El software se comió al mundo, y ahora el hardware se está comiendo al software

• En la era del SaaS, las interfaces y aplicaciones capturaban entre 75% y 90% del margen bruto total, pero en la IA el centro del valor baja hacia semiconductores, cómputo, datos y plataformas de inferencia, mientras la capa de aplicaciones se adelgaza
• El enorme capital requerido, los cuellos de botella físicos de CoWoS, HBM y energía, los costos de cambio de datos y la sustituibilidad de la lógica de aplicación fijan el centro del valor en las capas inferiores
• Los ingresos de centros de datos de NVIDIA llegaron a 75.2 mil millones de dólares en el trimestre cerrado en abril de 2026, un alza interanual de 92%, y el gasto de capital del 1T de 2026 de los cuatro grandes hyperscalers alcanzó 131 mil millones de dólares, concentrando el capital en la capa de infraestructura física
• La brecha de rendimiento y los precios de los modelos de pesos abiertos bajan rápido, pero mantienen valor las plataformas de inferencia y optimización que ofrecen alto rendimiento y baja latencia, las plataformas de datos propietarias y unos pocos modelos premium con desempeño de punta y red de distribución empresarial
• En promedio, las aplicaciones de IA destinan 23% de sus ingresos al costo de inferencia, por lo que su margen bruto puede quedarse en 50% a 60%; para lograr una defensibilidad al nivel del software tradicional, necesitan al menos uno de estos elementos: bucle de datos propietario, sistema de registro, flujo de trabajo regulado, poder de distribución o pricing basado en resultados

---

La dirección del cambio de valor que impulsa la IA

• En SaaS, el costo marginal de atender a un usuario adicional era casi cero, y las empresas que controlaban la interfaz, el flujo de trabajo y el sistema de registro capturaban 75% a 90% de margen bruto
• En IA, la inferencia se convierte en un costo variable de ingresos, por lo que el centro del valor se desplaza desde la aplicación hacia las capas inferiores
  • Semiconductores y cómputo, plataformas de datos, motores de inferencia que ejecutan modelos abiertos y unos pocos modelos premium de frontera forman las principales capas de valor
• Las aplicaciones no desaparecen, pero su capa se está adelgazando
  • Mientras sube la valoración de modelos y datos, las aplicaciones wrapper no diferenciadas ven menores márgenes y múltiplos de ingresos
• Después del colapso puntocom, el capital privado salió de los semiconductores, intensivos en capital y cíclicos, para moverse a cloud y SaaS, que ofrecían más de 80% de margen bruto e ingresos recurrentes
• La IA está revirtiendo esa dinámica y devolviendo capital a silicio, empaquetado, energía, infraestructura de datos e inferencia
  • Las franquicias más valiosas del sector tecnológico vuelven a ser empresas de chips
  • Las plataformas de inferencia y datos se convierten en negocios de infraestructura que crecen a velocidad récord
  • Las aplicaciones asset-light, antes destino de esa migración de capital, quedan con una estructura de márgenes desfavorable dentro del stack de IA

Cuatro razones por las que el valor se acumula en las capas inferiores

• Cada capa del stack de IA puede evaluarse según qué tan fácilmente otro actor puede sustituir el siguiente dólar de valor
• La intensidad de capital actúa como barrera de entrada
  • Los cuatro grandes hyperscalers están ejecutando un capex anualizado superior a 500 mil millones de dólares, y se encaminan a más de 600 mil millones en 2026
  • En mercados que exigen inyecciones continuas de capital masivo, el capital mismo se vuelve un foso competitivo
• Los cuellos de botella físicos no pueden resolverse en el corto plazo solo con dinero
  • El empaquetado avanzado CoWoS, la memoria de alto ancho de banda (HBM) y la energía operan como restricciones claras
  • Quien controla una restricción escasa captura valor
• Los costos de cambio y la inercia acumulan valor en las plataformas de datos
  • Cuantos más pipelines, tablas y modelos se agregan a un mismo entorno, mayor es el costo de migración
  • Como los pesos abiertos están diseñados para ser portables, el valor se desplaza menos al modelo y más a la plataforma que lo entrega
• El riesgo de sustitución en la capa superficial sigue aumentando
  • La lógica de aplicación de propósito general puede ser ejecutada directamente por los modelos, por lo que es la parte más fácil de reemplazar dentro del stack

