Insights Investing

Descifrando la arquitectura de la IA: análisis de cuellos de botella, fosos económicos (moat) y acumulación de valor para inversionistas de largo plazo

Podcast · Escuchar (24 min)

Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market

Contenido
  1. 1. Descomposición de la arquitectura de la IA: cuellos de botella frente a acumulación de valor económico
  2. 2. Infraestructura e intensidad del gasto de capital: la revolución industrial que sustenta la IA
  3. 3. Chips, memoria y economía de los modelos: comoditización frente a fronteras cambiantes
  4. 4. Planos de ejecución, IA física y la paradoja de Jevons
  5. 5. Cifras clave
  6. 6. Qué cambiaría nuestra perspectiva
  7. 7. Fuentes

El valor se acumula a lo largo de la arquitectura tecnológica de la inteligencia artificial no simplemente por la escasez física absoluta, sino donde los cuellos de botella tecnológicos se cruzan con el poder de fijación de precios, la expansión recurrente del volumen, los costos de cambio y una alta rentabilidad incremental sobre el capital invertido (ROIC). Si bien el marco de seis capas de Chamath Palihapitiya (Infraestructura, Chips, Datos, Modelos, Ejecución, Aplicación) destaca acertadamente la comoditización económica de los modelos fundacionales y la aparición de puntos críticos de estrangulamiento en el hardware, los inversionistas a largo plazo deben distinguir entre la escasez técnica absoluta y la creación sostenible de valor para los accionistas. A medida que los hiperescaladores se transforman en empresas industriales intensivas en capital, con un gasto previsto de más de $700 mil millones en 2026 en infraestructura de cómputo y de la red eléctrica, evaluar el valor intrínseco exige analizar la durabilidad del flujo de caja libre (FCF), los riesgos de la intensidad de capital y los ciclos de retroalimentación de los flujos de trabajo propietarios, en lugar de depender únicamente de los cuellos de botella físicos.

1. Descomposición de la arquitectura de la IA: cuellos de botella frente a acumulación de valor económico

Analizar la inteligencia artificial mediante una arquitectura por capas aporta una claridad esencial para los inversionistas que se basan en los fundamentos. Chamath Palihapitiya clasifica el ecosistema en seis estratos distintos: Infraestructura (energía, terrenos, refrigeración, minerales, plantas de fabricación), Chips (GPU/ASIC, memoria de alto ancho de banda [HBM], encapsulado, redes), Datos (datos propietarios, sensoriales y de robótica), Modelos (inteligencia fundacional), Ejecución (agentes, orquestación, API, actuadores) y Aplicación (software y sistemas para usuarios finales). El concepto analítico central que conecta estas capas es el «activo pivote»: un componente irremplazable por el que debe pasar cada capa superior y que no puede sustituirse fácilmente.

Sin embargo, existe una distinción crucial entre un cuello de botella tecnológico absoluto y un foso económico (moat) de alta rentabilidad. Un activo puede situarse directamente en la ruta crítica tecnológica sin captar rendimientos financieros proporcionales para los accionistas. Para los inversionistas a largo plazo que evalúan los fosos económicos (moat) mediante un marco de Graham y Buffett, la escasez física por sí sola no garantiza la capitalización compuesta a largo plazo de las ganancias del propietario (owner earnings).

Esta dinámica se ilustra claramente al comparar ASML y NVIDIA. ASML posee un cuello de botella tecnológico absoluto e irremplazable en los sistemas de litografía ultravioleta extrema (EUV); las plantas avanzadas de fabricación de semiconductores no pueden sustituir la maquinaria de ASML. Sin embargo, NVIDIA ha generado una apreciación del valor accionario mucho mayor. ASML vende máquinas en cantidades limitadas, sumamente complejas e intensivas en capital a un grupo concentrado de compradores, lo que limita el crecimiento automático de los ingresos cuando el consumo mundial de tokens se duplica. En cambio, NVIDIA combina los cuellos de botella del silicio con el conjunto de herramientas de software CUDA, las arquitecturas de sistemas, las redes NVLink y una profunda integración del ecosistema. NVIDIA capta directamente la creciente elasticidad del volumen de inferencia y entrenamiento de IA.

