Una observación interesante sobre la paradoja de Jevons que se está desarrollando ahora mismo en la IA. Los precios de los tokens bajan mientras los de las GPU siguen elevados: un caso clásico en el que las mejoras de eficiencia no reducen la demanda, sino que la disparan.
Los costes de inferencia caen rápidamente (mejores modelos, competencia, escala al nivel de Blackwell). Eso no reduce el uso de capacidad de cómputo: desbloquea una enorme demanda nueva. Los tokens más baratos se traducen en más flujos de trabajo agénticos, más automatización de la programación y más usuarios que ponen en marcha herramientas de IA. El volumen total de tokens crece mucho más rápido de lo que bajan los costes unitarios. Resultado: los recursos escasos (GPU, HBM, energía y centros de datos) siguen siendo limitados.
Qué significa esto para la infraestructura de IA:
$NVDA y los fabricantes de GPU siguen beneficiándose. Una utilización elevada, sumada a una escasez persistente, mantiene fuertes los precios y el volumen.
La memoria (HBM/GDDR), las redes y la infraestructura energética mantienen una demanda duradera a medida que se amplía la inferencia.
Los hiperescaladores y las neoclouds afrontan presión sobre sus márgenes si la caída del precio de los tokens supera el crecimiento del volumen; pero, hasta ahora, las limitaciones de capacidad y el aumento del gasto absoluto sugieren que la demanda se está imponiendo.
El cambio hacia cargas de trabajo centradas en la inferencia favorece el silicio especializado y los sistemas de alto rendimiento frente a los clústeres dedicados exclusivamente al entrenamiento.
En resumen: la IA se está extendiendo más rápido de lo que las mejoras de eficiencia reducen la necesidad de hardware. Los precios unitarios se desploman, pero el gasto total y la demanda de infraestructura siguen aumentando. Una perspectiva alcista para la capa física, siempre que el crecimiento del volumen siga siendo la fuerza dominante.
Los costes de inferencia caen rápidamente (mejores modelos, competencia, escala al nivel de Blackwell). Eso no reduce el uso de capacidad de cómputo: desbloquea una enorme demanda nueva. Los tokens más baratos se traducen en más flujos de trabajo agénticos, más automatización de la programación y más usuarios que ponen en marcha herramientas de IA. El volumen total de tokens crece mucho más rápido de lo que bajan los costes unitarios. Resultado: los recursos escasos (GPU, HBM, energía y centros de datos) siguen siendo limitados.
Qué significa esto para la infraestructura de IA:
$NVDA y los fabricantes de GPU siguen beneficiándose. Una utilización elevada, sumada a una escasez persistente, mantiene fuertes los precios y el volumen.
La memoria (HBM/GDDR), las redes y la infraestructura energética mantienen una demanda duradera a medida que se amplía la inferencia.
Los hiperescaladores y las neoclouds afrontan presión sobre sus márgenes si la caída del precio de los tokens supera el crecimiento del volumen; pero, hasta ahora, las limitaciones de capacidad y el aumento del gasto absoluto sugieren que la demanda se está imponiendo.
El cambio hacia cargas de trabajo centradas en la inferencia favorece el silicio especializado y los sistemas de alto rendimiento frente a los clústeres dedicados exclusivamente al entrenamiento.
En resumen: la IA se está extendiendo más rápido de lo que las mejoras de eficiencia reducen la necesidad de hardware. Los precios unitarios se desploman, pero el gasto total y la demanda de infraestructura siguen aumentando. Una perspectiva alcista para la capa física, siempre que el crecimiento del volumen siga siendo la fuerza dominante.