Capa 1: semiconductores y cómputo

• NVIDIA y el capex de los hyperscalers

  • Los ingresos de centros de datos de NVIDIA llegaron a 75.2 mil millones de dólares en el trimestre cerrado en abril de 2026, un aumento interanual de 92%
  • El margen bruto fue de alrededor de 75%, y los ingresos anualizados rondan los 300 mil millones de dólares
  • La guía de ingresos totales para el siguiente trimestre es de 91 mil millones de dólares, y su participación por ingresos en aceleradores de IA es de cerca de 80%
  • El capex del 1T de 2026 de los cuatro grandes hyperscalers llegó a unos 131 mil millones de dólares
    • Amazon gastó 44.2 mil millones de dólares y Alphabet 35.7 mil millones
    • Microsoft invirtió 30.9 mil millones de dólares y Meta 19.8 mil millones
  • Ese nivel de inversión equivale a unos 525 mil millones de dólares anualizados, y sigue aumentando rumbo a una guía anual de más de 600 mil millones en 2026
  • Goldman Sachs estima en 5.3 billones de dólares el capex acumulado de los hyperscalers entre 2025 y 2030

• Restricciones de oferta en cómputo, memoria y almacenamiento

  • Los ingresos globales de semiconductores llegaron a 793 mil millones de dólares en 2025, un alza interanual de 21%, y se proyecta que se acerquen a 1 billón de dólares en 2026
    • La proyección de WSTS es de unos 975 mil millones de dólares, un crecimiento interanual de 25%
    • La proyección de Gartner es incluso mayor
  • La IA representa alrededor de 30% de los ingresos totales de semiconductores, y se espera que supere 50% en 2029
  • En cómputo, se proyecta que el mercado de aceleradores de IA pase de unos 80 mil millones de dólares en 2024 a más de 280 mil millones en 2029
  • La memoria también está bajo presión rápidamente
    • La demanda de HBM creció cerca de 130% en 2025 y aumentará otro ~70% en 2026
    • El precio de contrato del DRAM convencional subió cerca de 90% trimestral en el 1T de 2026
    • Los centros de datos de IA absorben alrededor de 70% del DRAM avanzado
  • El mercado NAND alcanzará unos 65 mil millones de dólares en 2026, y una quinta parte de todos los bits se usará para IA
    • Hasta 2027, se proyecta que el crecimiento de la demanda de 20% a 22% supere el crecimiento de la oferta de 15% a 17%

• Cuellos de botella de empaquetado y energía, y riesgo sobre los retornos

  • La restricción clave se está moviendo del diseño de chips hacia el empaquetado y la energía
  • La capacidad de producción CoWoS de TSMC aumentará de unas 70 mil obleas mensuales en 2025 a unas 110 mil en 2026, pero está prácticamente agotada
  • NVIDIA ya reservó más de la mitad de esa oferta hasta 2027
  • La nueva capacidad de centros de datos de IA anunciada en 2025 superó los 10GW, y la base actual de empaquetado puede soportar unos 18GW
  • El silicio personalizado de hyperscalers, como Google TPU, AWS Trainium y los ASIC de Broadcom, está creciendo hacia un mercado de aceleradores de más de 200 mil millones de dólares
    • A largo plazo podría reducir la participación de NVIDIA, pero no trasladará valor fuera de la capa de semiconductores
  • El mayor riesgo no está en los ingresos sino en el retorno sobre la inversión
    • Con más de 500 mil millones de dólares de capex anual y una vida útil de 2 a 3 años para los aceleradores, la utilización de la base instalada debe mantenerse lo bastante alta para sostener los márgenes
    • Más que la competencia, la tasa de utilización de la infraestructura será la variable más importante para la rentabilidad de todo el stack de IA

