- La combinación de enormes inversiones de capital inicial y ciclos tecnológicos cortos está llevando a los laboratorios de IA de frontera a una caminadora al estilo de los semiconductores, donde deben preparar la siguiente generación apenas lanzan un nuevo producto
- El costo de entrenar modelos de frontera aumentó alrededor de 2.4 veces por año durante 8 años, y los mayores trabajos de entrenamiento podrían superar los 1,000 millones de dólares en 2027 y llegar a 10,000 millones de dólares en 2028
- La industria de semiconductores sufrió recesiones cada 3 o 4 años y se reorganizó en torno a unas pocas empresas, pero compañías como Nvidia, Apple y ARM, que dominaron el diseño, el software y el ecosistema un nivel por encima de la fabricación, crearon un valor enorme
- En IA, aunque los costos de frontera se disparan, el costo de lograr el mismo desempeño cae, según algunas estimaciones, hasta cerca de una décima parte cada año, lo que permite que empresas de aplicaciones como Cursor, Harvey y Abridge construyan productos y relaciones con clientes sin entrenar modelos directamente
- La escala y el capital son ventajas competitivas clave para los laboratorios de frontera, pero la oportunidad de negocio más amplia está en la capa de aplicaciones de inteligencia barata y abundante; el riesgo de dependencia de plataforma, donde los proveedores de modelos pueden entrar al mercado de sus clientes, debe evaluarse por separado
La caminadora de semiconductores que no se detiene
- Las empresas de semiconductores de próxima generación invierten enormes cantidades de capital en diseño, tape-out, certificación de procesos y expansión de fabricación y distribución, pero para cuando el producto está listo, el mercado ya exige la siguiente generación
- Las empresas que no lograron seguir ese ciclo fueron adquiridas, consolidadas o cerraron discretamente, y lo que dificultó la inversión no fue la tecnología en sí, sino la intensidad de capital y la velocidad de desarrollo
- Los laboratorios de modelos de frontera muestran el mismo patrón: en el momento en que lanzan un producto tras invertir grandes cantidades de capital, se les exige el siguiente modelo
El costo de los procesos de semiconductores de próxima generación
- El costo de tape-out, que en procesos antiguos era de cientos de miles de dólares, puede llegar a más de 100 millones de dólares para un set completo de máscaras en 3 nm
- La mayor parte del costo no proviene de las obleas, sino de los sets de máscaras y de la ingeniería no recurrente
- Según estimaciones de International Business Strategies, el costo total de diseño de un chip nuevo aumenta bruscamente a medida que el proceso se vuelve más fino
- 28 nm: alrededor de 40 millones de dólares
- 7 nm: alrededor de 217 millones de dólares
- 5 nm: alrededor de 416 millones de dólares
- 3 nm: alrededor de 590 millones de dólares
- 2 nm: más de 725 millones de dólares
- Sin embargo, estas cifras son discutibles
- Según SemiAnalysis, hubo casos de startups que lanzaron chips de vanguardia en 7 nm por un total de 50 a 75 millones de dólares, por lo que las estimaciones altas deben verse como un límite superior
- Si se incluyen las instalaciones de fabricación, la carga es aún mayor
- Una planta de producción de 3 nm cuesta entre 15,000 y 20,000 millones de dólares
- Un escáner EUV cuesta más de 350 millones de dólares
- El plan de inversión de capital de TSMC para 2026 es de 52,000 a 56,000 millones de dólares
- El costo por transistor sigue bajando, pero solo las empresas que aseguran un volumen de producción suficiente para compensarlo pueden lograr viabilidad económica
El costo de los modelos de frontera de próxima generación
- El costo de hardware amortizado usado en el entrenamiento final de GPT-4 fue de alrededor de 40 millones de dólares, según estimaciones de Epoch AI
- Stanford AI Index lo calculó en unos 78 millones de dólares aplicando precios de alquiler en la nube
- Sam Altman afirmó que costó más de 100 millones de dólares
