El Problema de un Billón de Dólares de la Inteligencia Artificial

A medida que entramos en 2025, el sector de la inteligencia artificial se encuentra en un punto de inflexión crucial. Mientras que la industria sigue atrayendo niveles de inversión y atención sin precedentes, especialmente dentro del paisaje de la inteligencia artificial generativa, varias dinámicas de mercado subyacentes sugieren que nos dirigimos hacia un gran cambio en el paisaje de la inteligencia artificial en el año próximo.

Basándome en mi experiencia liderando una startup de inteligencia artificial y observando la rápida evolución de la industria, creo que este año traerá muchos cambios fundamentales: desde los modelos de conceptos grandes (LCM) que se espera que emerjan como competidores serios para los modelos de lenguaje grande (LLM), el surgimiento de hardware de inteligencia artificial especializado, hasta que las grandes empresas de tecnología comiencen a construir infraestructuras de inteligencia artificial que finalmente les permitirán competir con startups como OpenAI y Anthropic, y quién sabe, tal vez incluso aseguren su monopolio de inteligencia artificial después de todo.

Desafío Único de las Empresas de Inteligencia Artificial: Ni Software ni Hardware

El problema fundamental radica en cómo las empresas de inteligencia artificial operan en un terreno intermedio sin precedentes entre las empresas de software y hardware tradicionales. A diferencia de las empresas de software puro que invierten principalmente en capital humano con gastos operativos relativamente bajos, o las empresas de hardware que realizan inversiones de capital a largo plazo con caminos claros hacia los rendimientos, las empresas de inteligencia artificial enfrentan una combinación única de desafíos que hacen que sus modelos de financiación actuales sean precarios.

Estas empresas requieren un gasto de capital inicial masivo para clústeres de GPU y infraestructura, gastando $100-200 millones anualmente solo en recursos informáticos. Sin embargo, a diferencia de las empresas de hardware, no pueden amortizar estas inversiones durante períodos prolongados. En su lugar, operan en ciclos comprimidos de dos años entre rondas de financiación, cada vez necesitando demostrar un crecimiento exponencial y un rendimiento de vanguardia para justificar su próxima marca de valoración.

Problema de Diferenciación de los LLM

Sumando a este desafío estructural, hay una tendencia preocupante: la convergencia rápida de las capacidades de los modelos de lenguaje grande (LLM). Las startups, como el unicornio Mistral AI y otros, han demostrado que los modelos de código abierto pueden lograr un rendimiento comparable a sus contrapartes de código cerrado, pero la diferenciación técnica que anteriormente justificaba las valoraciones astronómicas se está volviendo cada vez más difícil de mantener.

En otras palabras, mientras que cada nuevo LLM presume de un rendimiento impresionante basado en estándares de referencia, no se está produciendo un cambio significativo en la arquitectura subyacente del modelo.

Las limitaciones actuales en este dominio provienen de tres áreas críticas: disponibilidad de datos, ya que estamos agotando el material de entrenamiento de alta calidad (como confirmó recientemente Elon Musk); métodos de curación, ya que todos adoptan enfoques de retroalimentación humana similares pioneros por OpenAI; y arquitectura computacional, ya que dependen del mismo grupo limitado de hardware de GPU especializado.

Lo que está surgiendo es un patrón en el que las ganancias proceden cada vez más de la eficiencia en lugar de la escala. Las empresas se centran en comprimir más conocimiento en menos tokens y desarrollar mejores artefactos de ingeniería, como sistemas de recuperación como los grafos RAG (generación mejorada por recuperación). Esencialmente, nos estamos acercando a un límite natural en el que arrojar más recursos al problema produce rendimientos decrecientes.

Debido al ritmo sin precedentes de la innovación en los últimos dos años, esta convergencia de las capacidades de los LLM está sucediendo más rápido de lo que nadie anticipó, creando una carrera contra el tiempo para las empresas que recaudaron fondos.

Basándome en las últimas tendencias de investigación, la próxima frontera para abordar este problema es la emergencia de modelos de conceptos grandes (LCM) como una nueva arquitectura innovadora que compite con los LLM en su dominio central, que es la comprensión del lenguaje natural (NLP).

Técnicamente, los LCM poseerán varias ventajas, incluyendo el potencial de un mejor rendimiento con menos iteraciones y la capacidad de lograr resultados similares con equipos más pequeños. Creo que estos LCM de próxima generación serán desarrollados y comercializados por equipos derivados, los famosos ‘ex grandes tecnológicos’ que fundan nuevas startups para liderar esta revolución.

Divergencia en la Línea de Tiempo de Monetización

La compresión de los ciclos de innovación ha creado otro problema crítico: la divergencia entre el tiempo de comercialización y la monetización sostenible. Mientras estamos viendo una velocidad sin precedentes en la verticalización de las aplicaciones de inteligencia artificial – con agentes de voz de inteligencia artificial, por ejemplo, pasando de concepto a productos generadores de ingresos en pocos meses – esta comercialización rápida oculta un problema más profundo.

Consideremos esto: una startup de inteligencia artificial valorada en $20 mil millones hoy probablemente necesitará generar alrededor de $1 mil millones en ingresos anuales dentro de 4-5 años para justificar salir al mercado con una multiplicación razonable. Esto requiere no solo excelencia tecnológica, sino también una transformación dramática del modelo de negocio completo, desde centrado en I+D hasta impulsado por las ventas, todo mientras se mantiene el ritmo de la innovación y se gestionan los enormes costos de infraestructura.

