La euforia alrededor de la inteligencia artificial generativa ha ocultado, deliberadamente o no, una verdad incómoda: estamos chocando contra muros físicos que ni el mejor algoritmo puede saltar. Recientemente, en una cumbre de alto nivel en Beverly Hills, líderes de la cadena de suministro global —desde la cúpula de ASML hasta arquitectos de nube y desarrolladores de hardware— admitieron que el cuello de botella ya no es solo la capacidad de cómputo, sino el acceso a la energía y la soberanía tecnológica.
Christophe Fouquet, CEO de ASML, fue tajante: el mercado seguirá limitado por la oferta de chips durante los próximos tres a cinco años. A pesar de la aceleración frenética en la fabricación, los hiperescaladores como Google, Microsoft o Amazon no recibirán todo el silicio que han pagado. Para ponerlo en perspectiva, el negocio de Google Cloud ha crecido un 63% interanual, pero su cartera de ingresos comprometidos se ha disparado a 460.000 millones de dólares. La demanda es real, pero la capacidad de la industria para fabricar máquinas de litografía ultravioleta extrema —el activo más preciado y escaso del mundo tech— tiene un techo físico.
La energía: el límite no negociable
Si la escasez de chips es el primer obstáculo, la energía es el que lo hace insostenible. Es curioso observar cómo Google está considerando llevar centros de datos al espacio, no solo por la disponibilidad de energía, sino para gestionar el calor. Aunque parezca ciencia ficción, refleja una urgencia real: la eficiencia térmica en la Tierra ha alcanzado límites técnicos severos.
Lo que pocos están viendo es que la ventaja competitiva ya no reside solo en el software, sino en la integración vertical extrema. Google defiende sus unidades de procesamiento tensorial (TPUs) no por capricho, sino porque la co-ingeniería entre chip, modelo y agente permite extraer más operaciones por vatio. En un mercado donde cada megavatio tiene un precio creciente, comprar hardware genérico para tareas de IA es una estrategia que se volverá prohibitiva. Aquí la rentabilidad se mide en eficiencia energética, no solo en velocidad.
¿Estamos apostando al caballo equivocado?
Mientras la industria se consume en una carrera armamentista de parámetros y escala, surge una disidencia técnica. Eve Bodnia, física cuántica, propone un cambio de paradigma con modelos basados en energía (EBMs). A diferencia de los modelos de lenguaje actuales que predicen el "siguiente token" mediante una escala masiva, los EBMs buscan comprender las reglas subyacentes de la realidad, operando con una fracción minúscula de los parámetros actuales.
Mi lectura es distinta: el modelo de "más escala es igual a más inteligencia" podría estar cerca de su ley de rendimientos decrecientes. Si la IA necesita interactuar con el mundo físico —en minería, defensa o logística—, la latencia y la necesidad de entender reglas causales superan la capacidad de un modelo estático entrenado con texto. Para las startups latinoamericanas que buscan diferenciarse en sectores industriales, esta es la oportunidad: dejar de perseguir modelos gigantescos y empezar a construir sobre arquitecturas que entiendan la física del entorno.
Soberanía: cuando la IA se vuelve geopolítica
Qasar Younis, CEO de Applied Intuition, tocó la fibra más sensible: la soberanía. A diferencia del software de consumo como Uber, que podía ignorar fronteras, la IA física —drones, vehículos autónomos, maquinaria agrícola— opera bajo leyes nacionales estrictas. Los países no permitirán que su infraestructura crítica sea gestionada por inteligencias extranjeras. Menos naciones tienen la capacidad de desplegar un robotaxi que las que poseen armas nucleares. Esto no es menor. Se avecina una fragmentación del mercado de IA donde la seguridad nacional será el principal vector de compra.
Esto explica también la tensión con China. Fouquet lo aclara: China es excelente en la capa de software, pero su desarrollo está topado por la falta de acceso a hardware de última generación. Sin litografía de vanguardia, su ventaja en modelos de lenguaje es un edificio sin cimientos. Es una brecha de hardware que tardará años en cerrarse, independientemente del talento en software.
El mensaje para los profesionales y tomadores de decisiones es claro: estamos saliendo de la fase de la "curiosidad algorítmica" para entrar en la era de la "restricción física". El futuro no será determinado solo por quién tiene el mejor modelo, sino por quién tiene el suministro de energía, el acceso a silicio avanzado y la capacidad de integrar soluciones en entornos físicos reales sin comprometer la soberanía. La era de la IA barata, abstracta y global ha terminado. Ahora toca competir por los recursos que permiten que la inteligencia, por fin, se materialice.
