¿Por qué la ola de IA no repite la burbuja de las puntocom?

IA en máximos con Nvidia, Microsoft y Google; startups y financiación circular añaden tensión. Datos, protagonistas y señales del ciclo 2025.

La escalada de la inteligencia artificial vive un momento complejo y, a la vez, sólido en sus fundamentos. No es un calco de finales de los noventa. La diferencia clave es quién sostiene el peso del mercado: Nvidia, Microsoft, Alphabet (Google), Amazon y Meta. Estos gigantes generan caja, reportan beneficios y reinvierten en chips, nubes públicas y centros de datos. Esta base evita el vacío contable que definió a muchas puntocom. El riesgo, que existe, se ha desplazado a otra esquina del tablero: startups de IA con pérdidas abultadas, modelos de financiación cruzada y promesas que aún deben traducirse en márgenes. Si una pieza se rompe, el sistema no se paraliza; la sustitución entre proveedores funciona.

El dato industrial manda. Nvidia —epicentro del cómputo acelerado— ha superado previsiones y se ha convertido en el termómetro del “hambre” de GPU en los centros de datos. Sus ingresos interanuales crecieron un 62 % hasta 57.010 millones de dólares, con una guía de ventas mejor de lo esperado. A la vez, las voces más prudentes piden no confundir la fortaleza de los líderes con inmunidad total. Sundar Pichai advierte que, si estalla la burbuja, “ninguna empresa será inmune”. Jamie Dimon, desde JP Morgan, recuerda que parte del capital invertido “probablemente se perderá”. Y el propio Jensen Huang recalca que lo que ve no es una burbuja al uso, sino un ciclo de inversión respaldado por demanda real. Hay euforia, sí, pero también músculo operativo. Ese contraste define 2025.

Qué ha cambiado de verdad respecto a 1999

La comparación con 1999 surge por inercia, aunque los cimientos no se parecen. Entonces, el mercado se infló con cientos de compañías sin ingresos ni producto. Se vendía tráfico, se bautizaban ideas, se prometía monetización a futuro. Hoy, el (muy) grueso de la capitalización descansa en grupos con resultados auditados y líneas de negocio diversificadas. Azure, AWS y Google Cloud facturan contratos empresariales; Meta monetiza IA en publicidad y moderación; Amazon integra modelos en logística y retail; Microsoft empaqueta copilotos y servicios de productividad bajo suscripciones.

El académico Vasant Dhar —profesor de negocios y ciencia de datos en la Universidad de Nueva York, con memoria viva de la crisis de 2000— aporta un matiz decisivo: si existe una burbuja, no está en Google ni en los grandes, sino en las “cientos o miles” de pequeñas compañías que levantan rondas millonarias sin producto maduro. Es ahí donde el mercado ve espuma: historias fascinantes, tracción incipiente y estructuras de costes que dependen de que el crecimiento sea lineal… cuando rara vez lo es. La diferencia respecto al 2000 es que el epicentro bursátil no son esas pequeñas firmas; mandan los gigantes que, además, financian su expansión con beneficios.

El otro gran giro es la naturaleza del gasto. En 1999 se gastaba en marketing y presencia digital. En 2025 se planta infraestructura: fábricas de chips, redes ópticas, centros de datos de alta densidad y contratos de energía. Es inversión tangible. Puede sobredimensionarse —ha ocurrido en otros ciclos—, pero deja activos reutilizables. Si la demanda de entrenamiento se enfría, la capacidad se redirige a inferencia y a nuevos verticales. No es un castillo de naipes.

El papel crítico de los titanes: caja, escala y disciplina

La tríada que marca el paso es conocida: chips–nube–modelos. Nvidia vende GPU y redes; Microsoft, Amazon y Google venden cómputo en la nube y servicios gestionados; las startups y los propios gigantes entrenan modelos y los llevan a producto. Cuando los tres vértices funcionan, el ciclo se retroalimenta con contratos de largo plazo y economías de escala. Esa dinámica se ve en la guía de ventas de Nvidia, en la adopción de copilotos de Microsoft y en la expansión de Google Cloud en clientes que combinan datos propios con IA generativa.

