del qué se puede crear y una cierta apertura del qué se puede hacer con lo creado. La dependencia estructural no desaparece: se desplaza de capa.
4. La IA como catalizador de la concentración
Una vez desplegada, la IA retroalimenta el sistema que la produjo mediante un bucle conocido: más usuarios atraen más datos, más datos generan mejores modelos, mejores modelos aseguran más base comercial y más base aporta más capital para reinvertir en infraestructura. Es un bucle que nadie pilotea en su conjunto y que, sin embargo, unos pocos actores aprenden a montar y a capitalizar. El fenómeno se descompone en tres dimensiones fundamentales:
- Capital: Barreras de entrada altas. Informes sectoriales como los de Futurum estiman el gasto de los principales hyperscalers en infraestructura en cientos de miles de millones anuales. Hay apertura en la teoría algorítmica, pero un cierre estricto en el despliegue a escala.
- Tecnología (Integración vertical): El poder no está en el modelo final sino en el control de la pila (stack). NVIDIA no vende solo silicio, vende un ecosistema cerrado de CUDA, librerías e interconexión; Microsoft integra Azure, Copilot, Office, GitHub y su alianza con OpenAI; Google despliega sus TPU, su buscador, YouTube y su nube para alimentar y distribuir Gemini.
- Energía: El consumo eléctrico de los data centers se ha disparado. Informes de la Agencia Internacional de la Energía (IEA) advierten sobre cuellos de botella severos en las redes. La IA ya no compite solo por desarrolladores o por mercado: compite por electricidad con los hogares, la industria tradicional y las metas de descarbonización. Es el punto donde el debate deja de ser un asunto de Silicon Valley y se vuelve política industrial pura (competencia por un recurso soberano, no por una cuota de mercado).
5. ¿Burbuja o revolución? El ciclo tecnológico
Una tecnología puede ser una revolución real de productividad y atravesar, a la vez, episodios de burbuja severos.
Carlota Pérez, en Technological Revolutions and Financial Capital, describe que toda gran revolución pasa por una Fase de Instalación (dominio del capital financiero, especulación, construcción masiva de infraestructura) seguida de un ajuste o crisis que abre la Fase de Despliegue, cuando la tecnología permea el tejido productivo y distribuye sus beneficios.
La historia es elocuente, pero la analogía tiene un límite que suele omitirse:
- El ferrocarril provocó cracs y las vías quedaron.
- La electrificación desató especulación y la red reconfiguró la civilización.
- La burbuja dot-com evaporó capital y la fibra óptica sobrevivió y cimentó la economía digital.
El matiz crítico: Esos activos durables compartían algo: vida larga y baja obsolescencia. Vías, red eléctrica y fibra duran décadas. El stock que hoy justifica la inversión en IA —GPUs, memorias HBM— se deprecia en tres a cinco años.
Si la pregunta es qué sobrevive a la corrección, la respuesta honesta es que probablemente sobreviva el continente, no el contenido más caro: quedarán los galpones, la energía contratada, la refrigeración y la fibra; no el silicio, que es la parte costosa y la que hoy justifica el gasto. La analogía de la “infraestructura que queda” excluye precisamente aquello en lo que se concentra el capital.
La pregunta relevante: ¿Qué porción de la inversión actual se vuelve infraestructura durable y qué porción se incinera como capital especulativo o como silicio obsoleto?
6. Riesgos Macroeconómicos y Operativos
El despliegue de esta infraestructura conlleva riesgos de primer orden:
- Sobreinversión: Si la construcción de data centers supera la demanda solvente y rentable a mediano plazo, seguirá una corrección de mercado.
- Monetización asimétrica: Mucho uso diario, pero pocas aplicaciones que generen flujos de caja suficientes para cubrir el costo real de procesamiento.
- Vulnerabilidad por dependencia: Agencias como Moody’s advierten sobre el riesgo de concentración cuando el andamiaje de la economía descansa en muy pocos proveedores (tres de nube, dos diseñadores de hardware, tres fabricantes de memoria), lo que hace caer la resiliencia sistémica.
- Desplazamiento de costos: Al absorber obleas, memoria avanzada, ingenieros y gigavatios, la IA encarece insumos críticos para sectores tradicionales como la automoción, la salud, las telecomunicaciones y la educación.
- Fragilidad geopolítica: La cadena física está entre las más concentradas del planeta:
- Memoria: Corea, Japón, Taiwán, China y EE. UU.
- Litografía avanzada: Un único proveedor en Países Bajos (ASML).
