La VentajaCómo llegamos hasta aquí, dónde estamos y hacia dónde apunta la industria que en cuatro años pasó de curiosidad de laboratorio a una de las mayores apuestas de capital de la historia.
Está escrito para ejecutivos que toman decisiones sobre esta tecnología. Las cifras están en dólares, con fecha y fuente al final, y cuando ayuda usamos el PIB de Chile como unidad de medida. Donde hay debate, mostramos los dos lados.
Casi todo lo que hoy llamamos "IA" son modelos de lenguaje. Cuatro ideas alcanzan para seguir el resto del informe.
Un token es un pedazo de palabra. En español, una palabra son aproximadamente 1,3 a 1,5 tokens. El modelo no ve letras ni ideas: ve una secuencia de números, uno por token. Escribe algo abajo y mira cómo se parte.
Entrenar un modelo consiste en mostrarle billones de tokens de texto y pedirle, cada vez, que adivine el siguiente. Cuando se equivoca, se ajustan levemente sus miles de millones de parámetros. Repetido billones de veces, ese ejercicio produce algo que sabe gramática, hechos, código y razonamiento, aunque nadie le enseñó ninguno de esos por separado.
Por eso el modelo puede alucinar: elige la continuación más probable, aunque sea falsa.
Las "leyes de escala" publicadas en 2020 mostraron que la capacidad mejora de forma suave y predecible al multiplicar cómputo. Esa regularidad justificó las apuestas de capital que vienen después. El cómputo de entrenamiento de los modelos punta crece unas 4 a 5 veces por año desde 2010 (Epoch AI).
Entrenar GPT-4 costó del orden de US$78 millones en cómputo; Gemini Ultra, unos US$191 millones (Stanford AI Index 2024). Responder una consulta se llama inferencia y hoy es la mayor parte del gasto y de la energía.
Los modelos de razonamiento (OpenAI o1, DeepSeek R1) gastan tokens extra pensando en silencio. Los agentes encadenan esos pasos con herramientas. La duración de la tarea que completan solos se duplica cada pocos meses; es la métrica que sigue el capítulo 4.
Mientras lees, el medidor de la parte inferior de la pantalla cuenta los tokens que ya pasaron por tu pantalla y lo que costaría que una IA los leyera a precios de 2023 y de hoy. Es la idea central del capítulo 5.
Desplázate para avanzar en el tiempo. Los eventos en ámbar son las tres chispas que encendieron la era actual: las GPUs (2012), los Transformers (2017) y la escala (2020).
La inteligencia artificial nació con nombre propio en 1956, en una conferencia de verano en Dartmouth. Sus fundadores esperaban resolverla en una generación. Dos veces el dinero se retiró cuando las promesas no llegaron: en los años setenta y a fines de los ochenta. Esos períodos se llaman "inviernos".
Lo que cambió fue una convergencia. En 2012, una red neuronal entrenada en dos tarjetas gráficas de videojuegos ganó por goleada el concurso de reconocimiento de imágenes ImageNet: el hardware de NVIDIA resultó ser la máquina ideal para esta matemática. En 2017, ocho investigadores de Google publicaron la arquitectura Transformer, que escala como ninguna anterior. En 2020, OpenAI mostró que esa escala mejora la capacidad de forma predecible, y GPT-3 lo demostró con 175.000 millones de parámetros.
El 30 de noviembre de 2022, ChatGPT puso ese resultado en una caja de texto. Cinco días después tenía un millón de usuarios. Dos meses después, cien millones. El resto de este informe ocurre en los 46 meses siguientes.
"Attention Is All You Need" presentó la arquitectura sobre la que funcionan ChatGPT, Claude y Gemini. Siete de sus ocho autores fundaron empresas. Noam Shazeer volvió a Google en agosto de 2024, cuando la compañía pagó US$2.700 millones por licenciar la tecnología de Character.AI y recontratarlo; en junio de 2026 se fue a OpenAI.
Cinco gigantes que ya existían, tres laboratorios nacidos para esto, un fabricante de chips que se convirtió en la empresa más valiosa del mundo y una decena de retadores. El gráfico reproduce la explosión de valor entre 2015 y 2026; muévelo con el control de año.
La velocidad no tiene precedente. OpenAI valía US$29.000 millones en enero de 2023 y US$852.000 millones en marzo de 2026. Anthropic pasó de US$4.000 millones a US$965.000 millones en tres años. OpenAI cruzó el medio billón de dólares menos de diez años después de su fundación.