Capa 2: modelos abiertos y plataformas de inferencia

• Convergencia del rendimiento de modelos y expansión de la oferta

  • Según Stanford AI Index, en Chatbot Arena la brecha entre el mejor modelo cerrado y el mejor modelo de pesos abiertos cayó de 8.04% en enero de 2024 a 1.70% en febrero de 2025
  • En MMLU, la brecha de unos 17.5 puntos en 2023 prácticamente desapareció
  • DeepSeek R1 mostró que no es indispensable un presupuesto de entrenamiento de cientos de millones de dólares para lograr razonamiento de frontera
  • Qwen superó a Llama y se convirtió en la familia de modelos más descargada en Hugging Face
  • En Hugging Face hay más de 2.2 millones de modelos registrados, y el catálogo se duplicó en unos 24 meses
  • Cuando existen miles de modelos abiertos similares, se vuelve más escasa la capacidad de ejecutarlos eficientemente que los propios pesos
    • Hay que optimizar rendimiento, latencia y costo por token
    • También se necesitan routing de modelos, caché, fine-tuning, evaluación y guardrails

• Modelos abiertos no estadounidenses y valor de plataforma

  • En la frontera de pesos abiertos está creciendo la proporción de desarrolladores fuera de EE. UU.
  • De agosto de 2024 a agosto de 2025, los desarrolladores chinos representaron 17.1% de las descargas en Hugging Face
    • La participación de desarrolladores estadounidenses fue de 15.8%
  • Qwen desplazó a Llama como la familia de modelos más descargada
  • La comoditización de modelos abiertos incluye no solo factores económicos, sino también variables de cadena de suministro y política
  • Igual que Linux en sí no capturó el valor económico que sí capturaron Red Hat y la nube, en los pesos abiertos el gasto lo absorben plataformas que los ofrecen de forma estable y barata más que los modelos mismos
  • Un negocio sostenible se parece más a una plataforma de inferencia y optimización que al modelo abierto en sí
    • Operar modelos portables en producción de forma confiable y barata no se comoditiza con facilidad

• Crecimiento de plataformas de inferencia y estructura de costos

  • Fireworks AI reveló que superó los 800 millones de dólares en ingresos anualizados en unos 3 años y creció más de 4 veces interanual
  • Together AI tendría una escala similar, y Baseten llegó a unos 600 millones de dólares tras crecer más de 5 veces interanual
  • Estas empresas no son laboratorios de modelos, sino proveedores base que vuelven utilizables en producción los pesos abiertos
  • Si se asume una función de IA de tamaño medio que procesa 50 mil millones de tokens de salida al mes, la diferencia de costos es grande
    • Si el precio de salida de una API de frontera es de unos 10 a 15 dólares por millón de tokens, el costo mensual sería de unos 500 mil a 750 mil dólares
    • Si modelos abiertos como Llama, Qwen o DeepSeek se ofrecen en una plataforma de inferencia por unos 0.40 a 1 dólar por millón de tokens, el costo mensual sería de unos 20 mil a 50 mil dólares
  • La reducción de costos es de más de 90%, y la plataforma captura parte de ese ahorro como margen
  • Este cálculo es ilustrativo; el costo real varía según el modelo, la longitud de contexto y la utilización

Capa 3: unos pocos modelos premium

• La convergencia de los modelos abiertos reduce la brecha media de rendimiento, pero no elimina la frontera en sí
• Seguirá existiendo una capa premium en áreas donde vale pagar por un punto extra de desempeño, como tareas complejas de agentes, confiabilidad de larga ejecución, coding en producción y seguridad
• Los ingresos anualizados de Anthropic crecieron de alrededor de 1 mil millones de dólares a fines de 2024 a unos 47 mil millones en mayo de 2026, y se espera que lleguen a unos 100 mil millones al cierre del año
  • Ya tiene más de 1,000 clientes empresariales que gastan más de 1 millón de dólares al año
• Los ingresos anualizados de OpenAI fueron de unos 6 mil millones de dólares a fines de 2024, unos 20 mil millones a fines de 2025, unos 30 mil millones a mediados de 2026, y van rumbo a unos 60 mil millones al cierre del año
• Ambos laboratorios usan criterios de ingresos distintos, y las cifras de cierre de 2026 son estimaciones, por lo que importa más la trayectoria de crecimiento que la escala absoluta
• La capa premium es más estrecha de lo que se esperaba en 2023, y para asegurar una posición defendible no basta con rendimiento de frontera: también se necesita distribución hacia clientes empresariales

