Preguntas de investigación y respuestas
Las 61 preguntas del estudio con su respuesta resumida, su grado de certeza y qué la refutaría. Los importes son compromisos anunciados, no desembolsos. Respuestas completas, tablas y fuentes en los informes.
Qué podemos afirmar a partir del grafo
Qué representa cada relación y qué certeza tiene
Pregunta: ¿Qué representa exactamente cada relación y qué grado de certeza tiene?
Certeza: media.
Cada flecha es un compromiso o flujo de dinero anunciado entre dos entidades, de quien aporta a quien recibe. No es dinero desembolsado ni un ingreso contable. El grosor suma, por origen y destino, el mayor importe de cada tipo (acciones, deuda, compra de cómputo, suministro, capex propio y otros) para no contar dos veces la misma operación citada en varios artículos.
Qué la refutaría: Una nueva lectura de las fuentes primarias (S-1, contratos, notas de prensa de las empresas) que confirme o desmienta los importes del nivel B. Mientras sean sobre todo prensa secundaria, las cifras son «anunciadas», no verificadas.
Sensibilidad de las conclusiones
Pregunta: ¿Cambiarían las conclusiones si eliminamos las operaciones no confirmadas, canceladas, duplicadas o sustentadas únicamente en fuentes secundarias?
Certeza: alta.
Depende de qué conclusión. Los rankings son robustos: con el filtro estricto (solo flujos confirmados, cerrados o firmados y con 2+ fuentes o confianza alta) el grafo pasa de 598 a 329 flujos y los 10 nodos más centrales coinciden en 9 de 10 (correlación de rangos 0,94). Anthropic, Amazon, Google y OpenAI siguen en cabeza.
Qué la refutaría: Que el filtro estricto elimine justo los flujos que reordenan el ranking (no ocurre: solape de 9 sobre 10). Si una verificación posterior de los importes del nivel B los redujera mucho, bajarían los agregados, no el orden.
Circularidad demostrada frente a relaciones cruzadas
Pregunta: ¿Dónde hay circularidad económica demostrada y dónde solo relaciones cruzadas?
Certeza: media.
El grafo contiene 42 ciclos cerrados de hasta cinco entidades, pero casi todos son combinaciones de unas pocas relaciones bilaterales: hay 17 pares con flujo en ambos sentidos. Para no confundir una participación cruzada con una operación circular uso tres niveles. Demostrada: el circuito se cierra con importes conocidos y flujos firmes, e incluye una inversión (acciones, deuda u otros) y una compra o suministro, con vínculo explícito entre ambos. Con indicios: hay inversión y compra pero falta algún importe, la firmeza o el vínculo explícito. Solo cruzada: no hay a la vez inversión y compra.
Qué la refutaría: Contratos que muestren que la inversión no está condicionada a comprar al inversor, o que la compra se habría producido igual sin la inversión. Al revés, el cierre queda probado si los documentos fijan la obligación de gasto. El paso de «indicios» a «demostrada» exige conocer importes y cláusulas, que es lo que aporta el bloque «Vínculos y cláusulas documentados».
Obligaciones de gasto y vínculos
Pregunta: ¿Hay obligaciones contractuales de gastar la inversión en productos del inversor? ¿Existen créditos de cómputo, descuentos, compras mínimas o garantías vinculadas?
Certeza: baja.
Hay indicios abundantes pero cláusulas poco documentadas. 70 flujos (1.116 mil M$) tienen un vínculo explícito entre la inversión y la compra de productos del inversor, y 50 más (468 mil M$) muestran indicios.
Qué la refutaría: Los contratos y los S-1: si fijan mínimos de compra o exclusividad, suben las cifras «firmes»; si dicen que el gasto es discrecional, el vínculo es comercial pero no obligatorio. Los datos actuales solo registran lo que la prensa cuenta.
Vínculos y cláusulas documentados
Pregunta: ¿Hay obligaciones contractuales de gastar la inversión en productos del inversor? ¿Existen créditos de cómputo, descuentos, compras mínimas o garantías vinculadas?
Certeza: media.
Con la lectura del corpus, el vínculo entre inversión y compra aparece documentado en varios casos concretos. Inversión con compra asociada: Amazon invierte en Anthropic por tramos, parte ligados a hitos, y Anthropic se compromete a gastar más de 100.000 M$ en AWS durante diez años (5 GW); Amazon invierte 50.000 M$ en OpenAI (15.000 M$ inmediatos, 35.000 M$ condicionados) y OpenAI amplía en 100.000 M$ su consumo en AWS durante ocho años. Exclusividades: AWS es el proveedor exclusivo de distribución de OpenAI Frontier; Nvidia pasa a ser el proveedor exclusivo de chips del campus de Ohio. Reparto de ingresos: OpenAI cedía el 20 % de sus ingresos a Microsoft hasta 2030 (unos 6.000 M$ este año), y el nuevo acuerdo hace que Microsoft deje de pagar reparto a OpenAI mientras OpenAI sigue pagándolo hasta 2030 con tope; OpenAI debe contratar 250.000 M$ en Azure hasta 2030. Warrants ligados a compras: Cerebras concede warrants cuyo vesting depende de compras; el de Google con Marvell fija un umbral de ingresos cualificados (no un compromiso de compra).
