💰 quantitative finance

Memory Scarcity, Open Models, and the Restructuring of the AI Industry, 2026-2030 -- A quantitative scenario analysis of inference economics, training-cost divergence, and infrastructure solvency

Este artículo sostiene que una crisis de escasez de memoria entre 2026 y 2030, combinada con la divergencia en los costos de entrenamiento y las restricciones de solvencia de la infraestructura, ampliará permanentemente la brecha de costos entre los actores establecidos y los entrantes de modelos abiertos, forzando a la industria de la IA hacia una reestructuración volátil donde solo un estrecho conjunto de escenarios que involucren precios premium y propiedad de activos antiguos aseguren la viabilidad financiera.

Autores originales: Satoshi Matsuoka

Publicado 2026-07-09

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Satoshi Matsuoka

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Una tormenta perfecta

Imagina que la industria de la IA es un enorme auge de la construcción. Todo el mundo tiene prisa por construir rascacielos (centros de datos de IA) para albergar las computadoras más potentes del mundo. Pero en 2026, tres cosas suceden al mismo tiempo que cambian las reglas del juego:

Los ladrillos se encarecieron: Los chips de "memoria" (HBM) que las computadoras necesitan para pensar rápido se volvieron increíblemente caros y difíciles de conseguir.
Los planos mejoraron: Los modelos de IA "abiertos" (gratuitos para usar) se volvieron casi tan inteligentes como los caros y secretos, pero funcionan con hardware mucho más barato.
Los antiguos dueños se hicieron más ricos: Las empresas que compraron sus computadoras antes del aumento de precios ahora tienen una ventaja masiva sobre cualquiera que intente iniciar un nuevo negocio hoy.

El documento argumenta que la industria de la IA está a punto de dividirse en dos mundos muy diferentes, y muchos nuevos inversores podrían perder su dinero si no entienden la nueva matemática.

Concepto clave 1: La "cinta transportadora de depreciación"

La analogía: Imagina una carrera donde los corredores necesitan comprar zapatos de correr caros.

Los Incumbentes (La vieja guardia): Estas son las grandes empresas (como Meta u OpenAI) que compraron sus zapatos el año pasado cuando estaban baratos. Ya están corriendo.
Los Entrantes (Los recién llegados): Estas son nuevas empresas que intentan empezar hoy. Tienen que comprar los zapatos al precio actual, que es altísimo.

La afirmación del documento: La brecha entre los corredores viejos y los corredores nuevos no se va a cerrar. De hecho, se va a ampliar.
¿Por qué? Porque los corredores viejos están "amortizando" (pagando sus deudas de) sus zapatos baratos a lo largo del tiempo. Cada año, su costo por correr disminuye. Mientras tanto, los nuevos corredores están atrapados pagando el precio alto. Incluso si los precios de los zapatos bajan en unos años, los corredores viejos habrán comprado otro lote de zapatos baratos para entonces.

El resultado: Es un "Oligopolio de Propietarios Rotativos". La ventaja sigue rotando entre las empresas que compraron el último lote de hardware barato. Los recién llegados nunca pueden alcanzar a los demás porque siempre están pagando el precio completo mientras que los viejos pagan centavos.

Concepto clave 2: El "Auto de Lujo" frente al "Autobús"

La analogía: Piensa en los modelos de IA como vehículos.

El Auto de Lujo (Modelos de frontera): Estos son los modelos de IA súper inteligentes y construidos a medida, utilizados para ciencia compleja, decisiones de alto riesgo o la creación de nuevos fármacos. Son increíblemente caros de construir (costando miles de millones) y caros de conducir. Solo unos pocos pueden permitírselos.
El Autobús (Modelos de mercado masivo): Estos son los modelos abiertos que son "suficientemente buenos". Son baratos de construir (costando millones) y baratos de conducir. Manejan el 90% de las tareas diarias como escribir correos electrónicos, programar o chats básicos.