Los ingresos también. Anthropic pasó de US$1.000 millones de ingresos anualizados en enero de 2025 a US$65.000 millones en julio de 2026. OpenAI cruzó los US$40.000 millones anualizados el mismo mes, con 900 millones de usuarios semanales.
Pierden dinero. Las valuaciones descuentan crecimiento futuro. OpenAI perdió unos US$21.000 millones en 2025, con ingresos de US$13.070 millones, porque su gasto en cómputo supera lo que factura. Ambos presentaron documentos confidenciales para salir a bolsa en junio de 2026.
DeepSeek, un laboratorio financiado por un fondo cuantitativo de Hangzhou, publicó el 20 de enero de 2025 un modelo de razonamiento abierto, R1, comparable al mejor de OpenAI y con un costo de entrenamiento declarado de unos pocos millones de dólares. Una semana después su app era la más descargada de Estados Unidos y NVIDIA perdió en una sola sesión la mayor cantidad de valor de mercado registrada para una empresa.
El mercado se recuperó en meses: NVIDIA cruzó los US$4 billones en julio de 2025 y los US$5 billones en octubre.
Los exámenes tradicionales ya no distinguen a los mejores modelos: superan a expertos con doctorado en preguntas de ciencia, alcanzaron nivel de medalla de oro en la Olimpiada Internacional de Matemáticas de 2025 y resuelven 96 % de un conjunto de problemas reales de programación. Por eso este capítulo usa otra métrica: cuánto dura la tarea humana que un agente completa solo.
Nadie se queda arriba mucho tiempo. OpenAI, Google y Anthropic se alternan en la cima cada pocos meses; la distancia entre el primero y el quinto es menor que la mejora de un año.
Los modelos abiertos siguen de cerca. Los modelos de pesos abiertos, marcados con anillos en el gráfico y liderados por laboratorios chinos, llegan al nivel de la frontera con pocos meses de rezago.
El cómputo sigue creciendo. Los entrenamientos más grandes superan ya los 10²⁶ FLOP, unas mil veces GPT-3.
Un millón de tokens con la capacidad de GPT-4 costaba US$30 en marzo de 2023; hoy cuesta centavos. Y a medida que baja el precio, el volumen explota: Google procesaba 9,7 billones de tokens al mes en abril de 2024 y más de un cuatrillón en 2025.
El medidor toma las palabras que ya leíste, las convierte en tokens y las multiplica por dos precios: el de GPT-4 al lanzarse y el del modelo económico equivalente de hoy. Es el mismo texto. La diferencia es solo el paso del tiempo.
Para una empresa la cuenta es parecida. Leer y resumir mil páginas, unos 700.000 tokens, costaba cerca de US$21 con GPT-4 en 2023. Hoy cuesta unos 10 centavos con un modelo equivalente.
Desliza la tabla hacia el lado para ver todas las columnas.
| Modelo | Entrada | Salida | Nota |
|---|
Porque los data centers se construyen con hormigón, cobre, turbinas y chips. Cinco empresas gastarán en 2026 alrededor de US$900.000 millones en infraestructura, más del doble que en 2025 y unas 2,5 veces el PIB de Chile.
La animación simplifica un mecanismo real. NVIDIA invierte en OpenAI, OpenAI paga cómputo a Oracle y Oracle compra GPU a NVIDIA, y cada empresa registra un ingreso. En 2000, fabricantes de equipos de telecomunicaciones como Lucent y Nortel también financiaron a sus propios clientes. El riesgo es que la demanda final, las empresas y personas que pagan por usar IA, no crezca al ritmo que suponen estos acuerdos.
NVIDIAInvierte
OpenAIPaga cómputo
OracleCompra chipsIlustrativo: cada parada suma US$100.000 millones de «ingreso».
La cadena tiene seis pisos. ASML fabrica las únicas máquinas que imprimen chips de frontera; TSMC los fabrica; NVIDIA los diseña; las nubes los alquilan; los laboratorios entrenan modelos; las aplicaciones los venden a usuarios. Los márgenes se concentran abajo, en el hardware. Los laboratorios pierden dinero porque gastan en cómputo más de lo que facturan. Y la capa de aplicaciones, donde están la mayoría de las empresas, todavía no tiene un margen conocido.