- El costo estimado de entrenamiento de Gemini Ultra varía entre 30 millones y 191 millones de dólares, según el método de cálculo
- Aunque el primer dígito cambie según la metodología, la magnitud de los costos es similar, y la tendencia de aumento a largo plazo es más importante que cada estimación individual
- Según Epoch AI, el costo de entrenamiento de frontera aumentó alrededor de 2.4 veces por año durante 8 años consecutivos
- Los mayores trabajos de entrenamiento podrían superar los 1,000 millones de dólares en 2027
- Dario Amodei prevé que en 2028 podrían aparecer trabajos de entrenamiento de 10,000 millones de dólares
- Los trabajos de entrenamiento de frontera en 2026 ya se estiman en más de 200 a 500 millones de dólares
- El enorme capital inicial, los ciclos de lanzamiento rápidos y un entorno que exige la siguiente generación inmediatamente después del lanzamiento ejercen sobre los laboratorios de IA una presión similar a la de las empresas de semiconductores
Por qué los activos de entrenamiento de IA se deprecian más rápido
- Las fábricas de semiconductores pueden reutilizarse a lo largo de varias generaciones de procesos, y las líneas de producción existentes, una vez amortizadas, pueden generar ingresos durante años
- En cambio, un modelo de frontera entrenado pierde valor en cuanto un competidor lanza un modelo mejor, y no tiene el valor residual de una fábrica de semiconductores antigua
- Por esta diferencia, la caminadora económica de los laboratorios de IA de frontera puede ser más dura que la de la fabricación de semiconductores
Ciclos y consolidación en la industria de semiconductores
- Durante unos 70 años, la industria de semiconductores ha sufrido recesiones cada 3 o 4 años y ha atravesado más de 15 ciclos hasta ahora
- Durante el colapso de la burbuja puntocom, el PHLX Semiconductor Sector Index (SOX) cayó alrededor de 82% desde su máximo de 2000, y el valor empresarial de Nvidia también cayó cerca de 90%
- Según PitchBook, la inversión de capital de riesgo en startups de semiconductores alcanzó un pico de unos 14,500 millones de dólares en 2021 y luego cayó 46%, a 7,800 millones de dólares, en 2022
- Las startups de chips que no lograron convertir su investigación y desarrollo en ventas antes de que el mercado de financiamiento se congelara se quedaron sin capital operativo
- Una industria que tenía miles de empresas se consolidó durante décadas alrededor de unos pocos operadores, y el mercado de memoria, en particular, se volvió un oligopolio
- Cuando una intensidad de capital extrema se combina con recambios generacionales constantes, la industria se concentra en pocos ganadores, y las empresas que confunden un auge con un estado permanente sufren fuertes golpes en la siguiente recesión
Las capas que crearon más valor en semiconductores
- La industria de semiconductores no solo produjo la consolidación de empresas de procesos de vanguardia, sino que se convirtió en la base de una enorme creación de valor en toda la industria tecnológica
- Nvidia, Apple, Qualcomm, Broadcom y AMD construyeron negocios poderosos con un modelo fabless, sin poseer fábricas propias y dejando la carga de capital de la fabricación de vanguardia en manos de TSMC y otros
- ARM entró en casi todos los teléfonos móviles licenciando un conjunto de instrucciones sin tocar directamente el silicio
- Estas empresas dominaron el diseño, el software y los ecosistemas un nivel por encima de la caminadora de fabricación, y trasladaron el riesgo del balance a las fundiciones
- El cambio más grande ocurrió sobre semiconductores baratos, abundantes y en mejora continua
- Industria del software
- Internet
- Economía de los smartphones
- Computación en la nube
- Google, Amazon y la economía de las apps
- Más que las empresas que desaparecieron de la carrera por los procesos de vanguardia, las que construyeron negocios sobre la computación barata creada por esa carrera disfrutaron de un crecimiento mayor durante décadas