La afirmación del documento: El costo de construir el "Auto de Lujo" se está disparando (hasta los 38 mil millones para 2030), mientras que el costo de construir el "Autobús" está cayendo en picada (hasta los 5 millones).
Esto crea una división:

El Nivel de Lujo: Solo unas pocas empresas poseerán los modelos súper inteligentes. Cobrarán precios altos a los pocos clientes que necesiten ese nivel específico de inteligencia.
El Nivel Masivo: Todos los demás usarán los modelos abiertos y baratos. El costo de ejecutar estos será tan bajo que las empresas de "Lujo" no podrán competir en precio. Tienen que cobrar una prima solo por el "nombre de marca" y la confiabilidad.

Concepto clave 3: El "Corredor de Solvencia" (La zona Goldilocks)

La analogía: Imagina un puente estrecho que un barco gigante (la industria de la IA) debe cruzar.

Demasiado lento (Crecimiento de la demanda): Si la gente deja de pedir IA tan rápido como la estamos construyendo, el puente colapsará. Los nuevos centros de datos no generarán suficientes ingresos para pagar los costosos chips de memoria.
Demasiado rápido (Eficiencia): Si nos volvemos demasiado buenos comprimiendo datos (haciendo que la IA use menos memoria), es posible que no necesitemos tantos barcos, y el puente colapsará por una razón distinta.
Justo lo necesario: El barco necesita crecer a una velocidad muy específica (unas 2 veces por año) durante cuatro años seguidos para mantenerse a flote.

La afirmación del documento: La industria está actualmente caminando por la cuerda floja.

La Zona de Peligro: Si la demanda se ralentiza incluso un poco, o si los precios "premium" (lo que las empresas pagan por la mejor IA) caen para igualar los precios baratos, los nuevos centros de datos construidos en 2028–2029 quebrarán.
El escenario de "Colapso": Esto ya no es un riesgo de cola poco común; es una posibilidad real. Si el crecimiento de la demanda se estanca, las empresas que apostaron fuerte por el hardware caro enfrentarán un "exceso de memoria" (demasiados chips, no hay suficiente trabajo), lo que llevará a un colapso financiero masivo similar a las históricas crisis de la DRAM.

Concepto clave 4: La trampa del "Greenfield" (Empezar desde cero)

La analogía: Imagina que quieres abrir una nueva compañía de taxis. Decides construir tus propios autos personalizados (silicio personalizado) para ahorrarte el margen de beneficio del concesionario.

La afirmación del documento: Construir tus propios chips personalizados te ahorra un poco de dinero en el motor, pero no te ahorra en el combustible (chips de memoria). Dado que la memoria es escasa y cara, sigues teniendo que pagar el precio alto.
Las probabilidades: Si intentas empezar una nueva empresa de IA desde cero hoy:
- 25% de probabilidad: Tienes éxito.
- 34% de probabilidad: Sobrevives pero ganas dinero promedio.
- 41% de probabilidad: Pierdes tu dinero.
La solución: No apuestes todo de una vez. Usa un enfoque "por etapas". Revisa el mercado cada pocos meses. Si las señales se ven mal (la demanda se ralentiza, los precios caen), deja de gastar dinero antes de construir toda la fábrica.

Concepto clave 5: El factor "Soberano" (El papel del Gobierno)

La analogía: Algunos países (como China) están construyendo sus propias "flotas nacionales de taxis" usando sus propias carreteras y combustible, ignorando el mercado global.

La afirmación del documento: China está construyendo un stack de IA completo (chips, software, modelos) que no depende de los chips de memoria occidentales. Debido a que cuentan con financiamiento estatal, no les importa obtener ganancias a corto plazo. Pueden vender servicios de IA más baratos que cualquier otro.
El Riesgo: Esto crea una "Bifurcación Geopolítica". El mundo podría dividirse en dos mercados de IA separados: uno occidental (caro, cerrado) y uno no occidental (barato, abierto). Esto hace que sea aún más difícil para las empresas occidentales vender sus servicios globalmente.

La Conclusión

El documento concluye que el "Auge de la IA" ya no garantiza ganar dinero solo porque más personas estén usando la IA.