Varias grandes infraestructuras se financiaron con excesos, como los ferrocarriles británicos de la década de 1840 y la fibra óptica de 2000. Las vías y los cables quedaron; muchos inversionistas no. Que la tecnología sea real y que la inversión sea excesiva no son afirmaciones contradictorias. Estos son los argumentos de cada lado.
La financian sobre todo utilidades. Entre Alphabet, Microsoft, Amazon y Meta generan cientos de miles de millones de dólares de caja al año, mientras Cisco en 2000 vendía a clientes endeudados. La deuda también crece: hasta mediados de marzo de 2026 las tecnológicas emitieron más de US$100.000 millones en bonos, según Allianz Trade.
La demanda ya existe. ChatGPT y Gemini superan cada uno los 900 millones de usuarios, y los ingresos anualizados de Anthropic se multiplicaron por 65 en 18 meses. En 2000, buena parte de la fibra se instaló antes de que hubiera tráfico.
El retorno es incierto. En la encuesta de McKinsey, 88 % de las empresas usa IA, pero solo 39 % reporta algún efecto en su resultado operacional. Además, los chips se deprecian en pocos años, mientras las vías férreas duraron décadas.
Cisco multiplicó su valor por más de 30 entre 1995 y marzo de 2000 y llegó a ser la empresa más valiosa del mundo; luego cayó 86 % y tardó más de veinte años en recuperar su máximo. Su múltiplo precio/utilidad superó las 100 veces en el pico. El de NVIDIA hoy ronda las 30 a 40 veces las utilidades esperadas, porque sus ganancias crecieron tan rápido como su acción.
Estados Unidos regula poco y controla la exportación de chips. Europa reguló primero y ahora posterga las reglas más exigentes de su ley. China responde con autosuficiencia y modelos abiertos. Y casi todos los chips de frontera del mundo se fabrican en una isla de 23 millones de habitantes que China reclama como propia.
Una sola empresa fabrica más del 90 % de los chips de última generación del planeta, incluidos todos los de NVIDIA. Por eso Estados Unidos presiona para relocalizar la producción: TSMC comprometió US$165.000 millones en Arizona en marzo de 2025 y elevó la cifra en 2026. La primera fábrica estadounidense produce desde fines de 2024; la de 2 nanómetros no llegará antes del final de la década.
Los controles de exportación de chips a China empezaron en octubre de 2022 y cambiaron de forma casi cada seis meses. A septiembre de 2026 el régimen es híbrido: Washington autoriza caso a caso chips de una generación anterior a cambio de un 25 % de los ingresos, pero Pekín desalienta su compra y empuja a Huawei. Blackwell, la generación actual, sigue prohibida para China.
Desliza la tabla hacia el lado para ver todas las columnas.
| Estados Unidos | Unión Europea | China | Chile |
|---|
Solo dos marcos integrales obligatorios están en aplicación en el mundo: el AI Act europeo y la Ley Marco de Corea del Sur, vigente desde enero de 2026. Estados Unidos avanza por leyes estatales, con California y Nueva York regulando modelos frontera y la Casa Blanca litigando para frenarlas.
La región no entrena modelos de frontera ni fabrica chips, pero tiene tres cosas que la ola necesita: energía renovable barata, cobre y espacio. Chile concentra la mayor parte de los data centers de la costa del Pacífico sur, Brasil los del Atlántico, y Argentina firmó en 2025 el primer Stargate fuera del hemisferio norte.
En 2024 Chile desperdició cerca de 6 TWh de energía limpia por falta de transmisión y almacenamiento, el equivalente a la producción de una central grande, o a la demanda anual de varios data centers de escala hyperscale.
La energía sobra en el norte, pero los data centers están en Santiago, donde el agua escasea y varios proyectos enfrentaron oposición vecinal por su consumo. Google paralizó en 2024 su proyecto de Cerrillos por ese motivo y lo rediseñó con enfriamiento por aire.
Nadie sabe cómo sigue. Quienes dirigen los laboratorios, los economistas y los escépticos sí han puesto fechas y cifras sobre la mesa, y este capítulo las ordena sin elegir. Cada punto es una predicción; pasa el cursor o tócala para leerla.
Los datos se recopilaron y verificaron el 13 de septiembre de 2026. Las cifras de empresas privadas provienen de anuncios de las propias compañías o de reportes de Reuters, Bloomberg, CNBC, FT y The Information; las de empresas listadas, de sus estados financieros. Las estimaciones se identifican como tales. Este documento no ofrece asesoría de inversión.
La Ventaja · Ya todos usan IA. La ventaja es usarla mejor.