Hay disciplina selectiva, aunque no uniforme. Los grandes han demostrado capacidad de ralentizar capex si la demanda flojea o si el coste por inferencia no baja lo suficiente. Saben que energía, latencia y coste por tarea marcarán la rentabilidad real y que la ventana para “pagar a cualquier precio” se está cerrando. Ese reflejo anticíclico no existía en 1999.

Dónde se concentran hoy los riesgos

Los signos de sobrecalentamiento aparecen en el margen más especulativo del ecosistema. Startups con pérdidas operativas masivas, “valuations” que descuentan perfección y una práctica cada vez más discutida: el ingreso o financiación circular. El esquema, simplificado, suena así: un gran proveedor invierte en una startup y, al mismo tiempo, esta firma compromisos de gasto de miles de millones en la nube y chips de ese mismo proveedor o aliados cercanos. El resultado: el inversor consolida ventas; la startup asegura capacidad. ¿Dónde está el riesgo? En que la economía unitaria del producto no justifique el gasto y el círculo maquille la demanda orgánica.

El caso de OpenAI ejemplifica el debate. Documentación financiera conocida en el mercado dibuja una senda de pérdidas operativas de hasta 74.000 millones en 2028, con beneficios significativos a partir de 2030. Para 2025, se han manejado cifras de 22.000 millones en gasto total frente a 13.000 millones en ingresos, esto es, 9.000 millones de pérdida neta. De un lado, el plan refleja la ambición de liderar una tecnología que arrastra costes colosales en chips y centros de datos. Del otro, obliga a que los ingresos por suscripciones, APIs y productos corporativos crezcan con una velocidad sostenida y que, al mismo tiempo, baje el coste de servir cada consulta. Si cualquiera de esas piezas flojea, la aritmética se vuelve implacable.

En paralelo, Microsoft mantiene una participación relevante y un acuerdo estratégico para alojar modelos en Azure; Nvidia suministra la base de hardware; y competidores como Anthropic (Claude) y Google (Gemini) aceleran con propuestas de rendimiento similares en determinados usos. Aquí aparece una idea incómoda que Vasant Dhar verbaliza sin rodeos: si OpenAI desapareciera, los usuarios migrarían a alternativas como Claude o Gemini. El mercado viviría un “hipo”, no un infarto. Puede sonar duro, pero encaja con lo que ya ocurre en grandes clientes multicloud que trabajan con varios modelos para reducir riesgos, negociar precios y cubrir casos de uso diferentes.

La advertencia desde las finanzas tradicionales también pesa. Jamie Dimon avisa de que una parte del dinero se perderá; lo normal en revoluciones tecnológicas con curvas de adopción irregulares. Y Yoni Assia, cofundador y consejero delegado de eToro, lo encaja en la lógica de los mercados: las burbujas acompañan a los ciclos de descubrimiento; el antídoto es información y criterio. No es derrotismo; es memoria histórica.

Cómo funciona la “financiación circular” cuando todo el mundo compra a todo el mundo

Conviene describirlo con precisión, porque se ha convertido en práctica extendida. Un hiperescalador (por ejemplo, Microsoft) invierte capital en una startup de modelos o un proveedor de capacidades. A la vez, esa empresa firma compras garantizadas de cómputo en Azure y adquisición de chips, normalmente de Nvidia (o compromisos con otros fabricantes). En el corto plazo, todos ganan: la startup asegura acceso a recursos críticos, el proveedor de nube garantiza demanda y, en algunos casos, el fabricante de chips recibe visibilidad de pedidos. En términos contables, el ingreso que ve la nube procede de una participada; legítimo, pero no idéntico a una demanda puramente externa.