Para evaluar la acumulación de valor económico a lo largo de la arquitectura, los inversionistas deberían aplicar una fórmula cualitativa integral en lugar de medir la escasez de forma aislada:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

Los rendimientos económicos duraderos solo se materializan cuando un punto de estrangulamiento operativo se combina con elasticidad del volumen, altos costos de cambio y sólidos rendimientos incrementales sobre el capital invertido.

2. Infraestructura e intensidad del gasto de capital: la revolución industrial que sustenta la IA

Las capas fundamentales de la arquitectura de la IA atraviesan una transición estructural desde modelos de software con pocos activos hacia operaciones industriales intensivas en capital. Los cuellos de botella críticos en la base de la arquitectura revelan concentraciones geográficas y empresariales extremas:

  • Escasez de materiales para semiconductores: Los proveedores japoneses de materiales controlan aproximadamente 78% de las ventas mundiales de fotorresinas para semiconductores según la nacionalidad de las empresas, con Shin-Etsu, JSR, Tokyo Ohka Kogyo y Fujifilm dominando mercados específicos de productos químicos de alta pureza.
  • Cuarzo de alta pureza (HPQ): La producción de lingotes de silicio de calidad semiconductor depende de crisoles de cuarzo fundido derivados de cuarzo excepcionalmente puro extraído en Spruce Pine, Carolina del Norte. Sibelco (que produce material IOTA en dos yacimientos de mineral puro) y The Quartz Corp son los únicos proveedores que producen de manera económicamente viable HPQ avanzado de calidad superior a gran escala.

Más allá de las materias primas físicas, la infraestructura de suministro eléctrico presenta una grave restricción operativa. La Agencia Internacional de Energía (IEA) proyecta que el consumo mundial de electricidad de los centros de datos casi se duplicará, al aumentar de aproximadamente 485 TWh en 2025 a alrededor de 950 TWh para 2030. Se estima que los gastos de capital de los hiperescaladores superarán los $700 mil millones en 2026, impulsados principalmente por la expansión de los centros de datos.

Área de infraestructura Punto crítico de estrangulamiento y principales proveedores Impacto económico y métricas
Materiales para semiconductores Fotorresinas japonesas (Shin-Etsu, JSR, TOK, Fujifilm) ~78% de participación de mercado por nacionalidad; insumos químicos no sustituibles.
Cuarzo de alta pureza Yacimientos de Spruce Pine (Sibelco, The Quartz Corp) Fuente exclusiva para crisoles de cuarzo fundido destinados a lingotes de silicio.
Energía eléctrica disponible para suministro Transformadores, equipos de maniobra, UPS, interconexiones Las restricciones aparecen antes que las de generación bruta; 485 TWh $\rightarrow$ 950 TWh (IEA).
Gasto de capital de los hiperescaladores Expansión de centros de datos y aceleración del cómputo >$700B previstos en 2026 (IEA); fuertes presiones por depreciación.

Es crucial señalar que la generación bruta de electricidad no es el principal límite a corto plazo. Las investigaciones de la Universidad Johns Hopkins demuestran que los equipos de suministro de la red —específicamente transformadores, equipos de maniobra, sistemas de alimentación ininterrumpida (UPS), interconexiones de transmisión e infraestructura especializada de refrigeración— limitarán la construcción de centros de datos antes de que la propia capacidad de generación se convierta en el principal cuello de botella. El activo económico escaso inmediato es la energía eléctrica que puede suministrarse con el voltaje, la ubicación y la confiabilidad requeridos.