Aumento de los costos de frontera y caída del costo de la inteligencia
- El límite superior del costo de los modelos de frontera sube a más de 1,000 millones de dólares, pero el costo de alcanzar un nivel determinado de desempeño cae, según algunas estimaciones, hasta cerca de una décima parte cada año
- Se considera que un modelo cuyo entrenamiento costaba 78 millones de dólares en 2023 hoy podría construirse por menos de 10 millones de dólares
- Se sabe que DeepSeek entrenó modelos de alto desempeño por unos pocos millones de dólares
- Las cifras exactas están en debate y algunas estimaciones podrían ser demasiado optimistas, pero la dirección es clara: el costo de lograr el mismo desempeño en modelos abiertos está bajando
- La inteligencia está bajando por la curva de costos junto con la computación, y la carrera de frontera y el mercado de aplicaciones por encima de ella tienen economías distintas
La estrategia fabless trasladada a la IA
- Solo unos pocos laboratorios con enormes fondos pueden participar en el entrenamiento de modelos de frontera, pero la capa de aplicaciones por encima de ellos está abierta a muchas más empresas
- Anysphere fue fundada en 2022 por cuatro estudiantes del MIT y construyó Cursor sobre modelos de frontera de otras empresas
- Sus ingresos anualizados crecieron de unos 100 millones de dólares a inicios de 2025 a unos 4,000 millones de dólares a mediados de 2026
- En junio de 2026, SpaceX acordó adquirir la empresa por unos 60,000 millones de dólares
- Cursor no entrenó directamente modelos de frontera; fue dueña del producto y de la relación con los desarrolladores, y dejó que los laboratorios de modelos asumieran los costos de entrenamiento
- La misma estrategia se está aplicando en varias industrias
- Perplexity: búsqueda
- Harvey: trabajo legal
- Sierra: servicio al cliente
- Abridge: entornos clínicos
- Glean: trabajo interno empresarial
- Foundry Robotics: manufactura
- Estas empresas construyen productos y negocios encima de la caminadora de entrenamiento sin subirse directamente a ella
El riesgo separado de la dependencia de plataforma
- Si se construye un producto sobre modelos externos, el proveedor del modelo puede subir a la capa de aplicaciones y competir directamente con el negocio de sus clientes
- Los laboratorios ya compiten con algunos clientes importantes que usan sus modelos
- Cursor compitió con las herramientas de programación propias de los proveedores de modelos mientras asumía precios minoristas de modelos, en tanto que los proveedores podían aprovechar economías de nivel mayorista
- La dependencia de plataforma es un riesgo de inversión que no puede ignorarse, pero su naturaleza y su costo de entrada son distintos de los riesgos de costos de entrenamiento y recambio generacional que soportan los laboratorios de frontera
Dos tipos que deben distinguirse al invertir
- En la era de los semiconductores, dos tipos de empresas tuvieron buenos resultados
- Un pequeño número de empresas alcanzó la escala necesaria para seguir soportando la caminadora de vanguardia
- Muchas más empresas construyeron negocios sostenibles y de alto margen uno o dos niveles por encima del silicio barato y abundante
- En escala total de creación de valor, el segundo tipo fue mucho mayor que el primero
- La era de los modelos de frontera se está desarrollando en la misma dirección, y la caminadora no debe confundirse con todo el mercado
- La IA también podría sufrir una o más sequías de financiamiento, como otros auges tecnológicos intensivos en capital, y las empresas que financian la última generación con capital de mercado optimista quedarán bajo presión en esos momentos
- La oportunidad más amplia no está tanto en quién gana la carrera de frontera, sino en qué se construye una vez que la inteligencia se vuelve barata y abundante
- Red Glass Ventures está especialmente interesada en robótica, hardware y sistemas que actúan directamente en el mundo real, donde la inteligencia barata se encuentra con el mundo físico
Aún no hay comentarios.