En ese sentido, las nuevas startups enfocadas en LCM que emergerán en 2025 estarán en mejores posiciones para recaudar fondos, con valoraciones iniciales más bajas que las hacen objetivos de financiación más atractivos para los inversores.

Escasez de Hardware y Alternativas Emergentes

Veamos más de cerca específicamente la infraestructura. Hoy en día, cada nuevo clúster de GPU se compra incluso antes de que se construya por los grandes jugadores, obligando a los jugadores más pequeños a comprometerse con contratos a largo plazo con proveedores de servicios en la nube o arriesgarse a ser excluidos del mercado por completo.

Pero aquí está lo que es realmente interesante: mientras todos luchan por las GPU, ha habido un cambio fascinante en el paisaje del hardware que todavía está siendo pasado por alto en gran medida. La arquitectura de GPU actual, llamada GPGPU (GPU de propósito general), es increíblemente ineficiente para lo que la mayoría de las empresas realmente necesitan en producción. Es como usar una supercomputadora para ejecutar una aplicación de calculadora.

Es por esto que creo que el hardware de inteligencia artificial especializado será el próximo gran cambio en nuestra industria. Empresas como Groq y Cerebras (CBRS ) están construyendo hardware de inferencia específico que es 4-5 veces más barato de operar que las GPU tradicionales. Sí, hay un costo de ingeniería más alto al principio para optimizar los modelos para estas plataformas, pero para las empresas que ejecutan cargas de trabajo de inferencia a gran escala, las ganancias de eficiencia son claras.

Densidad de Datos y el Auge de Modelos Más Pequeños y Inteligentes

Moverse hacia la próxima frontera de innovación en inteligencia artificial probablemente requerirá no solo una mayor potencia computacional – especialmente para modelos grandes como los LCM – sino también conjuntos de datos más ricos y completos.

Interesantemente, los modelos más pequeños y eficientes están comenzando a desafiar a los más grandes al capitalizar en cómo se entrenan densamente con los datos disponibles. Por ejemplo, modelos como FeeFree de Microsoft (MSFT ) o Gema2B de Google operan con muchos menos parámetros – a menudo alrededor de 2 a 3 mil millones – y logran niveles de rendimiento comparables a modelos mucho más grandes con 8 mil millones de parámetros.

Estos modelos más pequeños son cada vez más competitivos debido a su alta densidad de datos, lo que los hace robustos a pesar de su tamaño. Este cambio hacia modelos compactos pero poderosos se alinea con las ventajas estratégicas que poseen empresas como Microsoft y Google: el acceso a conjuntos de datos masivos y diversos a través de plataformas como Bing y Google Search.

Esta dinámica revela dos “guerras” críticas que se desarrollan en el desarrollo de la inteligencia artificial: una sobre la potencia de cómputo y otra sobre la densidad de los datos. Mientras que los recursos computacionales son esenciales para impulsar los límites, la densidad de los datos se está volviendo igualmente – si no más – crítica. Las empresas con acceso a vastos conjuntos de datos están única y singularmente posicionadas para entrenar modelos más pequeños con una eficiencia y robustez sin precedentes, solidificando su dominio en el paisaje de la inteligencia artificial en evolución.

¿Quién Ganará la Guerra de la Inteligencia Artificial?

En este contexto, a todos les gusta preguntarse quién en el paisaje actual de la inteligencia artificial está mejor posicionado para salir victorioso. Aquí hay algo para reflexionar.

Las grandes empresas de tecnología han estado precomprando clústeres de GPU enteros antes de que se construyan, creando un entorno de escasez para los jugadores más pequeños. El pedido de Oracle de más de 100,000 GPU y movimientos similares de Meta y Microsoft ejemplifican esta tendencia.

Haber invertido cientos de miles de millones en iniciativas de inteligencia artificial, estas empresas requieren miles de ingenieros y investigadores de inteligencia artificial especializados. Esto crea una demanda sin precedentes de talento que solo se puede satisfacer a través de adquisiciones estratégicas – lo que probablemente resultará en que muchas startups sean absorbidas en los próximos meses.

Mientras que 2025 se gastará en investigaciones y desarrollo a gran escala y construcción de infraestructura para tales actores, para 2026, estarán en una posición para golpear como nunca antes debido a los recursos sin igual.

Esto no significa que las empresas de inteligencia artificial más pequeñas estén condenadas – muy por el contrario. El sector seguirá innovando y creando valor. Algunas innovaciones clave en el sector, como los LCM, probablemente serán lideradas por actores emergentes más pequeños en el año por venir, junto con Meta, Google/Alphabet (GOOG ) y OpenAI con Anthropic, todos los cuales están trabajando en proyectos emocionantes en este momento.

Sin embargo, es probable que veamos una reestructuración fundamental de cómo se financian y valoran las empresas de inteligencia artificial. A medida que el capital de riesgo se vuelve más selectivo, las empresas necesitarán demostrar caminos claros hacia una economía de unidades sostenible – un desafío particular para los negocios de código abierto que compiten con alternativas propietarias bien financiadas.

Para las empresas de inteligencia artificial de código abierto en particular, el camino hacia adelante puede requerir centrarse en aplicaciones verticales específicas donde sus capacidades de transparencia y personalización brinden ventajas claras sobre las soluciones propietarias.