Capa 4: plataformas de datos

• Las plataformas de datos forman una gravedad de datos donde el costo de migración sube a medida que se acumulan pipelines, tablas y ontologías
• Databricks ya supera los 6.9 mil millones de dólares en ingresos anualizados y crece cerca de 80%
  • Los productos de IA ya representan alrededor de 26% de sus ingresos
  • Su valuación privada ronda los 170 mil millones de dólares
• Palantir es una capa operativa que conecta datos empresariales con decisiones controladas
  • Sus ingresos del 1T de 2026 crecieron 85% interanual y alcanzaron una escala anualizada de unos 6.5 mil millones de dólares
  • Los ingresos del segmento comercial en EE. UU. crecieron 133%
  • Su métrica Rule of 40 es de 145%
  • Su capitalización bursátil es de unos 350 mil millones de dólares y cotiza en torno a 50 veces ingresos
• Los modelos convergen entre sí, pero los datos propietarios de una empresa y los flujos de trabajo y ontologías construidos encima no son sustituibles
• Cuanto más se comoditiza la capa de modelos, más palanca conservan las plataformas que poseen datos y bucles de decisión
• Los múltiplos altos de ingresos, como las ~50 veces de Palantir o las 25 a 50 veces de empresas de modelos base, se concentran más en capas acopladas a datos propietarios que en la superficie del software genérico

Capa 5: aplicaciones que se adelgazan

• Presión sobre el margen bruto

  • El SaaS tradicional podía registrar 75% a 90% de margen bruto porque el costo de atender a un usuario adicional era casi nulo
  • Las aplicaciones nativas de IA deben volver a ejecutar el modelo en cada solicitud, por lo que su margen bruto se queda en alrededor de 50% a 60%
  • Según datos de ICONIQ para 2026, el costo de inferencia de las empresas de IA en etapa de crecimiento representa en promedio cerca de 23% de los ingresos
  • A diferencia del costo de ingresos en SaaS, la participación de la inferencia no cae automáticamente con la escala
  • En casos extremos, un wrapper muy delgado puede bajar hasta 25% de margen bruto

• Polarización de valuaciones

  • El mercado está aplicando múltiplos de ingresos distintos según la capa del stack de IA
    • Las empresas de modelos base se valoran en 25 a 50 veces ingresos
    • Las plataformas nativas de IA rondan 25 a 30 veces
    • La mediana del SaaS tradicional cayó de 18.6 veces en el pico de 2021 a unas 6.7 veces
    • Los wrappers de IA cotizan entre 5 y 8 veces, igual o incluso por debajo del SaaS tradicional
  • Modelos y datos reciben valoraciones altas, pero la superficie de aplicación no diferenciada se valora poco
  • Las aplicaciones sostenibles necesitan activos que al modelo le cueste absorber
    • Deben tener un bucle de datos propietario o ser un sistema de registro
    • Los flujos de trabajo regulados y una distribución real aportan defensibilidad
    • El pricing basado en resultados puede convertir el costo de inferencia en margen
  • Sin esos elementos, la aplicación queda como una capa delgada de prompts y código de conexión encima de modelos comoditizados

