¿Quién se queda con el dinero de la IA?

Un análisis del inversor Tomasz Tunguz reconstruye cómo se distribuye el beneficio bruto a lo largo de la cadena de valor de la inteligencia artificial, desde la generación de electricidad hasta las aplicaciones finales. El estudio expone dónde se acumula el valor económico de la IA y por qué la integración vertical será una de las principales armas competitivas.

La inteligencia artificial tiene una cadena de valor cada vez más extensa y costosa. Detrás de cada respuesta generada por un chatbot, cada agente autónomo o cada aplicación empresarial hay una infraestructura que comienza en una central eléctrica y termina en el software que utiliza el consumidor. Pero ¿quién se queda realmente con el dinero que genera todo ese ecosistema?

La pregunta no es menor. La industria de la IA moviliza inversiones multimillonarias en chips, centros de datos, energía, servicios de nube y desarrollo de modelos. Sin embargo, no todos los participantes capturan una proporción equivalente del valor económico que circula por esa cadena.

Un análisis por Tomasz Tunguz, inversor de capital de riesgo de Theory Ventures, intenta responder esa pregunta a partir de información financiera pública de empresas como CoreWeave y Anthropic, además de datos de operadores mayoristas de centros de datos.

Su conclusión es reveladora: bajo un escenario en el que las aplicaciones de inteligencia artificial consiguen un margen bruto del 40%, estas capturan el 40% del beneficio bruto total de la cadena. Los proveedores especializados en infraestructura de GPU, conocidos como neoclouds, concentran otro 28%, mientras que los proveedores de inferencia se quedan con el 24%.

En conjunto, esas tres capas representan el 92% del beneficio bruto calculado por Tunguz, antes de considerar la depreciación de las GPU.

En el extremo inferior de la cadena, las centrales eléctricas y los operadores de centros de datos capturan solamente el 3% y el 5%, respectivamente.

El resultado plantea una lectura diferente de la economía de la IA: el valor no se distribuye necesariamente en función de quién realiza la inversión física más grande, sino de quién consigue transformar la capacidad de procesamiento en un servicio comercializable y cobrar por él.

Cinco capas para entender dónde queda el dinero

Para construir su modelo, Tunguz divide la economía de la inteligencia artificial en cinco niveles.

El primero es la generación de energía. Las centrales eléctricas producen la electricidad que alimenta los centros de datos, una infraestructura cuyo consumo energético aumenta a medida que crece la demanda de procesamiento.

El segundo corresponde a los operadores de centros de datos. Son las compañías que construyen los edificios, conectan la infraestructura eléctrica, acondicionan los espacios y proporcionan las instalaciones físicas donde funcionan los servidores.

El tercer nivel está integrado por los neoclouds, proveedores especializados que compran GPU, administran esos procesadores y alquilan capacidad de cómputo a empresas que necesitan entrenar o ejecutar modelos de inteligencia artificial. CoreWeave y Nebius son ejemplos de esta categoría.

El cuarto corresponde a los proveedores de inferencia. Son las compañías que ejecutan el software necesario para procesar las solicitudes de los modelos y entregar respuestas a los usuarios. En esta capa se encuentran los servicios que convierten la capacidad informática en tokens, respuestas y operaciones concretas.

Finalmente aparecen las aplicaciones de inteligencia artificial, es decir, los productos de software que venden soluciones a los clientes y monetizan el valor que generan. Pueden ser asistentes, agentes empresariales, herramientas de productividad o aplicaciones especializadas para diferentes industrias.

El desafío metodológico consiste en comparar negocios que facturan de maneras muy diferentes. Las empresas eléctricas venden kilovatios-hora, los neoclouds comercializan horas de utilización de GPU y las aplicaciones pueden cobrar por usuario, suscripción, tarea completada o volumen de operaciones.

Para hacer comparables esas actividades, Tunguz normaliza la cadena utilizando una unidad común: dólares por vatio por año (US$/W/año).

Esta métrica permite estimar cuánto dinero genera cada nivel por la capacidad energética asociada con la infraestructura que utiliza.

El resultado es una representación económica de la cadena que permite observar dónde se concentra el beneficio bruto y cuáles son los segmentos con mayor capacidad de captura de valor.