Qué la refutaría: Los contratos. Si los compromisos de compra son independientes de la inversión (por ejemplo, ya existían y no se reducirían sin ella), la circularidad económica sería menor. Si la inversión se libera por hitos que equivalen a gasto en los productos del inversor, sería mayor.
Secuencia temporal
Pregunta: ¿Las operaciones ocurren en una secuencia temporal compatible con el circuito que estamos describiendo?
Certeza: baja.
De los 38 circuitos que no son «solo cruzados», solo se puede ordenar una parte con la fecha de acuerdo: 4 muestran la inversión antes de la compra (el orden del circuito), 8 la compra antes de la inversión y 16 coinciden en el mismo mes. 10 no tienen fecha de acuerdo en alguno de los tramos.
Qué la refutaría: Fechas exactas de firma, desembolso y primera factura. Si la compra se paga antes de recibir el capital, el circuito no sería financiación circular sino adelantos; si el capital llega y se paga después, sí.
Dinero nuevo frente a dinero contado varias veces
Pregunta: ¿Cuánto dinero nuevo entra y cuánto estamos contando varias veces?
Certeza: media.
Los 6.370 mil M$ agregados mezclan tres cosas. Capex propio: 2.892 mil M$ (45 %), inversión de una empresa en sus propias instalaciones, que no pasa por otra entidad y no recircula. Flujos entre entidades: 3.478 mil M$. De estos, el dinero que una entidad recibe y luego gasta o invierte aparece dos veces; el máximo que puede estar contado dos veces es 1.272 mil M$, un 37 % de los flujos entre entidades y un 20 % del total. Es un techo: supone que todo lo recibido se reinvierte, cuando los plazos y los importes comprometidos no coinciden.
Qué la refutaría: Estados financieros: si los compromisos de compra de Anthropic u OpenAI con los hiperescaladores se pagan con ingresos de clientes finales y no con capital recibido de esos mismos hiperescaladores, la recirculación sería menor. Y al revés.
Procedencia de los fondos
Pregunta: ¿Cuánto procede de inversores externos, beneficios de otros negocios, deuda, ayudas públicas y clientes finales?
Certeza: baja.
El origen de los fondos se declara solo en una parte de los flujos con importe: en el 50 % de la cifra no consta de dónde sale el dinero. De lo que sí consta: caja propia 28 %, fondos públicos 8 %, mixto 6 %, inversores externos 3 %, crédito privado 2 %, bonos 1 %, ampliaciones de capital 1 % y deuda bancaria 0 %.
Qué la refutaría: Cuentas anuales y folletos. Si los ingresos recurrentes de clientes finales superan los compromisos de compra del ecosistema, la dependencia es menor de lo que muestra el grafo.
Tamaño del mercado y transacciones sucesivas
Pregunta: ¿Cuánto de lo que llamamos «tamaño del mercado» es la suma de transacciones sucesivas dentro de la misma cadena?
Certeza: baja.
Una medida directa: las relaciones con flujo de vuelta (A paga a B y B paga o invierte en A) suman 743 mil M$, un 12 % del total agregado. Si se añade el techo de recirculación por nodos (1.272 mil M$, ver «Dinero nuevo frente a dinero contado varias veces»), entre un 12 % y un 20 % de lo que se suma como «mercado» sería la misma cantidad contada en eslabones sucesivos.
Qué la refutaría: Comparar los ingresos finales de las empresas de IA con los compromisos de compra del ecosistema. Si los segundos superan ampliamente a los primeros durante varios años, la cadena depende de capital nuevo.
Evolución de la dependencia
Pregunta: ¿La dependencia está aumentando o disminuyendo?
Certeza: baja.
No hay evidencia de que aumente en los seis meses observados. En el núcleo original, el peso de los tres primeros aportantes baja de 87 % a 73 % y el del primero de 46 % a 27 %; en todo el grafo, de 52 % a 37 %. La parte del importe con flujo de vuelta se mantiene entre el 28 % y el 47 % en el núcleo, y el vínculo a productos del inversor se mueve alrededor del 56 %.
