El mercado de tokens de inteligencia artificial enfrenta una encrucijada: mientras la industria experimenta un auge sin precedentes, los analistas advierten que sin cambios estructurales significativos, los modelos fundacionales podrían terminar funcionando como infraestructura de bajo margen, con el valor económico capturado por capas superiores.
¿Cuál es el verdadero valor de los tokens de IA en el mercado actual?
La valoración de los tokens de inteligencia artificial sigue siendo una pregunta abierta. Según el análisis de Benedict Evans, casi todas las variables clave del mercado permanecen sin resolver. Lo único que puede afirmarse con seguridad es que existe una crisis temporal de suministro y que el estado actual del mercado luce fundamentalmente inestable.
El sector atravesará múltiples reacomodos antes de alcanzar un nuevo equilibrio. Durante ese proceso, cambiarán simultáneamente la oferta de cómputo, la demanda de uso, los precios, la capacidad de los centros de datos y el gasto de capital. El debate central no se limita a cuánto tardan los modelos en volverse útiles, sino si podrán sostener poder de fijación de precios y capturar valor económico duradero.
Oferta creciente, eficiencia mejorada y demanda incierta
Del lado de la oferta, se aproxima una ola de inversión masiva. Se espera al menos USD $1.000 millones o más en gasto de capital para infraestructura de centros de datos, junto con desembolsos aún mayores en semiconductores. Simultáneamente, la eficiencia de inferencia mejora con rapidez, y los nuevos modelos presentan patrones de consumo de tokens impredecibles, lo que dificulta anticipar el costo real de servir la demanda futura.
En cuanto a la demanda, existe un cuello de botella observable desde 2022. Durante la primera mitad de 2026, la tensión se habría concentrado en un caso de uso específico: el desarrollo de software. Ese detalle es crucial porque el desarrollo de software sigue siendo un mercado relativamente pequeño frente al potencial de consumo masivo. Si emergiera un caso de uso para consumidores con cientos de millones de usuarios activos diarios, la infraestructura actual no podría absorberlo a ningún precio viable.
Márgenes de inferencia, costos de entrenamiento y retorno sobre inversión
La rentabilidad de la inferencia ha sido ampliamente citada, con reportes que indican márgenes brutos entre 40% y 50%, incluyendo depreciación de servidores. Sin embargo, existen zonas grises importantes. No hay claridad sobre la vida útil real de esos activos, que podría variar entre cinco y siete años, ni se incorpora completamente el costo de entrenar nuevos modelos varias veces al año.
El entrenamiento sigue siendo, por ahora, significativamente más costoso que los ingresos generados por inferencia. Aunque la inferencia funciona como costo marginal y el entrenamiento como costo fijo, nadie sabe cómo evolucionarán esos costos. Tampoco está claro si la explosión de uso reciente genera un retorno sobre la inversión medible para las empresas, lo que afecta directamente los precios que estarán dispuestas a pagar.
¿Qué determina si habrá poder real de fijación de precios?
Existen cuatro preguntas estratégicas que definirán el futuro del mercado. Primero, cuántos usuarios o empresas optarán por acceder a los modelos más avanzados y costosos, versus utilizar soluciones de bajo costo basadas en modelos antiguos o de código abierto. Segundo, si la frontera tecnológica continuará avanzando con fuerza y qué cómputo adicional requerirá ese progreso.
Tercero, si la competencia entre modelos de frontera seguirá siendo feroz o si el mercado se concentrará en pocos jugadores con ventajas claramente diferenciadas. Cuarto, cuánto del valor de los casos de uso de alto nivel será capturado por el modelo mismo versus herramientas, procesos, datos propietarios, distribución y soporte.
En un escenario extremo, dos o tres laboratorios podrían controlar la mitad del mercado y ejercer poder fuerte de fijación de precios. En el otro, los modelos de lenguaje se parecerían a bases de datos: abundantes, intercambiables y con valor capturado principalmente por quienes construyen productos encima.
Las analogías históricas y sus limitaciones
La comparación más común sitúa la expansión actual de infraestructura de IA con la sobreconstrucción de fibra óptica durante la burbuja puntocom. Sin embargo, esa analogía tiene limitaciones. En aquel caso, la fibra se construyó muy por delante de la demanda, mientras que en IA la capacidad de cómputo aún corre por detrás de la demanda observable.
Una analogía más útil es la de los datos móviles. Las redes celulares enfrentaron un salto explosivo en tráfico, obligando a operadores a ampliar capacidad y rediseñar precios. El tráfico de datos creció varios órdenes de magnitud en dos décadas, generando una industria anual de USD $1 billón con gasto de capital de USD $200.000 millones, pero el valor terminó en manos de actores situados más arriba en la pila, no en los proveedores de infraestructura base.
La fabricación de semiconductores ofrece otra referencia. Aunque comparte con IA la escalada continua en costos y complejidad, la Ley de Rock sostiene que el costo de una fábrica de vanguardia se duplica cada cuatro años. Esa dinámica redujo el número de competidores y dejó a TSMC como líder casi único en la frontera, con márgenes defendibles. Sin embargo, aunque TSMC posee un monopolio de facto, su ingreso neto del año pasado fue de USD $53.000 millones, menos de la mitad del beneficio de Apple por sí sola.
Qué tendría que cambiar para evitar la commoditización
Casi todos los caminos hacia una captura extraordinaria de valor requieren que ocurra algo diferente a lo que hoy se observa. La importancia tecnológica de la IA no se traduce automáticamente en dominio económico. Una posibilidad es que los modelos de frontera dejen de competir de forma tan estrecha, pero en apenas seis meses durante 2026, nuevos competidores pasaron de cero a aparecer en los tablones de líderes.
Otra opción es que emerjan efectos de red duraderos o que los chatbots evolucionen hasta convertirse en productos capaces de capturar valor por sí mismos. También podría ocurrir que un laboratorio supere claramente a todos los demás por ejecución de producto, similar a lo que hicieron Microsoft, Google, Facebook y Apple al consolidar posición y aprovechar dinámicas cercanas al ganador se lo lleva todo.
Existe un factor adicional que no depende del mercado puro: la política. Regulaciones sobre código abierto y controles de exportación podrían alterar artificialmente la competencia y cambiar la trayectoria del sector.
Impacto para empresas y administradores de negocios argentinos
Para dueños y administradores de empresas en Argentina, esta evolución del mercado de IA tiene implicaciones directas en decisiones de inversión tecnológica. Si los modelos de lenguaje se commoditizaran, el grueso del valor no quedaría en el modelo base, sino en las capas superiores que construyan experiencias, herramientas, datos, procesos y distribución.
Esto significa que las pymes y empresas medianas argentinas podrían beneficiarse de acceso a infraestructura de IA cada vez más económica, pero también que el diferencial competitivo se desplazaría hacia quienes logren integrar esas capacidades en soluciones especializadas, con datos propietarios y canales de distribución propios. Las empresas que inviertan en capas superiores de la pila—aplicaciones, procesos, datos—tendrían más probabilidades de capturar valor duradero que quienes apuesten únicamente a modelos base. Para startups y emprendimientos locales, el mensaje es claro: el valor futuro estará en la especialización, no en competir directamente con laboratorios globales.