Desde la perspectiva de la inversión en valor, esta transición afecta gravemente los balances corporativos y las métricas de rentabilidad. A medida que los hiperescaladores destinan más de $700 mil millones anuales a gastos de capital, activos físicos por miles de millones de dólares se incorporan a los balances como propiedades, planta y equipo (PP&E). Una vez que entran en operación, los calendarios de depreciación lineal afectan los estados de resultados independientemente de la materialización inmediata de los ingresos. Si la demanda de tokens monetizables o la adopción de software empresarial se rezagan respecto de la construcción de infraestructura física, la rentabilidad sobre el capital invertido (ROIC) y las tasas de conversión en flujo de caja libre (FCF) se desploman bajo el peso de la infraestructura no amortizada. Esta dinámica refleja directamente episodios históricos de sobreconstrucción de infraestructura, como el colapso de la fibra de telecomunicaciones que involucró a WorldCom y Global Crossing, en el que enormes gastos de capital crearon un grave exceso de capacidad y destruyeron valor accionario pese a que la adopción de internet a largo plazo terminó por confirmar su validez.

3. Chips, memoria y economía de los modelos: comoditización frente a fronteras cambiantes

Aunque los modelos teóricos suponen que los cuellos de botella del hardware se disipan naturalmente con el tiempo a medida que se normaliza la capacidad de fabricación, las restricciones de suministro de semiconductores siguen siendo agudas. La memoria de alto ancho de banda (HBM) y el encapsulado avanzado representan cuellos de botella estructurales de varios años, en lugar de fricciones temporales. La IEA proyecta que la escasez de suministro de HBM persistirá al menos hasta finales de 2027. La participación de mercado sigue estando muy concentrada; los datos de Counterpoint para Q2 2026 estiman la participación en los ingresos de HBM en:

  • SK Hynix: 50%
  • Samsung: 33%
  • Micron: 18%

Los fosos económicos (moat) del hardware moderno no dependen de matrices de cómputo independientes, sino de una integración completa a nivel de sistema: matrices GPU/ASIC integradas con HBM mediante interconectores intermedios, encapsulado avanzado, redes de alta velocidad (como NVLink), suministro eléctrico y refrigeración especializada. Esta integración de sistemas se vuelve aún más vital a medida que las cargas de trabajo pasan del entrenamiento de modelos a la inferencia. McKinsey proyecta que la inferencia representará aproximadamente 60% de la demanda total de IA para 2030. En consecuencia, el campo de competencia se desplaza directamente hacia el ancho de banda de memoria, la capacidad, la latencia, la eficiencia térmica y el consumo energético por token útil generado, lo que consolida los fosos económicos (moat) estructurales de los proveedores de hardware integrado.

Al mismo tiempo, la economía de los modelos de inteligencia fundacional muestra una rápida caída de costos. Los datos del Índice de IA de Stanford indican que el costo de ejecutar un modelo con un desempeño MMLU de nivel GPT-3.5 cayó de aproximadamente $20 por millón de tokens en noviembre de 2022 a alrededor de $0.07 en octubre de 2024: una reducción del costo de 280 veces en 18 meses. Además, los estudios de la OCDE muestran que los precios de los modelos de lenguaje ajustados por calidad disminuyeron casi 80% entre enero de 2024 y abril de 2026.

Métrica / enfoque de la métrica Referencia histórica Nivel reciente / proyectado Relevancia analítica
Costo de tokens de GPT-3.5 en MMLU $20.00 / M tokens (noviembre de 2022) $0.07 / M tokens (octubre de 2024) Reducción de 280x en el costo unitario de inteligencia (Stanford).
Precios de los modelos de lenguaje Nivel base (enero de 2024) Descenso de ~80% (abril de 2026) Rápido desplome de precios de los resultados ajustados por calidad (OCDE).
Brecha de desempeño entre modelos cerrados y abiertos Amplio margen (2023) Brecha de 3.3%–3.4% (marzo de 2026) Comoditización de las capacidades básicas (Índice de IA de Stanford de 2026).
Participación en el gasto empresarial 35% en modelos de frontera (Q3 2025) 63% en modelos de frontera (Q3 2026) Disposición a pagar una prima por razonamiento de vanguardia (Menlo).