La distribución del beneficio: quién gana y cuánto

En el escenario planteado por Tunguz, con un margen bruto del 40% para las aplicaciones, la distribución del beneficio bruto total queda de la siguiente manera:

Segmento de la cadena	Participación en el beneficio bruto
Generación eléctrica	3%
Operadores de centros de datos	5%
Neoclouds	28%
Proveedores de inferencia	24%
Aplicaciones de IA	40%

La primera conclusión es que las capas más cercanas al cliente final concentran una proporción muy elevada del beneficio bruto. Las aplicaciones, que convierten la capacidad informática en soluciones comerciales, capturan la mayor participación individual.

Pero hay un segundo dato interesante: los neoclouds también obtienen una porción considerable del beneficio, incluso cuando deben realizar inversiones muy importantes para adquirir los procesadores que utilizan.

Ese 28%, sin embargo, tiene una condición fundamental: el cálculo se realiza antes de contabilizar la depreciación de las GPU. Es decir, no representa el beneficio económico definitivo de estos proveedores después de reconocer el desgaste y la pérdida de valor de sus activos tecnológicos.

Esta salvedad es importante porque las GPU representan uno de los componentes de capital más costosos de la infraestructura de inteligencia artificial. Incorporar su depreciación puede modificar sustancialmente la rentabilidad real del negocio.

El modelo tampoco debe interpretarse como una fotografía contable universal de todas las empresas de IA. Se trata de una reconstrucción de la cadena de valor basada en información pública y en un supuesto específico de margen bruto para las aplicaciones. Si ese margen cambia, también cambia la distribución del beneficio entre los participantes.

Aun con esas limitaciones, el ejercicio permite identificar las fuerzas económicas que están definiendo la competencia.

El costo del cómputo pone a prueba el poder de negociación

Uno de los factores que Tunguz identifica como determinante para el futuro de la industria es el encarecimiento de la capacidad de procesamiento.

La demanda de GPU está impulsando los precios de los servicios de cómputo y modificando las condiciones comerciales entre proveedores de infraestructura, desarrolladores de modelos y empresas que construyen aplicaciones.

Un ejemplo aparece en la documentación financiera de Anthropic, cuyo formulario S-1/A revela que el cómputo adicional de corta duración, utilizado para atender picos de demanda, puede alcanzar los US$13 por hora de GPU.

El dato ilustra hasta qué punto el acceso inmediato a capacidad de procesamiento puede convertirse en un recurso costoso, especialmente cuando una empresa necesita responder a variaciones bruscas en el volumen de solicitudes.

CoreWeave ofrece otra señal. Durante su llamada de resultados del tercer trimestre, su CEO, Michael Intrator, explicó que la compañía había vendido capacidad a más de US$40 millones por megavatio al año, mientras que los precios para nueva infraestructura contratada mediante acuerdos de cuatro y cinco años se estaban moviendo hacia un rango de entre US$20 millones y US$25 millones por megavatio anual.

Aunque esos nuevos contratos representan una reducción respecto de las tarifas anteriores, siguen siendo más del doble de los aproximadamente US$9 por vatio al año que Tunguz calcula como precio promedio de la flota actual de CoreWeave.

La diferencia revela una dinámica importante: la capacidad de cómputo tiene un precio que depende del momento de contratación, la disponibilidad de infraestructura, la duración de los acuerdos y la presión de la demanda. El impacto se traslada al resto de la cadena.

Si una aplicación de IA consigue generar suficiente valor para sus clientes, puede aumentar sus precios y absorber parte del encarecimiento de la infraestructura. Pero si no puede justificar ese incremento, los distintos participantes tendrán que competir por una cantidad de dinero limitada.

Los neoclouds, los proveedores de inferencia y las aplicaciones terminarán disputándose el margen disponible.

En otras palabras, el crecimiento de la demanda no garantiza automáticamente una mejora de rentabilidad para todos los actores del ecosistema.

No todas las aplicaciones de IA tienen el mismo poder de fijación de precios

Otro aspecto central del análisis es que la capacidad de capturar margen dependerá cada vez más del retorno económico que una aplicación genere para sus clientes.

No es lo mismo una herramienta de inteligencia artificial que permite ahorrar un 30% de tiempo en una actividad que otra capaz de reducir costos en un 70%. Cuanto mayor sea el impacto económico de una solución, mayor será su capacidad potencial para justificar precios elevados y defender sus márgenes.

Esta diferencia introduce una nueva lógica competitiva en el software empresarial.