¿En qué condiciones es sano ese círculo? Cuando el producto final genera ingresos recurrentes que cubren (y superan) ese coste de cómputo; cuando existe diversificación de clientes finales; y cuando la eficiencia de modelo mejora a ritmo suficiente como para reducir el coste por tarea. El problema aparece cuando el coste de servir no baja y el ingreso por usuario se estanca. Entonces, el círculo deja de ser palanca de escala y se convierte en apalancamiento. A 2025, hay de todo: casos ya rentables en productividad y atención al cliente, y apuestas que siguen quemando caja a la espera de despegue.

El triángulo de hierro: chips, nube y modelos

La oferta de GPU sigue condicionando el mercado. Nvidia domina el entrenamiento de grandes modelos y la red de interconexión (Infiniband, NVLink) que los hace escalables. AMD y Broadcom suman piezas; Amazon empuja con Trainium e Inferentia para bajar costes propios; Google insiste con TPU en entrenamiento e inferencia; Microsoft despliega Maia y Cobalt como alternativa interna. Esta diversificación técnica busca rebajar el coste total de propiedad y negociar precios en un contexto de demanda muy tensionada.

El segundo vértice es la nube. Azure, AWS y Google Cloud compiten en precio, latencia, seguridad y en servicios gestionados que facilitan integrar IA en procesos: vector databases, herramientas de orquestación, conectores con ERPs, gobierno del dato. El tercero, los modelos: GPT, Claude, Gemini y decenas de modelos abiertos y propietarios que, en 2025, se han acercado en calidad percibida en muchas tareas profesionales. Eso convierte el mercado en un juego de sistemas más que de “modelos estrella”: quién integra mejor, quién abarata y quién asegura disponibilidad acaba reteniendo a los clientes.

¿Qué ocurriría si tropieza un protagonista?

La sustitución existe. Las APIs convergen, los patrones de integración se han estandarizado, y el bloqueo para el usuario final es menor de lo que parecía hace un año. Si un proveedor sube precios por presión de costes, otro puede capturar demanda con desempeño equivalente y una economía unitaria más favorable. Es verdad que hay costes de migración —reentrenar embeddings, ajustar prompts, recalibrar agentes—, pero en contextos empresariales se diluyen si el ahorro por tarea compensa. Lo relevante no es “qué modelo”, sino “qué sistema”: datos, seguridad, trazabilidad, cumplimiento. Ahí se decide la retención.

El caso OpenAI se usa como prueba de estrés por su visibilidad. Si su plan financiero exige varios años de pérdidas para llegar a beneficios en 2030, la disciplina de costes y la mejora en eficiencia —modelo y serving— no son opcionales. El mercado estará mirando métricas concretas: coste por caso resuelto, horas ahorradas frente a procesos tradicionales, tasa de sustitución de tareas completas, no solo benchmarks. La narrativa ya no basta.

Qué señales separan la espuma del agua

La primera señal está en el capex y su utilización. Los grandes proveedores han comprometido miles de millones en capacidad. Si la utilización se mantiene alta y se traduce en ingresos repetitivos —suscripciones, consumo por API, verticales con margen—, el mercado tolera valoraciones tensas. Si la utilización baja o se queda ociosa, la revisión de expectativas llega rápido.

La segunda señal es el coste de energía. La IA de propósito general consume mucha electricidad y exige redes capaces de absorber picos. Si los MWh se encarecen o si la interconexión se retrasa, el coste por inferencia sube y aprieta márgenes. Por eso los grandes anuncian acuerdos de generación renovable, contratos PPA y ubicación de centros en nodos con energía barata y clima favorable. No es greenwashing: es contabilidad.

La tercera señal es la productividad demostrada. Los copilotos y agentes de 2025 ya no se venden por “wow demos”, sino por P&L: reducción del tiempo de ciclo en soporte y back office, más conversiones en ventas, menos errores en contabilidad, mayor seguridad en procesos críticos. Cuando esos números aparecen, la elasticidad de la demanda aumenta y el ingreso por cliente crece. Cuando no, el entusiasmo se desinfla.

