La burbuja de la IA es 17 veces más grande que la burbuja puntocom y 4 veces mayor que la subprime

• La inversión relacionada con la IA aumentó de forma explosiva impulsada por tasas de interés artificialmente bajas, formando la mayor burbuja de la historia
• La firma de investigación independiente MacroStrategy Partnership sostiene que la burbuja de la IA es 17 veces más grande que la burbuja puntocom y 4 veces mayor que la crisis subprime
• El informe explica, con base en la teoría de Knut Wicksell, que las tasas bajas asignan el capital de forma ineficiente y hacen que una parte del PIB se utilice mal
• También señala los límites en la mejora del rendimiento de los LLM y la falta de rentabilidad, poniendo como ejemplo que incluso cuando el costo de los modelos aumenta 10 veces, casi no hay mejoras
• El analista recomienda reducir exposición a empresas de IA y plataformas, aumentar inversión en recursos y mercados emergentes (India y Vietnam), y una estrategia de compra de oro, bonos del Tesoro de corto plazo y yen japonés

---

Tamaño de la burbuja de la IA y sus fundamentos

• El reciente entorno de tasas de interés artificialmente bajas impulsó el auge de la inversión en IA
• MacroStrategy Partnership evalúa que la actual inversión en IA es la mayor entre las burbujas históricas
  • La calcula como un “déficit wickselliano” equivalente a 17 veces la burbuja puntocom y 4 veces la crisis inmobiliaria de 2008
  • Esto incluye no solo IA, sino también bienes raíces, NFT, capital de riesgo y otras áreas de asignación ineficiente de capital derivadas de las tasas bajas
• Según la teoría de Knut Wicksell, una asignación ideal de capital ocurre cuando el costo de endeudamiento corporativo está 2 puntos porcentuales por encima del PIB nominal
  • Se argumenta que la flexibilización cuantitativa de la Fed rompió esta condición durante mucho tiempo, provocando sobreinversión

Límites y críticas a la tecnología LLM

• El informe señala los límites de escalamiento de los grandes modelos de lenguaje (LLM)
  • Cita una investigación según la cual la tasa de finalización de tareas de una empresa de software fue de apenas 1.5% a 34%, y aun así no fue consistente
  • La tasa de adopción de IA está entrando en una fase de descenso en las grandes empresas, y en ejemplos de uso real también aparecen numerosos errores lógicos
• El análisis indica que, aunque el costo de entrenamiento de los modelos se disparó, las mejoras de eficiencia fueron mínimas
  • El costo de entrenamiento de ChatGPT-3 fue de 50 millones de dólares, GPT-4 de 500 millones de dólares y GPT-5 llegó a 5 mil millones de dólares
  • Se evalúa que GPT-5, incluso después de retrasar su lanzamiento, casi no mostró mejora de rendimiento
• Los competidores pueden alcanzarlos con facilidad, por lo que en la práctica tampoco existe una verdadera barrera de entrada (moat)

Problemas de rentabilidad del modelo de negocio de los LLM

• También existe el problema de que “es difícil crear aplicaciones con valor comercial usando LLM”
• Lo generado suele reutilizarse en juegos, dominio público (por ejemplo, tareas) o choca con restricciones de derechos de autor
• Es difícil implementar publicidad efectiva y, con cada nueva generación, los costos de entrenamiento se disparan mientras las ganancias de precisión caen bruscamente
• En última instancia, persisten problemas de falta de competitividad de precios, rentabilidad y diferenciación entre modelos
• Incluso entre los clientes con mayor uso, desde la perspectiva de los desarrolladores la carga de costos supera la cuota mensual de suscripción

Perspectiva económica e impacto de política

• Se advierte que, si la inversión en centros de datos y el efecto riqueza (wealth effect) alcanzan su punto máximo y luego retroceden,
  • es muy probable que la economía caiga en una recesión similar a la posterior a la burbuja puntocom
• Esto podría empujar a la economía estadounidense hacia un colapso deflacionario de Zona 4 (Zone 4 deflationary bust),
  • y se prevé que la Fed y la administración Trump estarían en una situación en la que sería difícil aplicar estímulos
  • Al igual que después de la crisis de las S&L a inicios de los años 90, haría falta un esfuerzo prolongado de reinflación (reflation)

Propuesta de estrategia de inversión de MacroStrategy Partnership

• Sobreponderar (Overweight): materias primas, especialmente mercados emergentes como India y Vietnam
• Infraponderar (Underweight): empresas de IA y plataformas
• Recomendación de portafolio:
  • Comprar acciones relacionadas con el oro (GDX)
  • Comprar bonos del Tesoro estadounidense de corto plazo
  • Posición larga en el VIX (índice de volatilidad)
  • Comprar yen japonés, con expectativa de fortaleza especialmente frente a monedas distintas del dólar