La vieja regla: "Constrúyelo, y ellos vendrán".
La nueva regla: "Constrúyelo solo si ya posees el hardware barato, o si estás construyendo para un cliente específico de alto nivel que no cambiará a lo que es barato".

Lo que hay que vigilar:
El número más importante a vigilar es qué tan rápido la gente está realmente pagando por la IA (en dólares), no solo cuántos "tokens" de IA se están generando. Si el número de solicitudes de IA aumenta, pero el dinero que las empresas están dispuestas a pagar se mantiene plano o cae, toda la industria podría enfrentar un colapso alrededor de 2028.

Resumen para inversores:

No comiences un nuevo negocio de centros de datos desde cero a menos que tengas un cliente garantizado y un plan para obtener memoria barata.
Vigila los precios "premium". Si comienzan a caer para igualar los precios "baratos", huye de ahí.
Recuerda que las empresas que compraron hardware el año pasado son las que ganarán, no las que lo están construyendo hoy.

Resumen Técnico: Escasez de Memoria, Modelos Abiertos y la Reestructuración de la Industria de la IA (2026–2030)

Declaración del Problema

El documento aborda una tensión estructural crítica en la industria de la IA proyectada para el horizonte 2026–2030: la divergencia entre la economía de la oferta de infraestructura de IA y la evolución de la economía de la demanda de IA. El problema central es impulsado por cuatro fuerzas simultáneas:

Escasez Histórica de Memoria: Un severo reajuste de precios en DRAM y memoria de alto ancho de banda (HBM), con precios contractuales aumentando aproximadamente un 90% en el primer trimestre de 2026 y escasez que podría persistir hasta 2030.
Paridad de Modelos Abiertos: La emergencia de modelos de pesos abiertos con capacidad de frontera (por ejemplo, GLM-5.2) que igualan las capacidades propietarias a una fracción del costo de servicio.
Ganancias en Eficiencia de Inferencia: Mejoras rápidas en la eficiencia de la inferencia mediante la compresión del caché KV (acercándose a los límites de Shannon) y entornos de ejecución locales ligeros, reduciendo los bytes por token.
Reestructuración del Mercado: La entrada de antiguos laboratorios de IA (Meta, xAI) en el mercado de reventa de cómputo, utilizando flotas adquiridas antes del reajuste de precios de la memoria, creando una nueva clase de "incumbentes" con ventajas de costos hundidos.

La pregunta central es si la expansión de capacidad global anunciada puede mantener su solvencia dados estos factores, examinando específicamente la solvencia de los nuevos entrantes frente a los incumbentes, la bifurcación de la economía de entrenamiento y la viabilidad de la tesis de "comoditización".

Metodología

El análisis emplea un marco de escenarios cuantitativos basado en la economía del hardware y la dinámica del mercado:

Unidad de Análisis: El documento reformula la economía de la inferencia utilizando dólares por petabyte de ancho de banda de memoria entregado ($/PB) en lugar de costo por token. Esta unidad se elige porque la inferencia en la fase de decodificación está limitada por el ancho de banda; el rendimiento es proporcional al ancho de banda de HBM entregado, independientemente de la identidad del modelo.
Modelado de Costos:
- Costo Total: Incluye la amortización lineal de 4 años de los precios de los aceleradores (con un multiplicador de sistema de 1.5×), energía ($0.08/kWh, PUE 1.3) y operaciones asignadas.
- Costo Marginal: Excluye la amortización, representando el piso para las flotas con capital hundido.
- Análisis de Vintages (Cohortes): Rastrea cohortes de hardware comprado en años específicos ("vintages") para determinar su ciclo de vida económico.
Construcción de Escenarios: Se definen cinco escenarios basados en la intersección del crecimiento de la demanda de tokens, las tendencias de eficiencia (reducción de bytes por token) y los regímenes de precios (pegajosos vs. acoplados).
Fuentes de Datos: El análisis utiliza métricas de crecimiento de tokens divulgadas por los principales proveedores (Google, Microsoft, OpenRouter), encuestas de precios contractuales de HBM (TrendForce, Counterpoint) y presentaciones financieras relacionadas con arreglos de financiamiento circular (por ejemplo, OpenAI-Oracle-NVIDIA).
Pruebas de Estrés: El modelo prueba la sensibilidad ante la desaceleración de la eficiencia (cayendo de 30%/año a 15%/año) y la reasignación de la demanda (migración hacia la inferencia on-premises/de pesos abiertos).