Qué la refutaría: Una serie más larga con deal_date exacto. Si el peso de los tres primeros vuelve a subir cuando se incorporen nuevos compromisos de OpenAI, Anthropic y los hiperescaladores, la lectura cambia.
Nuevos clientes e inversores independientes
Pregunta: ¿Aparecen nuevos clientes e inversores independientes?
Certeza: baja.
Sí, aparecen entidades nuevas cada mes. En el grafo completo, 164 entidades nuevas con origen externo (financieras, públicas, otros sectores) entran entre junio y septiembre.
Qué la refutaría: Fecha de entrada y vínculo con proveedores de cada nuevo aportante. Si los nuevos inversores independientes son, en su mayoría, participantes en rondas lideradas por proveedores, no son independientes.
Concentración
Pregunta: ¿Se concentran las relaciones alrededor de menos empresas?
Certeza: media.
Hoy, el primer aportante (Nvidia) representa el 16 % del total y los diez primeros reúnen el 73 %; en destino, los diez primeros reciben el 50 %, un reparto más disperso. En el tiempo, la concentración baja ligeramente en ambas series (HHI de origen de 0,116 a 0,071 en el grafo completo, de 0,310 a 0,184 en el núcleo).
Qué la refutaría: Que los hiperescaladores y laboratorios principales reduzcan su peso en los compromisos nuevos de los próximos trimestres. Una caída sostenida del HHI y una pérdida de centralidad de los cinco nodos principales sería lo contrario a concentración.
Capital frente a deuda y garantías
Pregunta: ¿Se sustituye capital por deuda o garantías?
Certeza: baja.
En lo extraído no se observa una sustitución de capital por deuda. La deuda pesa el 3 % del total en el núcleo (4 % en todo el grafo) y apenas se mueve entre mayo y octubre (0 % al empezar). Las acciones bajan del 21 % al 14 % y las compras y el suministro, del 75 % al 55 %.
Qué la refutaría: Registros de deuda (bonos, préstamos sindicados, project finance) de los hiperescaladores y neoclouds. Esta pasada solo recogió una parte; véase «Garantías, coste de la deuda y estructuras fuera de balance».
Centralidad por capa
Pregunta: ¿Los nodos considerados «centrales» siguen siéndolo al analizar por separado capital, deuda, suministro y compras?
Certeza: media.
Sí, en las capas de capital y de compras. Las clasificaciones de centralidad de cada capa se parecen mucho a la global (correlación de rangos: capital 0,94, compras y suministro 0,92, otros 0,85), y cinco nodos están entre los más centrales de al menos tres capas: OpenAI, Amazon, Anthropic, Microsoft, Google.
Qué la refutaría: Una capa de deuda propia con más cobertura. Si la centralidad en deuda recayera en otros nodos (bancos, gestoras de crédito privado), la lectura de «cinco nodos centrales» sería incompleta.
Demanda y viabilidad
Compromisos frente a ingresos
Pregunta: ¿Los compromisos crecen más deprisa que los ingresos que deberían financiarlos?
Certeza: media.
Anthropic: sus ingresos crecen muy deprisa y los compromisos casi tanto. El folleto de su OPV cifra 518.000 M$ en compromisos de cómputo no cancelables, 113 veces los ingresos de 2025 (unos 4.600 M$), y el ritmo anualizado ha pasado de unos 9.000 M$ a finales de 2025 a más de 65.000 M$ en julio de 2026. Con ese ritmo, los compromisos equivalen a unos ocho años de ingresos. En el grafo, los compromisos de Anthropic con proveedores pasan de unos 30 a más de 500 mil M$ entre enero y septiembre; la relación entre compromisos e ingresos anualizados subió de unas 4 veces en abril a unas 8 veces en mayo y se ha mantenido en 7-8 desde entonces. Es decir: crecieron más deprisa que los ingresos hasta mayo, y desde entonces van a la par.
Qué la refutaría: Que los ingresos anualizados de Anthropic y OpenAI se estabilicen por debajo de la cifra que cubre sus compromisos anuales (para Anthropic, unos 65.000 M$ al año durante ocho años solo cubren los 518.000 M$ sin contar costes). Y al revés: que los ingresos sigan creciendo al ritmo previsto por los inversores (100.000-120.000 M$ anualizados a fin de 2026) reduciría la relación.
Quién paga y de dónde sale el ingreso
Pregunta: ¿Quién es el pagador final? ¿De dónde obtiene sus recursos el cliente inmediato? ¿Qué proporción de ingresos procede de clientes no vinculados? ¿Qué parte depende de otras empresas de IA que consumen financiación? ¿Hay renovaciones y permanencia? ¿Cuánto depende el conjunto de que siga entrando financiación?
Certeza: media.