Pese a este desplome de precios, los modelos fundacionales aún no se han convertido en productos completamente indiferenciados. La inteligencia básica se está comoditizando: el Índice de IA de Stanford de 2026 muestra que los principales modelos de frontera (Anthropic, xAI, Google, OpenAI) están separados por solo 25 puntos Elo de Arena, y que los modelos cerrados superan a las alternativas de pesos abiertos por apenas 3.3% a 3.4% a marzo de 2026. Sin embargo, los clientes empresariales siguen pagando una prima por las capacidades de frontera. Las investigaciones de Menlo muestran que la participación de los modelos de frontera en el gasto empresarial en IA aumentó de 35% en Q3 2025 a 63% en Q3 2026.

La capa de modelos opera como una frontera económica cambiante: las capacidades básicas se comoditizan rápidamente, mientras que el razonamiento de vanguardia mantiene el poder de fijación de precios, lo que obliga a los desarrolladores de modelos a absorber inversiones de capital enormes y continuas solo para mantenerse a la par de la frontera.

4. Planos de ejecución, IA física y la paradoja de Jevons

A medida que los modelos fundacionales se convierten en productos indiferenciados, el valor económico se desplaza hacia el plano de ejecución y control. Esta capa de software intermediario abarca el enrutamiento dinámico de modelos, la memoria persistente de estado, la gestión de identidades, la gestión de permisos, la evaluación, la integración de herramientas y la orquestación. Desde la perspectiva de los balances corporativos, los compradores de software empresarial no adquieren tokens fundacionales sin procesar; adquieren resultados de negocio completos. La capa de ejecución opera como un «software intermediario» institucional —análogo a Kubernetes, la gestión de identidades y accesos, y la observabilidad en la computación en la nube— que afianza los costos de cambio de los clientes empresariales y protege los márgenes de utilidad incluso cuando los modelos base subyacentes fluctúan. La encuesta de LangChain sobre uso en producción de 2026 confirma que las arquitecturas empresariales multimodelo ya son la norma, y que los principales cuellos de botella del despliegue se están desplazando desde los costos unitarios de los tokens hacia la confiabilidad de la ejecución, la seguridad y la finalización de tareas.

Del mismo modo, los datos genéricos de entrenamiento de la web se están convirtiendo en productos indiferenciados frente a los ciclos de retroalimentación propietarios basados en resultados. Los fosos económicos (moat) sostenibles se crean cuando las aplicaciones de software se integran directamente en flujos de trabajo operativos específicos de un sector, donde las acciones generan evaluaciones verificables en el mundo real.

Un ejemplo destacado de esta dinámica es Harvey en el sector jurídico. Harvey no compite como una frágil capa de aplicación sobre un modelo fundacional que vende generación genérica de tokens. En cambio, se integra directamente en los flujos de trabajo jurídicos, combinando sistemas jurídicos de registro, distribución, cumplimiento normativo, confianza del cliente y ciclos de retroalimentación propietarios (análisis de contratos $\rightarrow$ revisión del abogado $\rightarrow$ presentación judicial final/resolución). Como Harvey controla el flujo de trabajo de principio a fin y los datos de resultados derivados, genera altos costos de cambio y defiende su poder de fijación de precios, haciendo que la elección del modelo fundacional subyacente sea secundaria frente al resultado de negocio logrado. Están surgiendo ciclos de retroalimentación similares basados en resultados en áreas especializadas como la programación (parche $\rightarrow$ resultado de la prueba $\rightarrow$ resultado del despliegue), la medicina (diagnóstico $\rightarrow$ terapia $\rightarrow$ resultado de salud del paciente) y las finanzas (factura $\rightarrow$ compensación $\rightarrow$ resolución de disputas).

