¿Viene otro invierno de IA? — por qué esta vez es distinto (o no)

Distinguir corrección especulativa de invierno tecnológico

La pregunta sobre un "tercer invierno" de IA requiere una distinción conceptual que la conversación pública casi nunca hace. Hay tres cosas distintas que pueden ocurrir: una corrección de valuaciones especulativas, una contracción en la financiación de investigación y un colapso de la tecnología subyacente. Las tres son plausibles con distinta probabilidad. Mezclar las tres es el error analítico más común del debate.

La historia sugiere que una corrección especulativa es probable, una contracción parcial de investigación es posible, pero un colapso tecnológico es estructuralmente improbable dada la infraestructura de embebimiento actual. Veamos por qué.

Análisis de riesgos especulativos: señales de exuberancia irracional

El mercado de IA muestra características que han precedido correcciones previas en otros sectores. La primera es el desacoplamiento entre valuación e ingresos verificables. Nvidia cotiza a múltiplos de P/E forward por encima del rango histórico del S&P 500, que suele ubicarse entre 18 y 20 veces. La justificación de ese premium es que la demanda de semiconductores para entrenar IA crecerá exponencialmente hasta 2035 o más. Pero esa proyección es de cola larga, asume que no hay sustituciones tecnológicas (chips más eficientes, modelos que requieren menos cómputo) e ignora riesgos regulatorios (restricciones de consumo energético, sanciones geopolíticas). Si las proyecciones no se cumplen, el múltiplo se ajusta hacia la mediana histórica y eso implica correcciones de valuación de 40 a 60% en mega-cap de semiconductores.

La segunda señal es la heterogeneidad de casos de uso empresariales con ROI incierto. Según el State of AI report de McKinsey 2024, las empresas que adoptaron "copilots" empresariales muestran variabilidad alta en ganancia de productividad — entre 10 y 30% según sector —, adopción inconsistente entre departamentos y métricas de retorno reportadas frecuentemente como anecdóticas en lugar de datos cuantitativos. Si las empresas concluyen en 2026 o 2027 que el ROI de la inversión en IA corporativa está por debajo de las promesas, los presupuestos se reducen.

La tercera señal son los ciclos de asignación de capital dominados por el FOMO (fear of missing out). El venture capital está compitiendo por "deals de IA" más que evaluando el mérito del emprendimiento subyacente. Esto se evidencia en tasas de quiebra de startups de IA superiores al promedio histórico de VC, dinero que sigue fluyendo a empresas sin tracción y múltiplos de valuación en startups de IA dos a tres veces superiores a los de comparables no-IA con tracción similar.

La cuarta es la deflación de promesas públicas. Varios ejecutivos de frontera — notablemente Yann LeCun en Meta — han ajustado expectativas desde "AGI probablemente en 5-10 años" (2022-2023) hacia "mejoras incrementales en capacidades específicas" (2024-2025). Es compresión de hype, señal clásica de que el mercado está en la parte bajante del Gartner Hype Cycle 2024 para generative AI, clasificada oficialmente como "trough of disillusionment".

El pronóstico razonable es una corrección de 30 a 50% en valuaciones de mega-cap tech vinculadas a IA más consolidación de startups, con cierre del 50% o más en segmentos especulativos, en un horizonte de 24 a 36 meses. Eso es normal en ciclos especulativos. No es un invierno.

Análisis de riesgos tecnológicos: ¿es posible un invierno completo?

La pregunta de fondo es si una corrección especulativa equivale a un colapso de la tecnología IA en sentido de primer o segundo invierno. La respuesta es no, y los motivos son estructurales.

Los dos inviernos previos tuvieron causas técnicas reales. El primero (1974-1980): la IA de la arquitectura von Neumann con los datasets disponibles en los 60 era infactible para los objetivos prometidos. La crítica de Lighthill era técnicamente válida. El segundo (1987-1993): los sistemas expertos eran frágiles, no generalizaban, no escalaban. La tecnología misma tenía límites fundamentales demostrables.

La IA moderna no tiene esos límites estructurales de la misma manera. Los modelos de lenguaje basados en Transformers tienen limitaciones conocidas (alucinaciones, sesgos, falta de razonamiento robusto en algunos dominios), pero también capacidades demostrables a escala que ningún enfoque previo alcanzó. El límite no es "esta tecnología no funciona" sino "esta tecnología no cumple las promesas máximas del hype".

Además, la diferencia más importante es el embebimiento en infraestructura crítica con efectos económicos difusivos. Google Search, con miles de millones de búsquedas por día y rankings basados en deep learning desde hace más de una década, genera más de 280 mil millones de dólares anuales en publicidad según los reportes financieros de Alphabet. Desacoplar IA de Search requeriría un rediseño de arquitectura fundamental. Económicamente inviable. Gmail, con cientos de miles de millones de emails diarios, filtra spam con ML desde 2005. Microsoft 365 Copilot está integrado en Word, Excel, PowerPoint y Outlook usado por millones de empresas. Los diagnósticos médicos asistidos por IA están regulados por la FDA y salvando vidas medidas. La diferencia respecto a 1987 es categórica: los sistemas expertos eran nicho, los podías remover sin impacto difusivo. Hoy, remover IA de la infraestructura establecida es como remover electricidad de la red.