Resumen del mercado y otras noticias

• El S&P 500 registró en 2025 su 30.º máximo histórico, mientras que el precio del oro mantiene una fuerte alza
• Apple recibió una calificación “underperform” de Jefferies por el exceso de expectativas en torno al iPhone plegable
• Applied Materials prevé una caída de 710 millones de dólares en ingresos durante los próximos cinco trimestres por las restricciones de exportación de EE. UU.
• BlackRock está en conversaciones para adquirir Aligned Data Centers en una operación de 40 mil millones de dólares
• Las ganancias reales de las empresas de EE. UU. (según NIPA) cayeron por segundo trimestre consecutivo,
  • y se presenta el análisis de Ned Davis Research de que las estimaciones de ganancias del S&P 500 podrían ser excesivamente optimistas

[GN⁺]

Opiniones en Hacker News

• Siento que todo este artículo está vacío de contenido real. Lo leí hasta el final y casi no explica qué significa ese “17x” mencionado en el titular; de hecho, no queda claro qué es exactamente lo que sería 17 veces mayor.

  • Tampoco hay enlace a la nota de investigación original ni detalles sobre la metodología usada. Solo menciona la falta de un modelo de negocio para la IA, lo cual es similar a lo que se decía de los motores de búsqueda a finales de los 90. Cuesta creer que todo el mercado esté expuesto al riesgo por la IA de la misma forma que lo estuvo el mercado crediticio. Aunque OpenAI quebrara, no parece que todas las demás empresas fueran a caer junto con ella.

  • Con una búsqueda rápida en Google se ve que las instituciones financieras globales perdieron entre 1 y 2 billones de dólares en títulos vinculados a hipotecas, y que el mercado inmobiliario de EE. UU. perdió 6 billones de dólares, mientras que el mercado accionario perdió otros 6 billones. No confío del todo en esas cifras, pero la magnitud era de ese orden. Me cuesta creer que la burbuja de la IA sea tan grande como la subprime. Aun así, como las tasas estuvieron bajas durante mucho tiempo, muchos activos se han valuado alto, y si la burbuja revienta podría venir una corrección masiva junto con una recesión.

  • La fuente del “17x” es un informe escrito por alguien llamado Julien Garran. Lo están citando en artículos casi de spam. En este video se puede ver directamente el contenido del estudio. Ese “17x” se basa en un modelo macroeconómico llamado "cumulative Wicksell spread", que plantea que el mercado accionario podría estar sobrevaluado por el efecto de las tasas de interés. No trata sobre IA. El cálculo del Wicksell spread es una gráfica construida integrando “crecimiento anual del PIB + 2% - tasa de interés anual”. El bump actual es 17 veces mayor que el de la burbuja puntocom. El análisis económico en sí es interesante.

  • Parece que el enlace original ahora fue reemplazado por un reporte de Morningstar.

  • Me parece que los argumentos y ejemplos son demasiado pobres. La tesis del centro de investigación es que “las tasas artificialmente bajas impulsaron la inversión en IA y esa inversión llegó a su límite de expansión”, pero en realidad desde 2022 las tasas subieron a su nivel más alto en décadas. Como se equivoca incluso en ese hecho básico, pierde credibilidad. La narrativa de que las tasas altas necesariamente son malas para los precios de los activos también es errónea. Las principales empresas de IA esperan retornos de 40% a 100% anual o más, así que la diferencia entre tasas de 1% y 5% no significa mucho para la decisión de inversión de un fondo de venture capital. En los 80 y a fines de los 90 también hubo casos de altas valuaciones tecnológicas pese a tasas elevadas. Los años 2001 y 1991 que ponen como ejemplo fueron más bien recesiones débiles. Después de la crisis de las S&L a inicios de los 90 vino más bien un auge económico. La IA sería más apta para esto que analistas inútiles con sueldos altísimos.

• Este artículo cita una carta para suscriptores. Este video parece ser la misma fuente original. Resumiendo lo dicho por Julien Garran: la mala asignación del capital estadounidense —incluyendo vivienda, VC y cripto— sería 17 veces el tamaño de la burbuja puntocom y 4 veces el de la burbuja inmobiliaria de 2008. Su argumento es que, cuando esto se corrija, no sería solo una recesión normal, sino un evento capaz de sacudir los cimientos del globalismo que comenzó en la era Thatcher-Reagan entre 1979 y 1982 y luego llevó hasta la OMC y el ascenso de China.