En los sistemas de IA física, las dinámicas de asignación de capital difieren fundamentalmente de la economía empresarial del software puro. El software escala con un costo marginal cercano a cero, mientras que la robótica física requiere un capital considerable para la lista de materiales (BOM). McKinsey estima que los actuadores de precisión representan entre el 40% y el 60% de la BOM de un robot humanoide, frente al 5% al 10% de los módulos de batería. Además, CRU estima que cada robot humanoide requiere de 2 a 3 kg de imanes de tierras raras de NdFeB (neodimio-hierro-boro). Aunque los componentes de IA física representan opcionalidad estratégica a largo plazo, los activos de cómputo y memoria de los centros de datos generan flujos de caja inmediatos y verificables hoy.

Componente físico de IA Participación estimada en la BOM / recursos Principales factores económicos y de la cadena de suministro
Actuadores de precisión 40% – 60% de la BOM total (McKinsey) Articulaciones, cajas de engranajes, motores y reductores de alta precisión.
Módulos de batería 5% – 10% de la BOM total (McKinsey) Menor asignación relativa de capital en comparación con los sistemas de accionamiento.
Imanes de tierras raras de NdFeB 2 – 3 kg por robot humanoide (CRU) Factor estructural de demanda de elementos de tierras raras pesadas.

Comprender esta expansión estructural del gasto de capital requiere aplicar la paradoja de Jevons. Una caída de 100 veces en los costos unitarios de los tokens no reduce el gasto total en cómputo; por el contrario, los menores precios unitarios desencadenan una expansión explosiva del consumo agregado de tokens. A medida que las interacciones individuales de consulta y respuesta son reemplazadas por ciclos de razonamiento de múltiples agentes que ejecutan simulaciones continuas en segundo plano e invocaciones automatizadas de herramientas, la demanda agregada de capacidad de cómputo del hardware se acelera pese al desplome de los precios unitarios.

Para los inversionistas fundamentales de largo plazo que evalúan la asignación de capital, la captura sostenible de valor exige evitar la escasez puramente física y favorecer negocios que exhiban un alto ROIC incremental, poder de fijación de precios y ciclos de retroalimentación integrados en los flujos de trabajo. Los inversionistas interesados en modelos de valoración más profundos y cálculos fundamentales de ganancias del propietario (owner earnings) pueden explorar nuestros análisis de empresas de código abierto en el sitio web de DeepValues Research o evaluar el valor intrínseco y el margen de seguridad de cualquier acción mediante la aplicación DeepValues.

5. Cifras clave#

  • 78%: Participación de mercado aproximada de las empresas japonesas en las ventas de fotorresinas para semiconductores según la nacionalidad de la empresa.
  • >$700 mil millones: Gastos de capital estimados de los operadores de hiperescala en 2026 según la IEA, destinados predominantemente a la expansión de centros de datos.
  • 485 TWh a ~950 TWh: Aumento proyectado del consumo eléctrico de los centros de datos de 2025 a 2030 (IEA).
  • Finales de 2027: Persistencia prevista de la escasez de suministro de memoria de alto ancho de banda (HBM) (IEA).
  • 50% / 33% / 18%: Participación estimada en los ingresos de HBM en Q2 2026 de SK Hynix, Samsung y Micron, respectivamente (Counterpoint).
  • $20 a $0.07 por millón de tokens: Caída del costo de ejecutar un rendimiento en MMLU equivalente al nivel de GPT-3.5 entre noviembre de 2022 y octubre de 2024, lo que representa una reducción de 280x (índice de IA de Stanford).
  • ~80%: Caída de los precios de los modelos de lenguaje ajustados por calidad desde enero de 2024 hasta abril de 2026 (OECD).
  • 25 puntos Elo de Arena: Estrecha diferencia de rendimiento que separa a los modelos de frontera de Anthropic, xAI, Google y OpenAI a marzo de 2026 (índice de IA de Stanford de 2026).
  • 3.3%–3.4%: Brecha de rendimiento entre el mejor modelo de código cerrado y el mejor modelo de pesos abiertos en marzo de 2026 (índice de IA de Stanford).
  • 35% a 63%: Aumento de la participación de los modelos de frontera en el gasto empresarial en IA entre Q3 2025 y Q3 2026 (investigación de Menlo).
  • 40%–60% frente a 5%–10%: Proporción estimada de la lista de materiales (BOM) de un robot humanoide que representan los actuadores frente a los módulos de batería (McKinsey).
  • 2–3 kg: Requerimiento estimado de imanes de tierras raras de NdFeB por robot humanoide (CRU).