La diversificación de financiación elimina la concentración que caracterizó los inviernos previos. En el primer invierno, la financiación estaba concentrada en DARPA y el gobierno del Reino Unido. En el segundo, VC especulativo y corporativo limitado. Hoy, Anthropic acumula más de 10 mil millones de dólares en rondas pero también tiene ingresos operativos crecientes. OpenAI factura con suscripciones (ChatGPT Plus) y contratos empresariales. Google, Microsoft y Meta tienen IA embebida en productos con flujos de ingresos propios. Universidades (Stanford, MIT, Berkeley, CMU) continúan investigación sin depender de VC. Si la financiación especulativa se seca, la investigación básica y comercial sigue porque las fuentes son múltiples.

El costo geopolítico de la desfinanciación también es prohibitivo. En 1974, desfinanciar IA estadounidense era políticamente viable porque el campo era marginal. Hoy, Estados Unidos versus China en IA es un juego geopolítico de frontera. Desfinanciar IA estadounidense significaría ceder liderazgo a China en tecnología de punta. Políticamente inaceptable para cualquier administración. Por lo tanto, una desfinanciación coordinada a escala de invierno es improbable.

La validación de casos de uso reales con ROI medible completa el cuadro. GitHub Copilot reporta estadísticas donde aproximadamente la mitad del código nuevo en ciertas plataformas empresariales pasa por asistencia de IA. Es medible. Es verificable. En 1987, los sistemas expertos intentaban resolver el diagnóstico médico y fallaban en los bordes sin producir ROI consistente. La diferencia: la IA moderna tiene casos de uso reales donde el valor es cuantificable, no solo narrado.

Escenarios probabilísticos

Este blog estima tres escenarios para el horizonte 2026-2028.

El primero, con probabilidad alrededor del 70%, es corrección especulativa con consolidación. Las valuaciones de mega-cap tech caen 30 a 50%. Entre el 50 y 70% de las startups de IA financiadas especulativamente cierran. El dinero de VC se vuelve conservador. Empresas con product-market fit claro (Anthropic, OpenAI, productos internos de Google, Microsoft y Meta) continúan. El resultado es concentración de poder, eliminación de competencia marginal y estabilización del mercado a valuaciones más racionales.

El segundo, con probabilidad alrededor del 20%, es regulación gubernamental restrictiva. Los gobiernos implementan restricciones al consumo energético (impuestos al carbono en data centers), límites al acceso a chips (tecnología) o regulación del entrenamiento (privacidad). Esto ralentiza pero no detiene el campo. El resultado es fragmentación geográfica (EE.UU., China y UE con sistemas cada vez más independientes), no un colapso global.

El tercero, con probabilidad alrededor del 10%, es invierno completo. Requeriría simultáneamente el descubrimiento de que los modelos de lenguaje modernos tienen límites fundamentales que bloquean escalabilidad, desfinanciación coordinada de múltiples fuentes, regulación global prohibitiva y confirmación de infactibilidad técnica. Es posible pero muy poco probable dada la diversificación actual de financiación y el embebimiento en infraestructura.

La tesis del blog

Acá va lo que este blog cree, mirando con cuidado la fenomenología histórica y la estructura actual del mercado. Un invierno al estilo 1974 o 1987 es hoy una hipótesis extrema que requiere la conjunción simultánea de varios eventos improbables. Una corrección especulativa seria — startups cerrando, VC conservador, caídas de 30-50% en mega-cap — es prácticamente segura en un horizonte de 24-36 meses. Pero la infraestructura de IA que ya funciona va a sobrevivir a esa corrección. Y eso implica algo útil y directo para quien está leyendo esto.

Para el usuario profesional, el riesgo de que herramientas como Claude o ChatGPT desaparezcan es muy bajo. El riesgo de que precios aumenten — si hay regulación energética o consolidación de oferta — es moderado. La habilidad que estás construyendo ahora (saber promptear, saber estructurar contexto, saber delegar tareas específicas) se paga independientemente del ciclo. Para el inversor, el riesgo en startups sin tracción verificable es alto. El riesgo en mega-cap es moderado. La oportunidad real está en especialización vertical donde hay product-market fit demostrado. Para el investigador, la financiación pública va a continuar por importancia geopolítica. La financiación privada se va a consolidar — más concentrada, menos especulativa, más exigente.

Los inviernos no matan a las tecnologías que la gente usa todos los días. Matan a las tecnologías que la gente prometió sin entregar. La diferencia es la que decide lo que viene.