Si la industria de la inteligencia artificial está construyendo una burbuja de infraestructura que será imposible recuperar, sigue siendo uno de los temas más debatidos en Wall Street. Sin embargo, Dylan Patel, fundador de la firma de investigación SemiAnalysis, especializada en semiconductores y en infraestructura de IA, planteó en el episodio más reciente del podcast (Next Big Thing) una observación muy distinta: no solo Anthropic mantiene un crecimiento acelerado de los ingresos, sino que incluso podría haber entrado formalmente en la etapa de rentabilidad en el segundo trimestre de 2026.
Patel dijo en una entrevista que Anthropic logró beneficios y un flujo de caja libre positivo en el segundo trimestre. Según la información de la que dispone, tanto abril como mayo —ya con la contabilidad cerrada— mostraron beneficios, y el flujo de caja libre también fue positivo. En el momento en que se grabó la entrevista, la contabilidad de junio todavía no se había cerrado por completo, pero la tendencia operativa seguía encaminándose en la misma dirección.
Además, afirma que los ingresos recurrentes anualizados de Anthropic, o ARR, ya superan los 50.000 millones de dólares y que su margen bruto es superior al 70 %. Anthropic indicó en mayo de 2026 que sus ingresos anualizados habían superado los 47.000 millones de dólares. Si se mantiene la tendencia de crecimiento, el umbral de 50.000 millones de dólares mencionado por Patel no parece irrazonable.
Claude Code se convierte en un motor de ingresos para Anthropic
El principal impulso del rápido crecimiento de los ingresos de Anthropic proviene de sus clientes empresariales y de Claude Code, su herramienta de desarrollo de software.
Anthropic indicó en febrero de 2026 que los ingresos anualizados de Claude Code superaban los 2.500 millones de dólares, más del doble que a principios de año; la adopción entre los clientes empresariales también sigue acelerándose.
Patel considera que la clave para que Anthropic aventaje a OpenAI en el mercado empresarial no es necesariamente que sus modelos sean más inteligentes en todas las pruebas de referencia, sino que Claude tiene una mayor «eficiencia de tokens» en los flujos de trabajo reales.
Señala que, en ocasiones, los modelos de OpenAI pueden resolver problemas científicos de vanguardia, matemáticos o de programación difíciles que los modelos de Anthropic no logran resolver; sin embargo, algunas tareas pueden tardar el triple y generar cuatro veces más tokens. En el trabajo empresarial, donde las personas deben revisar, corregir y dar retroalimentación de forma continua, tanto el tiempo de espera como el consumo de tokens afectan directamente los costos y la experiencia de uso.
En cambio, Claude Code suele completar las tareas con menos tokens y en menos tiempo, lo que permite a los usuarios empezar antes la siguiente ronda de cambios. Por eso, SemiAnalysis sigue utilizando principalmente modelos de Anthropic; OpenAI Codex se usa más para tareas de larga duración que pueden ejecutarse durante la noche sin intervención humana frecuente.
Al elegir un modelo, las empresas no pueden limitarse a comparar el precio por millón de tokens. El costo realmente importante es cuántos tokens y cuánto tiempo necesita el modelo para completar una tarea, y cuántas veces debe intervenir una persona.
SemiAnalysis, una empresa de 90 personas, gasta 11 millones de dólares al año en IA
Patel también pone como ejemplo a SemiAnalysis para ilustrar la asombrosa velocidad a la que crece el gasto empresarial en IA.
En noviembre de 2025, antes de que Claude Code se adoptara masivamente, el gasto recurrente anual de SemiAnalysis en IA era inferior a 100.000 dólares. En aquel momento, la empresa compraba principalmente planes de ChatGPT de 200 dólares al mes para cada empleado y, si alguien lo necesitaba, también proporcionaba acceso a los servicios de Claude o xAI.
Sin embargo, tras la rápida adopción de Claude Code a partir de diciembre de 2025, el gasto anualizado en IA de SemiAnalysis alcanzó los 4 millones de dólares a finales de enero de 2026 y actualmente ronda los 11 millones; si se anualiza la semana de mayor gasto multiplicándola por 52, equivale a 14 millones de dólares al año.