• Pienso que toda clase de ingeniería financiera para sostener una burbuja termina mal. Siempre pasa igual. En cada burbuja proliferan prácticas empresariales ilegales o tramposas, y mientras dura la euforia del mercado eso queda oculto; cuando llega la corrección, todo sale a la luz.

  • Escuché hace poco este podcast de Prof G Markets, y explica de forma interesante cómo colapsa una burbuja. En resumen: las empresas emiten deuda para financiarse, luego vienen M&A, el IPO de OpenAI, etc., y cuando los trucos para inflar ingresos ya no alcanzan para cumplir las expectativas del mercado, el sistema se derrumba rápido.

  • El verdadero problema es la “socialización del riesgo durante la reestructuración”. Si el gobierno sigue dando señales de que al final habrá rescate, todos terminan asumiendo riesgos imprudentes. Mientras más grande seas, más probable es que te salven.

  • La mejor posición dentro de una burbuja es estar en medio de las transacciones.

• Me preocupa que las valuaciones de las empresas frente a sus ingresos sean peligrosamente altas, pero como la IA es una tecnología de propósito general, todavía me cuesta retirarme por completo del mercado. En la burbuja puntocom pasó algo parecido: al final la tecnología sobrevivió y dio origen a las big tech. Hubo mucho dolor y empresas como pets.com desaparecieron, pero si esto es otra etapa parecida, me pregunto si realmente conviene quedarse completamente fuera del mercado.

  • Durante la burbuja puntocom, el NASDAQ cayó casi 80%, y ese tipo de colapso es justo lo que uno querría evitar con anticipación. Pero los desplomes llegan de golpe y no es fácil salir a tiempo. Si en medio del colapso estás perdiendo 20% en un solo día, psicológicamente cuesta decidir si vender o esperar. Además, ahora existen los "circuit breakers" que detienen temporalmente el mercado, así que aunque te enteres unas horas tarde, puede que ya se haya suspendido la negociación. Si todos venden al mismo tiempo, cuando el mercado reabra el precio puede estar mucho más abajo.

  • Me gustaría preguntar si has visto las proyecciones de ingresos de OpenAI.

• Las firmas de inversión de Medio Oriente y el fondo soberano saudí, Masayoshi Son, a16z, el directorio de Tesla y otros están actuando al invertir como si estuvieran algo desconectados de la realidad. No parece que les importen mucho los intereses de inversionistas y accionistas. Me pregunto si creen que son TBTF (Too Big To Fail, demasiado grandes para caer). También me pregunto si JD Vance está bajo esa influencia. El tamaño de la burbuja es preocupante, pero más miedo da la actitud de ciertos actores que claramente parecen pensar: “no nos van a exigir responsabilidades”.

  • Como siempre, si sus apuestas terminan mal, van a meter miedo diciendo algo como “China nos va a superar a nosotros”, aunque la gente común solo forma parte de ese “nosotros” cuando Sam Altman necesita fondos públicos.

  • Puede sonar cínico, pero al final esa gente realmente va a evitar rendir cuentas. Van a castigar a las personas equivocadas, y ellos saldrán diciendo: “nadie podía prever que esto iba a pasar”.

• Es un experimento mental interesante. ¿Qué pasaría si surgiera una innovación que redujera en 90% el costo de entrenar LLM, pero mantuviera el mismo rendimiento? (Últimamente han salido estudios relacionados desde China.) Si la demanda de GPU cayera con fuerza, me intriga cómo cambiaría la estructura económica del boom de la IA.

  • Si entrenar se vuelve más barato, bajan los costos y los modelos se vuelven más rentables al ser más baratos. Se podrían crear modelos más grandes, más rápido y en mayor cantidad, y también aumentarían los modelos pequeños más eficientes mediante distillation. El entrenamiento es un costo puro, pero la inferencia, si se ignora el entrenamiento, tiene márgenes muy altos. Reducir el costo de entrenamiento ayuda mucho al negocio de los LLM.

  • Este problema no es exclusivo de la IA, sino de todo el sector IT. También se podrían construir data centers más baratos y eficientes, y usar los smartphones durante más tiempo. Al final, a las empresas no les gusta participar en mercados donde la caída de precios lleva a una competencia feroz, una race to the bottom. Creo que una innovación que abarate de forma drástica el entrenamiento de LLM solo se difundirá de verdad cuando la capacidad de expansión de los data centers ya esté completamente agotada.

  • Como en la paradoja de Jevons, en realidad la demanda podría no caer. Nvidia o los grandes laboratorios de investigación verían bajar sus valuaciones, pero aun así seguirían en una situación bastante buena. Los resultados recientes de China han pasado benchmarks, pero todavía no significa que tengan competitividad real.