Contribuciones Clave

El documento realiza ocho contribuciones técnicas y analíticas específicas:

Economía Denominada en Ancho de Banda: Formula el costo de inferencia en $/PB, separando limpiamente la economía del hardware de la elección del modelo para cargas de trabajo limitadas por ancho de banda.
La Cinta Transportadora de la Depreciación: Demuestra que la ventaja de costo de los incumbentes sobre los nuevos entrantes es estructural y perpetua. A medida que el hardware se deprecia, la ventaja de la "flota barata" rota entre los incumbentes que compraron en ciclos anteriores, sin transferirse nunca a los nuevos entrantes que deben comprar a los precios máximos actuales.
Punto de Equilibrio U-Shaped por Vintage: Deriva una curva de equilibrio que muestra que la identidad de la parte afectada depende del régimen de precios. Los precios acoplados (donde los precios premium siguen a los precios masivos) rompen los vintages de 2028–2029, mientras que los precios pegajosos rompen el vintage de 2026 (compradores de precios máximos). El vintage de 2027 se identifica como robusto en ambos regímenes.
Corredor de Solvencia: Define un estrecho corredor de solvencia de infraestructura que requiere aproximadamente 2× el crecimiento anual de la demanda de tokens sostenido durante cuatro años, supeditado a ganancias de eficiencia de ~30%/año.
Crítica de Medición: Identifica cinco sesgos sistemáticos al alza en los rastreadores públicos de demanda de tokens (volumen inyectado por la oferta, sustitución, subsidio, composición de calidad y efectos de base), argumentando que el crecimiento "bruto" sobrestima la demanda "ajustada por calidad".
Problema de Proyección de Vintages: Destaca que las proyecciones optimistas de demanda preceden al cambio de régimen del segundo trimestre de 2 de 2026, de "maximización de tokens" a "minimización de tokens", lo que las convierte en límites superiores en lugar de líneas base.
Mecanismo de Transmisión Acoplada: Analiza el desacoplamiento de la pila completa de China (HBM doméstico, modelos abiertos) y la red de financiamiento circular de Occidente como un mecanismo para un posible colapso, donde los déficits de demanda se propagan a través de compromisos de deuda y capital.
Probabilidades de Entrantes Greenfield: Cuantifica la distribución de riesgo para un nuevo entrante que lanza silicio personalizado en un nuevo centro de datos, estimando una probabilidad de éxito del 25%, mediocridad del 34% y pérdida del 41% sin estrategias de mitigación específicas.

Resultados Clave

1. El Piso del Incumbente vs. la Economía del Entrante

La brecha de costos entre los incumbentes (con flotas hundidas) y los nuevos entrantes es estructural.

2026: Los entrantes enfrentan una desventaja de 3.2× en $/PB respecto al piso del incumbente.
2027: La brecha se reduce a 1.9× (el mejor punto de entrada).
2029–2030: La brecha se amplía nuevamente a 3–4× a medida que las flotas heredadas se deprecian totalmente mientras las nuevas construcciones enfrentan precios de memoria normalizados o elevados.
Conclusión: La ventaja rota entre los incumbentes; nunca se transfiere a los entrantes. Un entrante solo puede unirse a la "clase de incumbentes" sobreviviendo a un ciclo completo de depreciación con un diferencial negativo, lo cual el establecimiento de precios límite por parte de los incumbentes puede prevenir.

2. Divergencia de Costos de Entrenamiento

Emerge una "segmentación de lujo" en la economía del entrenamiento:

Entrenamiento de Frontera: Los costos aumentan de ~ $1.5B (2026) a **$ 18B–$38B** (2030) debido al dominio de la memoria y la falta de escalamiento de la Ley de Moore en la memoria.
Entrenamiento "Suficientemente Bueno": Los costos para replicar capacidades de frontera previas mediante aprendizaje por refuerzo y destilación sobre bases abiertas caen hacia los $5M.
Divergencia: La relación se amplía de ~40× hoy a 3–4 órdenes de magnitud para 2030.