Para una empresa de apenas unas 90 personas, esto significa que cada empleado podría consumir, en promedio, más de 120.000 dólares en recursos de IA al año.
Patel reconoce que se trata de un gasto enorme, pero la empresa no ha reducido por ello su presupuesto de IA. La razón es que la IA permite al equipo desarrollar más productos, aumentar los ingresos por ventas y mejorar la productividad de los empleados. En SemiAnalysis, el gasto en IA ya equivale a un tercio de los costos de personal y, según sus previsiones, podría acercarse incluso a la mitad para finales de año.
Los presupuestos de IA se agotan antes de tiempo y las empresas empiezan a recortar otros programas
Este cambio también empieza a observarse en otras empresas.
Patel afirma que muchas empresas presupuestaban la IA para todo un año, pero agotaban todo el presupuesto en el primer o segundo trimestre. Por ello, las empresas se enfrentan a dos opciones: limitar el uso de la IA por parte de sus empleados o recortar otros gastos para destinar más recursos a la IA.
Observa que algunas empresas empiezan a cancelar productos SaaS tradicionales porque sus empleados pueden usar directamente la IA para crear herramientas internas que sustituyan al software existente. Otras optan por contratar a menos personas e incluso recortar gastos de personal, en lugar de limitar el uso de la IA.
Patel advierte que las empresas que opten por limitar el uso de la IA quizá puedan controlar sus costos a corto plazo, pero podrían quedarse gradualmente rezagadas en productividad y velocidad de desarrollo de productos.
Según sus observaciones, los costos de la IA no están simplemente bajando o subiendo, sino que siguen un ciclo de «mejora de la eficiencia de los modelos seguida de una expansión de sus usos». Cuando sale un modelo nuevo, disminuye el número de tokens necesarios para completar la misma tarea, por lo que el gasto de la empresa puede bajar temporalmente; pero pronto los empleados aprovechan las nuevas capacidades para asumir más trabajo y el gasto total vuelve a aumentar.
El modelo más barato no siempre es el que cuesta menos
Patel divide las cargas de trabajo empresariales de IA en dos categorías.
La primera categoría comprende tareas automatizadas integradas en flujos de trabajo fijos. Por ejemplo, una empresa recibe documentos de clientes y pide a un modelo que revise campos específicos o los clasifique. Si la calidad del modelo es suficiente, la empresa puede ir cambiando a modelos más baratos y reducir los costos de inferencia sin perder precisión.
Patel estima que, a igualdad de capacidades, la rentabilidad de los modelos de IA podría mejorar unas 60 veces al año. Como ejemplo, cita DeepSeek V3 y GPT-4: aunque los separan unos dos años, en un momento dado la diferencia entre sus costos de inferencia, pese a tener capacidades similares, llegó a ser de varios cientos de veces.
La segunda categoría abarca tareas propias de los asistentes de IA, como programación, investigación, análisis de datos y toma de decisiones complejas. Para optimizar los costos de estas tareas, a menudo no conviene cambiar a un modelo más débil y barato, sino usar el modelo más reciente, inteligente y eficiente en tokens.
Un modelo antiguo quizá necesitara 100.000 tokens y varias rondas de comunicación para completar una tarea; uno nuevo quizá solo necesite 25.000 tokens y una instrucción. Aunque el precio por token del modelo nuevo sea más alto, el costo total y el tiempo de los empleados podrían ser menores.
Por eso, Patel considera que, para los trabajadores del conocimiento, «el modelo más inteligente» suele ser también el modelo más barato en la práctica.
Los modelos de razonamiento impulsan la demanda de memoria; la escasez podría durar varios años
Además de los ingresos de las empresas de modelos, Patel también adopta una postura decididamente alcista respecto a la cadena de suministro de hardware de IA, en especial al mercado de la memoria.