  • De hecho ya hubo una anécdota así. Cuando alguien hizo una optimización y eso se tomó como una gran noticia, se evaporaron de golpe mil millones de dólares en valor. A simple vista suena ridículo, pero huele exactamente a burbuja.

  • El asunto es todavía más grande que eso. Si se trata de trabajos donde el margen de error aceptable es casi nulo, los LLM no son adecuados. Pero si ese margen aumenta aunque sea un poco, ya puedes correr algo como deepseek en local a un costo muy bajo. Al final, los grandes data centers solo sirven para entrenamiento, y para la mayoría de la gente los servicios de inferencia no son económicamente razonables. Eso puede convertirse más adelante en un problema financiero enorme con efectos en cadena.

• Lo que este artículo no entiende es que el scaling de los LLM no sigue una sola curva. RL (aprendizaje por refuerzo) genera mejoras tipo pico solo en ciertas capacidades. No aumenta la inteligencia general del modelo; más bien parchea con RL ciertos huecos en áreas específicas. En la práctica no hay una única curva de scaling, sino miles. La “inteligencia de punta” del modelo muestra rendimientos decrecientes, pero al mismo tiempo se está elevando el “mínimo nivel” en muchas áreas. Quien no evalúa modelos directamente en trabajo real quizá no lo note.

• Este fin de semana probé el modelo Llama 3.2-3B y, aunque todavía hay que entender mejor sus límites, me pareció bastante usable. Corre “tan rápido como lees” incluso en una GPU Intel Arc de 100 libras. También quisiera comprar una Arc770 (250 libras) para probar si puede correr modelos open weight de OpenAI. Viéndolo así, uno empieza a pensar que incluso inversiones enormes podrían diluirse fácilmente con la comercialización de los LLM.

• También hay estimaciones de que la burbuja de la IA representa entre 20% y 30% del mercado bursátil actual. Como referencia, la Gran Depresión comenzó con una caída de 24% en la bolsa. Quienes manejan este juego de la IA saben que, si el gobierno deja que esto siga su curso natural, puede venir otra Gran Depresión, así que está prácticamente asegurado que habrá rescates. La gente común cargará con inflación, impuestos más altos y mayor deuda pública, mientras los de arriba siguen disfrutando sus yates y Lamborghinis. Esta burbuja de la IA está casi totalmente escondida detrás del private equity, así que la gente común ni siquiera tiene muchas oportunidades de participar. Tal vez la única excepción sea la acción de Nvidia. Da la impresión de que la burbuja está a punto de reventar. Hay señales de que Nvidia ya entró en la etapa final de refinanciar deuda mediante inversiones circulares con los data centers de OpenAI, en esencia “hacer que compren tus propios productos con tu propio dinero”. Se parece a la forma en que el CEO de WeWork le prestaba dinero a su empresa y luego le alquilaba sus propios productos. AMD también hizo recientemente algo parecido con OpenAI, moviendo capital a través de una transacción circular similar. También está este artículo relacionado. Ya no sé si siquiera tiene sentido debatir el tamaño de la burbuja. En toda la industria se está extendiendo esa lógica tipo “nunca dejes que conviertan en efectivo, así no se vuelve real”, como en la película The Big Short.

  • Pensé en este fenómeno de “los jugadores aguantándose entre sí con inversiones circulares” también al ver el anuncio reciente de la alianza estratégica entre AMD y OpenAI. Solo con esa noticia, AMD subió casi 35% en un día.

  • La IA no es toda la burbuja. SpaceX también entra ahí. Aunque Falcon 9 es un negocio exitoso, dos tercios de sus lanzamientos son de Starlink, o sea transacciones internas sin ingresos externos. Aun así, pese a realizar 25 veces más lanzamientos que ULA, SpaceX vale 200 veces más que ULA.

  • Creo que el patrón de “te presto dinero para que me compres mis cosas” también se va a dar entre países. EE. UU. le presta dinero a Japón, y con ese dinero Japón vuelve a invertir en EE. UU., mientras todo se maquilla como si fuera perfectamente legal.

  • Tengo dudas de que puedan ser ciertas al mismo tiempo tanto la afirmación de que “la burbuja de la IA representa 20%-30% del mercado bursátil” como la de que “está casi completamente escondida detrás del private equity”.

• Es la primera vez que me entero de que existen los préstamos garantizados con GPU, y se ven extremadamente riesgosos.

  • Más que riesgosos, me parecen una locura total. Las GPU pierden valor en cuanto se instalan.

  • Sinceramente, mientras no usen mis impuestos para rescatarlos, no me importa si los bancos terminan comiéndose las pérdidas, pero sabemos que en la realidad no funciona así.