3. El Corredor de Solvencia

Para que la construcción agregada sea solvente:

Requisito: La demanda de tokens debe mantener un crecimiento anual de ~2× durante cuatro años consecutivos (neto de las ganancias de eficiencia).
Umbrales: Si las ganancias de eficiencia se ralentizan al 15%/año, el crecimiento requerido baja a 1.6×. Si se aceleran al 45%/año, el requisito sube a 2.4×.
Riesgo: Salirse de este corredor concentra los perjuicios en la capacidad de "vintage pico" (ventana de entrega 2028–2029).

4. Probabilidades de Escenarios (Revisadas)

El documento asigna las siguientes probabilidades a cinco escenarios:

Oligopolio de Propietarios Rotativos (25%): La demanda está cerca del umbral; los incumbentes fijan precios masivos desde el piso de sus flotas hundidas; los nuevos entrantes luchan.
Absorción de Jevons (20%): El crecimiento de tokens es ≥2.5×/año; todos los vintages permanecen solventes; la IA para la Ciencia e Innovación Industrial (AI4SIS) actúa como un piso inelástico.
Rediferenciación de la Capa de Sistema (18%): Precios premium pegajosos; el valor migra a la orquestación y el enrutamiento; la infraestructura obtiene márgenes de utilidad.
Colapso por Commoditización (25%): Crecimiento de tokens <1.7×/año y/o precios acoplados; los perjuicios se concentran en los poseedores de capacidad de vintage pico; sigue un exceso de oferta de memoria.
Bifurcación Geopolítica (12%): Los controles de exportación se extienden a los pesos de los modelos; los enclaves occidentales restauran su poder de fijación de precios mientras el resto del mundo estandariza en pesos abiertos chinos.

5. Riesgo de Entrante Greenfield

Para un nuevo entrante que construye silicio personalizado y un centro de datos:

Resultado Central: 25% Éxito, 34% Mediocridad, 41% Pérdida.
Mitigación: Un procedimiento escalonado de "ir/no ir" sincronizado con métricas de mercado observables (crecimiento de tokens, acoplamiento de precios, precios de HBM) puede reducir la probabilidad de pérdida del capital desplegado a ~24%.

Significado y Reivindicaciones

El documento afirma que el auge de la infraestructura de IA ya no está respaldado únicamente por el crecimiento bruto de tokens. La solvencia ahora depende de:

Demanda de Ancho de Banda Monetizada: Los ingresos deben seguir el movimiento de petabytes, no solo el conteo de tokens.
Pegajosidad de Precio Premium: Los precios premium deben permanecer desacoplados del mercado masivo en colapso.
Propiedad de los Vintages: La capacidad de poseer y operar capacidad con mucha memoria y ya depreciada es la principal fuente de ventaja competitiva.

El documento sostiene que el escenario de "Colapso" ya no es un riesgo de cola, sino un resultado co-modal con el "Oligopolio de Propietarios Rotativos", impulsado por errores de medición en el seguimiento de la demanda, el cambio de régimen hacia la minimización de tokens y la fragilidad del financiamiento circular. Concluye que el observable más relevante para la toma de decisiones es el crecimiento real de la demanda de tokens neto de la eficiencia, rastreado tanto en dólares como en tokens, para determinar si el sistema permanece dentro del corredor de solvencia.

El análisis sugiere que para los laboratorios cerrados, la estrategia racional es el servicio ligero en activos (leasing) y el precio pegajoso; para los inversores de infraestructura, el tiempo del vintage (específicamente 2027) es más crítico que la habilidad operativa; y para los responsables de políticas, la capacidad soberana se puede lograr mediante la inferencia eficiente de pesos abiertos en lugar de gastos de entrenamiento a escala de frontera, siempre que la infraestructura sea de propiedad nacional para evitar el alcance jurisdiccional (por ejemplo, la CLOUD Act).