Tradicionalmente, el sector de la memoria se ha considerado sujeto a ciclos económicos de entre 18 y 24 meses: la escasez de oferta impulsa los precios, los fabricantes amplían su producción y, después, el exceso de capacidad hace que los precios caigan. Sin embargo, Patel considera que la IA generativa ha provocado un cambio estructural en este ciclo alcista de la memoria.
El cambio decisivo llegó con los modelos de razonamiento y los agentes de IA.
Las entradas y salidas de los chatbots tradicionales suelen ser breves, pero los modelos de razonamiento necesitan conservar grandes cantidades de procesos intermedios de razonamiento. Los agentes de IA, por su parte, pueden pasar mucho tiempo leyendo documentos, usando herramientas, ejecutando programas y manteniendo el contexto. Este contenido se almacena en la caché KV, lo que aumenta drásticamente la capacidad de memoria necesaria para la inferencia.
Patel explica que, cuando la longitud del contexto pasa de 1.000 a 100.000 tokens, es posible que los pesos del modelo no cambien, pero la cantidad de datos que la caché KV debe leer y almacenar aumenta enormemente. Por eso, la demanda de memoria puede dispararse incluso si la carga de cálculo no crece en la misma proporción.
SemiAnalysis estima que, durante los próximos tres años, la capacidad mundial de producción de memoria solo podrá aumentar entre un 20 % y un 30 % al año, mientras que la demanda impulsada por la IA podría casi duplicarse. Como la oferta no puede crecer con suficiente rapidez, los precios de la memoria podrían seguir subiendo hasta que los teléfonos inteligentes, los portátiles y otros productos electrónicos de consumo se vean obligados a reducir su uso y dejar más capacidad para los centros de datos de IA.
Patel incluso predice que, en el futuro, los iPhone y MacBook podrían encarecerse cientos de dólares debido al aumento del costo de la memoria, y no solo tener un incremento simbólico de 100 dólares.
Sin embargo, no niega que, tarde o temprano, el mercado de la memoria atravesará un ciclo bajista. Cuando la oferta alcance a la demanda, los márgenes brutos, que los fabricantes de memoria están ampliando rápidamente en la actualidad, podrían caer de forma pronunciada. La diferencia es que esta vez el desequilibrio entre oferta y demanda quizá no se resuelva en unos pocos trimestres, sino que podría convertirse en una escasez estructural que dure varios años.
Los agentes de IA convierten a las CPU, antes secundarias, en un nuevo cuello de botella
Otro cambio en la inversión en IA es que las CPU vuelven a ocupar un lugar central en el mercado.
La primera etapa de la IA generativa dependía principalmente de las GPU para entrenar modelos y realizar inferencias con contextos breves, por lo que las CPU tenían una importancia relativamente menor. Pero, a medida que el entrenamiento de modelos pasa del preentrenamiento al aprendizaje por refuerzo y la inferencia pasa del chat a los agentes de IA, la demanda de CPU también se dispara.
El aprendizaje por refuerzo requiere que los modelos verifiquen sus respuestas en distintos entornos, por ejemplo, ejecutando pruebas unitarias, compilando código, interactuando con sitios web simulados o comprobando sistemas de ingeniería. Estas tareas dependen en gran medida de las CPU, no de las GPU.
En el trabajo real, los agentes de IA también buscan continuamente en la web, consultan bases de datos, ejecutan Python, compilan programas y despliegan servicios. Las GPU se encargan de la inferencia del modelo, pero la interacción del modelo con el mundo exterior suele requerir el procesamiento de una CPU.
Patel señala que OpenAI y Anthropic ya han empezado a alquilar grandes cantidades de capacidad de CPU existente a Amazon, Google y Microsoft, lo que beneficia a productos de Intel, AMD, Arm, Amazon Graviton y NVIDIA Vera.
No obstante, también advierte que actualmente parte de la demanda de CPU se debe a un «efecto de reposición de inventario». Durante los últimos tres años, los centros de datos desplegaron numerosos aceleradores de IA, pero no suficientes CPU; con el auge de los agentes de IA, los proveedores de servicios en la nube están cubriendo ese déficit histórico. Una vez satisfecha esta demanda acumulada, el crecimiento de las CPU podría volver a un nivel más estable.