- Diseño lógico: Firmas estadounidenses.
- Fundición avanzada: Casi entera en el estrecho de Taiwán (TSMC).
7. Oportunidad: la fase de despliegue
La IA tiene rasgos de Tecnología de Propósito General, comparable a la máquina de vapor o a la informática de consumo: transversal, capaz de reorganizar la medicina, la investigación científica, la logística, la administración pública y la industria. El valor de largo plazo no está en el consumo pasivo de asistentes o chatbots, sino en reorganizar procesos, flujos de conocimiento y decisiones.
El ciclo competitivo tiene dos fases:
- Fase actual: Premia a quien controla la base física (capital, data centers, energía, silicio).
- Fase de despliegue: Premia a quien domina la integración, la adaptación contextual, la auditoría y la gobernanza.
Auto-objeción 2: ¿Y si la oportunidad ya está capturada?
Los mismos incumbentes que controlan la infraestructura ya se integran hacia adelante en la capa de despliegue: Copilot y Gemini son la fase de integración montada dentro de la fase de infraestructura. Si el dueño de la base física también captura la capa de gobernanza y aplicación, la salida para la periferia, las universidades y los actores chicos se estrecha.
Auto-objeción 3: ¿Destrucción creadora o sustitución sin reemplazo?
Schumpeter nombró la destrucción creadora: la tecnología vuelve obsoletas las formas viejas de coordinar trabajo y, a la vez, engendra industrias nuevas. El riesgo actual es si la IA creará industrias nuevas al ritmo que destruye procesos viejos, o si solo hiper-optimizará las industrias actuales, dejando empleo calificado sin una tasa de reemplazo clara a corto plazo.
El par schumpeteriano supone que la creación acompaña a la destrucción; nada garantiza que ocurran al mismo ritmo. El reparto de los beneficios no depende del algoritmo ni de la densidad de transistores: depende de las instituciones, la política pública, la educación y la capacidad organizativa. Es un problema político, no técnico.
Tesis central
La IA generativa no produjo por sí sola la concentración de capital, tecnología y energía. Esa asimetría preexistía y fue condición material para el nacimiento de la IA moderna. Una vez desplegada, la IA actúa como un acelerador que profundiza, justifica y consolida esa concentración, volviéndose ella misma infraestructura crítica.
No es una innovación de software más. Es una etapa de acumulación material estructurada en torno al cómputo y la energía. La memoria HBM dio la pista; los data centers, la evidencia física; la tensión energética, la escala; la especulación, el riesgo. La pregunta de fondo no es técnica, es de organización social: ¿la dirección de esta tecnología seguirá concentrada en pocos actores, o existe una forma institucional de distribuirla?
Fuentes
- Futurum Group. (2026). AI Capex 2026: The $690B Infrastructure Sprint. Estima el gasto de capital combinado de los cinco mayores hyperscalers (Microsoft, Alphabet, Amazon, Meta, Oracle) entre 660.000 y 690.000 millones de dólares para 2026.
- International Data Corporation (IDC). (2026). Semiconductor & Semiconductor Applications Forecast (abril 2026). Proyecta el mercado total de semiconductores en 1,29 billones de dólares para 2026 y la triplicación de los ingresos de DRAM (418.600 millones), empujada por la demanda de HBM y DDR para infraestructura de IA.
- International Energy Agency (IEA). (2026). Electricity 2026. París: IEA Publications. Identifica la falta de capacidad de red como cuello de botella crítico, con colas de conexión en niveles récord a escala global.
- International Energy Agency (IEA). (2025). Energy and AI — Key Questions on Energy and AI. París: IEA Publications. Documenta el crecimiento de la demanda eléctrica de los data centers (17% en 2025; 50% en los centros enfocados en IA) y su proyección de duplicación hacia 2030.
- Moody’s Ratings. (2026). Digital Economy 2026 Outlook: Artificial Intelligence, Digital Finance, Cyber Risk, and Data Centers. Advierte sobre el riesgo de concentración de contraparte y de dependencia de nube, y sobre la fragilidad sistémica derivada de la concentración en pocos proveedores.
- Morgan Stanley Research. (2026). AI Market Trends 2026: Global Investment, Risks, and Buildout. Estima cerca de 3 billones de dólares de inversión en infraestructura de IA hacia 2028, con más del 80% del gasto aún por realizarse.
- Pérez, Carlota. (2002). Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Cheltenham: Edward Elgar Publishing.
- Schumpeter, Joseph A. (1942). Capitalism, Socialism and Democracy. Nueva York: Harper & Brothers.