La cuarta, el precio efectivo. Con Claude, GPT, Gemini y modelos abiertos compitiendo, el precio por millón de tokens ya no dice gran cosa. Importa el coste total por tarea y la calidad consistente en producción. Empresas con arquitecturas multimodelo pueden rutear peticiones al motor más rentable según el caso, lo que limita el poder de fijación de precios de un único proveedor.

España y Europa en este tablero

El impacto en España y Europa combina oportunidades y tensiones. La llegada de hiperescaladores y de fábricas o ensamblajes vinculados a semiconductores crea actividad y demanda de talento cualificado. Sectores como salud, turismo, logística o finanzas ya integran IA con retornos visibles. El riesgo, aquí, está en adoptar costes de moda (GPU en colocation, estructuras sobredimensionadas, salarios desalineados) sin modelo de ingresos probado. La receta que funciona es prosaica: ligar cada euro de cómputo a métricas de negocio que se puedan auditar.

El ecosistema regulatorio europeo —con nuevas reglas de IA y exigencias de gobierno del dato— añade costes en el corto plazo pero reduce riesgos sistémicos a medio. Esa fricción puede ser ventaja competitiva si ayuda a estandarizar procesos y ganar confianza en industrias sensibles. La clave está en evitar que la burocracia ralentice la adopción rentable.

Cómo separar la espuma del agua en la fiebre de la IA

Hay una prueba que no falla en ciclos de alto voltaje: seguir el dinero operativo. En 2025, la diferencia entre esta ola de IA y la burbuja puntocom está en los flujos de caja reales que sostienen a los líderes y en la capacidad de ajuste cuando la demanda o la energía aprietan. Nvidia no vive de anuncios; vive de chips entregados. Microsoft, Amazon y Google no venden visitas; venden contratos y consumo que se facturan cada mes. Eso no garantiza que no haya correcciones —las habrá—, pero limita el daño sistémico. Donde puede doler, y mucho, es en el frente startup: economías unitarias tensas, depender de acuerdos circulares y plazos largos para llegar a beneficios. Si el crédito se encarece o el crecimiento flojea, la curva se vuelve más empinada.

Las declaraciones recientes de Sundar Pichai, el aviso de Jamie Dimon, la convicción de Jensen Huang y la lectura fría de Vasant Dhar dibujan un mapa coherente: un núcleo duro de compañías que aguantan por caja y escala, una periferia donde el capital buscará separar proyectos viables de fuegos artificiales, y un consumidor empresarial que ya migra entre Claude, GPT y Gemini según precio, calidad y cumplimiento. En ese mundo, las preguntas útiles son menos épicas de lo que parece: ¿cuánto cuesta resolver esta tarea con IA hoy?, ¿en qué mejora el resultado respecto a ayer?, ¿puedo cambiar de proveedor sin romper mi sistema?. Cuando las respuestas son contundentes, el relato se convierte en negocio y la espuma se disipa. Cuando no, el mercado pone el contador a cero.

El ciclo de la IA no es 1999. Es más maduro, más caro, más industrial. Vive de silicio, electricidad y contratos, no de banners. Aun así, no es indestructible. OpenAI encara años de pérdidas hasta la rentabilidad prometida, Anthropic y Google presionan con alternativas, y los grandes ajustarán el ritmo si los márgenes o la energía se tensan. Lo importante es que, con la infraestructura ya en marcha, la capacidad instalada encontrará uso: si el entrenamiento se modera, la inferencia y los casos verticales absorberán gran parte. La tarea ahora es gestionar expectativas, evitar la circularidad excesiva y medir con precisión. Separar espuma de agua nunca fue tan valioso. Y esta vez, a diferencia de 1999, hay peso específico para hacerlo.