Durante buena parte de la era SaaS, las compañías de software construyeron modelos comerciales relativamente estandarizados, basados en suscripciones y licencias por usuario. En el mercado de IA, en cambio, la rentabilidad puede variar considerablemente según el tipo de tarea que se automatiza, el costo computacional necesario y el valor económico que recibe el cliente.

Una aplicación especializada en resolver un problema crítico de una industria podría sostener márgenes muy superiores a los de una herramienta genérica que compite únicamente por precio.

Tunguz también señala que tecnologías como los modelos más pequeños, el fine-tuning y el enrutamiento inteligente de solicitudes pueden ayudar a preservar la rentabilidad.

El uso de modelos más pequeños para tareas específicas, la adaptación de modelos existentes a necesidades concretas y la selección dinámica del modelo más adecuado para cada solicitud permiten reducir el costo de procesamiento sin necesariamente deteriorar la calidad del resultado.

El desafío consiste en evitar que cada operación termine utilizando la infraestructura más costosa disponible, independientemente de la complejidad real de la tarea.

Para las empresas que desarrollan aplicaciones de IA, esa eficiencia puede convertirse en una ventaja competitiva tan importante como la calidad del modelo.

La integración vertical: la próxima batalla por los márgenes

La tercera conclusión de Tunguz es que la industria ya está avanzando hacia una mayor integración vertical.

Las compañías no quieren depender exclusivamente de un único segmento de la cadena. Están adquiriendo empresas y desarrollando capacidades en niveles adyacentes para capturar una mayor proporción del valor económico.

CoreWeave constituye un ejemplo. La empresa adquirió Weights & Biases por US$1.030 millones y también incorporó compañías como OpenPipe, Marimo y Monolith AI, ampliando su presencia en áreas como entrenamiento, evaluación de modelos y flujos de trabajo empresariales.

Nebius también está siguiendo una estrategia de expansión. Durante 2026 destinó más de US$1.000 millones a la adquisición de cuatro compañías vinculadas con búsqueda, optimización de modelos, escalamiento de cargas de trabajo y orquestación, con el objetivo de construir su plataforma Token Factory.

La lógica es clara: quien controla más de una capa puede capturar márgenes que, de otro modo, quedarían en manos de proveedores externos.

También puede amortiguar mejor las variaciones de precios y las tensiones de oferta y demanda que afectan a los distintos componentes de la infraestructura.

Esta estrategia tiene implicaciones para toda la industria. Los operadores de centros de datos pueden avanzar hacia servicios de cómputo; los neoclouds pueden incorporar herramientas de entrenamiento y evaluación; los proveedores de modelos pueden desarrollar sus propias aplicaciones y los desarrolladores de software pueden buscar mayor control sobre la infraestructura que utilizan.

El resultado es un mercado donde las fronteras entre proveedores, competidores y socios comerciales son cada vez más difusas.

La IA no es un negocio, son varios negocios superpuestos

El análisis de Tunguz permite desmontar una de las simplificaciones más frecuentes en el debate sobre la economía de la inteligencia artificial: asumir que todo el dinero termina en las empresas que desarrollan los modelos más avanzados o fabrican los procesadores más potentes. La realidad es más compleja.

La rentabilidad depende de la posición que cada compañía ocupa en la cadena, de su capacidad para controlar los costos, de su poder de negociación y, especialmente, de cuánto valor puede cobrar por el servicio que ofrece.

La infraestructura física es indispensable, pero no necesariamente concentra la mayor proporción del beneficio bruto. Los modelos necesitan capacidad de procesamiento, pero quienes los ejecutan y quienes convierten sus resultados en productos comerciales también pueden capturar una parte sustancial del negocio.

Incluso el liderazgo tecnológico puede dejar de ser suficiente si no está acompañado por una estructura de costos eficiente y una propuesta económica que los clientes estén dispuestos a pagar.

Para los CIO, CTO y responsables de estrategia empresarial, esta dinámica tiene una consecuencia concreta: elegir proveedores de IA ya no consiste solamente en comparar modelos, velocidad o precisión. También implica comprender cómo está construida la cadena de suministro tecnológica, quién controla cada componente y qué dependencia económica se está creando.

La industria está entrando en una etapa en la que el poder competitivo no dependerá exclusivamente de quién tenga el modelo más inteligente, sino de quién consiga operar la cadena completa con mayor eficiencia y capturar el valor que genera.

En la economía de la IA, tener la tecnología es apenas una parte del negocio. Quedarse con el margen es otra historia.