Condiciones para que el valor vuelva a las aplicaciones

• Si las aplicaciones acumulan rápido datos de interacción, pueden convertirse en su propia plataforma de datos y ganar gravedad de datos
  • Las aplicaciones que funcionan como sistema de registro pueden ser una excepción a la tendencia de adelgazamiento de capa
• Si los laboratorios de modelos premium controlan la inferencia, construyen agentes y venden directamente la aplicación, pueden internalizar el valor de tres capas
  • Eso no redistribuye el valor hacia arriba, sino que lo concentra en una sola empresa, pero sí puede debilitar a las plataformas de inferencia independientes y a la capa de aplicaciones
• Si el costo de inferencia se comoditiza más rápido de lo esperado, el margen bruto de las aplicaciones de IA podría volver a niveles de SaaS
  • LLMflation sostiene que el costo por unidad de inteligencia cae unas 10 veces al año, y que desde inicios de 2024 la velocidad de caída del precio mediano llega a unas 200 veces anualizadas
  • Si la inferencia se vuelve casi gratuita, el problema de márgenes de la capa de aplicaciones se debilita
  • Aun así, aunque el costo llegue a cero, la sustituibilidad de la capa superficial permanece, por lo que el problema de valuación en gran parte sigue intacto
• Esa misma caída de costos puede presionar el precio de semiconductores y plataformas de inferencia al mismo tiempo que recupera los márgenes de las aplicaciones, pero el riesgo estructural de sustitución en la capa superficial seguirá presente

Cómo deben responder inversionistas, fundadores y empresas establecidas

• Los inversionistas deben evaluar puntos de control más que interfaces
  • Deben observar cuellos de botella físicos como cómputo, empaquetado, energía y memoria
  • También incluyen plataformas de datos que siguen acumulando datos propietarios
  • Y plataformas de inferencia y optimización que monetizan la abundancia de modelos abiertos
  • Además, hay que distinguir a los pocos modelos premium que combinan rendimiento de frontera con distribución empresarial
• A las aplicaciones hay que exigirles un bucle de datos o un sistema de registro, y asumir 50% a 60% de margen bruto en vez de más de 80% hasta que se demuestre lo contrario
• Los fundadores deben poseer un bucle de datos propietario o convertirse en un sistema de registro
  • O fijar precios basados en resultados para que la caída del costo de inferencia no se quede solo en ahorro para el cliente, sino que también se convierta en margen propio
• Para las empresas establecidas, es difícil poseer directamente los fosos de la capa base, que requieren capital masivo
  • Más que competir en cómputo o modelos de frontera, les conviene defenderse en la capa de datos, manteniendo datos, entrenamiento y serving en un mismo lugar

Indicadores a observar en los próximos 4 trimestres

• Si los ingresos frente al capex de los hyperscalers superan 25% a 30% y aun así se mantienen los márgenes, se sostiene la tesis de retornos en la capa base
  • Si el retorno sobre el capital invertido se rompe, podría revalorarse todo el stack
• Si el ARR de Fireworks AI, Together AI y Baseten sube hacia 1 a 2 mil millones de dólares cada uno, eso reforzará la idea de que el valor se está concentrando en la capa de inferencia más que en los modelos
• Si en benchmarks difíciles como agentes y coding la brecha entre modelos abiertos y cerrados se mantiene dentro de unos 2 puntos, se consolidará la comoditización de la capa de modelos
• Si el margen bruto de aplicaciones de IA en etapa de crecimiento se queda en 50% a 60%, seguirá vigente la tesis de aplicaciones adelgazadas; si se recupera por encima de 75%, se debilitará
• Si los precios de DRAM y HBM siguen subiendo a doble dígito trimestre a trimestre, eso confirmará que las restricciones físicas y los márgenes siguen en la capa base

Posicionamiento con horizonte de 3 a 5 años

• En el escenario de mayor probabilidad, conviene concentrarse en la capa base y la capa de datos; los modelos premium solo deberían elegirse cuando exista alta convicción sobre unos pocos ganadores
• A las aplicaciones solo se les deberían aplicar múltiplos de ingresos al nivel del software tradicional cuando tengan un bucle de datos o un sistema de registro
• La gravedad del valor, formada por capital, cuellos de botella físicos, costos de cambio de datos y sustituibilidad, está acumulando valor en las capas inferiores del stack de IA