6. Qué cambiaría nuestra perspectiva

  • Obsolescencia rápida de las arquitecturas CUDA y HBM: Aceleración de interconexiones o arquitecturas de memoria alternativas que logren desplazar a HBM y NVLink, debilitando los fosos económicos (moat) de las redes a nivel de sistema antes de 2027.
  • Recorte del gasto de capital de los operadores de hiperescala: Una marcada revisión a la baja de la trayectoria de gasto de capital anual de >$700 mil millones de los operadores de hiperescala debido a una rentabilidad sobre el capital invertido (ROIC) decepcionante o a graves demoras en la interconexión a la red eléctrica.
  • Monetización rápida y estancamiento de los modelos de pesos abiertos: El colapso de la brecha de rendimiento de frontera de 3.3–3.4%, que lleve a los clientes empresariales a abandonar los modelos cerrados de gama alta en favor de modelos de pesos abiertos localizados y económicos.
  • Despliegue acelerado de IA física: Comercialización masiva y fabricación de alto volumen de robots humanoides que alcancen millones de unidades mucho antes de 2030, desplazando la captura inmediata de valor de los flujos de caja hacia las cadenas de suministro de actuadores e imanes.

7. Fuentes#

Descifrando el valor de la IA, Chamath Palihapitiya (carta anual de 2025 y marco relacionado) Índice de IA de Stanford (Universidad de Stanford, datos de 2024–2026) Informes sobre electricidad y gasto de capital de la Agencia Internacional de Energía (IEA) Counterpoint Research (análisis del mercado de semiconductores y HBM de Q2 2026) Investigación de McKinsey & Company sobre la BOM de robótica Investigación de CRU Group sobre materiales y tierras raras Estudios de la OECD sobre precios de modelos de lenguaje (2024–2026) Investigación de Menlo Ventures sobre gasto empresarial en IA (2025–2026) Investigación de la Universidad Johns Hopkins sobre infraestructura y energía de centros de datos Encuesta de LangChain sobre IA en producción (2026)

Ver

Enlaces a las fuentes

  • Decoding AI Value

Ver y escuchar

Investigación de la empresa

Texto de investigación bajo licencia CC BY 4.0, citar como: DeepValues Research, Descifrando la arquitectura de la IA: análisis de cuellos de botella, fosos económicos (moat) y acumulación de valor para inversionistas de largo plazo, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-es/

Correo semanal gratis

Margin of Safety Weekly

Cada sábado: la temperatura del mercado, qué compraron y vendieron los grandes inversionistas (13F), los nuevos reportes de la semana, videos y podcasts — gratis, sin necesidad de cuenta. El correo se envía en inglés.

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. Privacidad

Ve más allá

Ejecuta este análisis en cualquier acción en 2 minutos

Deep Value Intelligence, el analista de IA multiagente detrás de este reporte, genera bajo demanda el mismo reporte para cualquier empresa que cotice en bolsa.

Abrir Deep Value Intelligence

Sigue más de 300 acciones en la app de DeepValues

Posturas, valor intrínseco y los reportes más recientes, en tu teléfono.

Desarrolladores: posturas y reportes vía API

Los fundamentales, valores intrínsecos, posturas y enlaces a reportes detrás de estas páginas, en JSON.

Documentación de la API

Comentar