Aunque la proporción entre CPU y GPU sea similar, existe una enorme diferencia entre sus valores de mercado. Un acelerador de IA de gama alta puede valer unos 50.000 dólares, mientras que una CPU cuesta unos 5.000. Por eso, la mayor parte del gasto de capital de los centros de datos de IA seguirá destinándose a GPU, ASIC de IA y memoria, y no a CPU.
La comercialización de CPO a gran escala podría retrasarse hasta 2029; los cables de cobre durarán más de lo previsto
En cuanto a las redes de centros de datos, Patel también cree que la demanda seguirá creciendo. A medida que aumenten el tamaño de los modelos y de los clústeres de IA, la proporción del costo total del sistema de IA correspondiente a los equipos de red podría pasar de menos del 10 % a más del 10 %; con la llegada de la óptica de empaquetado conjunto, o CPO, incluso podría alcanzar entre el 20 % y el 30 %.
Sin embargo, el mercado podría estar sobreestimando la rapidez de adopción de CPO.
Patel considera improbable que CPO se despliegue de forma generalizada en 2027; es posible que su adopción a gran escala no llegue hasta finales de 2028 o 2029. La razón principal no es que el concepto sea técnicamente inviable, sino que el rendimiento de fabricación, los costos de empaquetado, la capacidad de producción y el diseño de chips aún no están suficientemente maduros.
Las próximas generaciones de GPU de NVIDIA seguirán utilizando conexiones de cobre siempre que sea posible. Los operadores solo pasarán a soluciones ópticas, más caras, cuando las señales eléctricas no puedan cubrir la distancia y el ancho de banda necesarios.
Esto también significa que la demanda de transceptores ópticos tradicionales, cables activos, conectores de placa posterior y cables de cobre de alta velocidad podría durar más de lo que esperaba el mercado. Patel afirma que SemiAnalysis también había previsto anteriormente que CPO se adoptaría antes, pero retrasó su estimación después de observar el avance de los chips posteriores de la cadena de suministro.
Los centros de datos crecen un 50 % al año y la electricidad se convierte en el mayor límite para la expansión de la IA
En última instancia, la infraestructura de IA sigue dependiendo de la electricidad.
Patel estima que en 2026 se añadirán unos 20 GW de capacidad de centros de datos en todo el mundo; la cifra podría aumentar a 30 GW en 2027 y llegar a 50 GW en 2028. Una expansión tan rápida convierte simultáneamente la generación y transmisión de electricidad, la conversión de energía, la construcción y los permisos políticos en cuellos de botella.
El problema más difícil de resolver es la transmisión eléctrica. Las grandes líneas de transmisión involucran a gobiernos locales, organismos reguladores, empresas de servicios públicos y residentes, y su aprobación y construcción pueden tardar años.
Por ello, cada vez más centros de datos recurren a la «generación detrás del contador» y construyen centrales eléctricas directamente en sus instalaciones. Patel predice que, dentro de unos años, la generación in situ podría cubrir la mitad de la nueva demanda eléctrica de los centros de datos.
Además de las grandes centrales de ciclo combinado de gas natural, los operadores también empiezan a utilizar motores alternativos, turbinas de gas industriales, motores diésel e incluso motores de trenes, barcos o camiones reconvertidos en equipos de generación eléctrica.
Estas soluciones quizá no sean las más ecológicas, baratas ni fáciles de mantener, pero, si la red eléctrica no puede suministrar energía a tiempo, las empresas podrían estar dispuestas a adoptar cualquier método viable para poner en marcha sus GPU cuanto antes.
Patel describe el sector de la IA como un espectro de soluciones energéticas que va desde «convertir motores de camión en generadores eléctricos in situ» hasta «llevar centros de datos al espacio».
Este artículo apareció primero en ABMedia, de Chain News: «Anthropic vuelve a ser rentable en el segundo trimestre y supera los 50.000 millones de dólares de ARR. El fundador de SemiAnalysis: la electricidad es el cuello de botella de la IA».