Pagador final (18-19). Es distinto en cada laboratorio. Anthropic obtiene la mayor parte de sus ingresos de empresas (más de 1.000 clientes pagan más de 1 M$ anuales, el doble que en febrero; el uso empresarial es más de la mitad del total), y los contratos federales de EEUU son menos del 1 %. OpenAI depende más de los consumidores: unos 50 millones de suscriptores de pago frente a 900 millones de usuarios semanales (alrededor del 5-6 %), un 40 % de los ingresos de empresas y 1.000 M$ anualizados de publicidad en ChatGPT. Entre los clientes de Microsoft, Copilot tiene 30 millones de licencias de pago sobre unos 450 millones de suscriptores de Microsoft 365.
Qué la refutaría: Ingresos de clientes finales con contratos a largo plazo y baja concentración. Si los clientes no vinculados a OpenAI y Anthropic superaran, por ejemplo, la mitad de los ingresos de los proveedores de cómputo, la dependencia sería menor. Hoy sucede lo contrario en Oracle y en los proveedores pequeños.
Valor verificable para quien usa IA
Pregunta: ¿Qué valor económico verificable obtiene quien utiliza la IA? ¿Reduce costes, mejora la calidad, permite vender más o crea productos nuevos? ¿El beneficio supera integración, supervisión, errores, seguridad, formación y dependencia? ¿Se mantiene fuera de las pruebas piloto?
Certeza: baja.
La adopción es real y se mide; el valor, mucho menos. Los datos de pagos reales de Ramp (más de 50.000 y luego unas 70.000 empresas de EEUU) muestran que la adopción de IA de pago pasó del 35 % un año antes a más del 50 % en marzo de 2026 (50,4 %), con Anthropic (34,4 %) por delante de OpenAI (32,3 %) en abril. En España, el INE sitúa el uso en el 21 % de las empresas de más de diez empleados y el 57,5 % de las grandes. Pero de los 238 registros sobre valor y adopción, solo 18 (8 %) son datos medidos (pagos, estadística oficial o experimento); el 56 % son encuestas o autoinformes.
Qué la refutaría: Mediciones con línea base y grupo de control sobre resultados de empresa (no de tarea) en varios sectores, y estadística oficial de productividad. Si el impacto en EBIT supera de forma sostenida el 5 % en más de una cuarta parte de las empresas, o el PIB empieza a reflejarlo, el diagnóstico de valor limitado se debilitaría. Hoy los datos medidos son pocos y apuntan a mejoras de tarea con costes asociados.
Disposición a pagar un precio de coste completo
Pregunta: ¿Seguirían comprando los clientes a un precio que cubriera el coste completo del servicio?
Certeza: baja.
Hay indicios de que parte del uso está subvencionado y de que los precios se están corrigiendo. Los planes de consumo de OpenAI y Anthropic se describen como muy subvencionados (Yann LeCun sostiene que las operaciones dependen de los inversores); Claude Code salió del plan Pro de 20 USD y pasó a los de 100-200 USD; GitHub Copilot trasladó el coste al cliente con créditos desde el 1 de junio; Anthropic redujo en un tercio los límites de Fable en Max y Team Premium; Gemini 3.7 Flash y 3.8 Flash tienen un precio introductorio que se duplica en enero de 2027; y el modelo de Alibaba Qwen3.8-Max se vendía al 10 % del precio estándar.
Qué la refutaría: El resultado operativo trimestral de Anthropic y OpenAI con precios que cubran todos los costes, y datos de cancelación tras cada subida de precio. El primer trimestre con beneficio operativo que prevé Anthropic (T2 2026) sería una prueba a favor; una caída de ingresos tras la expiración de precios introductorios, en contra.
Qué partes de la cadena son viables y quién tiene márgenes
Pregunta: ¿Qué partes de la cadena pueden ser viables y cuáles dependen de expectativas más exigentes? ¿Quién tiene márgenes sostenibles?
Certeza: media.
Con los datos disponibles, la cadena se divide en tres zonas. Rentables hoy con otros negocios o con su propio producto: los fabricantes de chips y la nube. Nvidia ganó unos 60.000 M$ con un margen bruto del 75 % (aunque su flujo de caja libre fue solo el 36 % del beneficio contable porque las cuentas a cobrar crecieron un 55 %); Broadcom tuvo un flujo de caja libre de 13.665 M$ en un trimestre (46 % de ingresos); TSMC ganó unos 22.000 M$ en un trimestre (+77 %). En la nube, AWS tiene un margen operativo del 39,4 % (32,9 % un año antes), Google Cloud del 35,6 % (20,7 % antes) y Microsoft Cloud un margen bruto del 66 % (72 % hace tres años).
Qué la refutaría: Estados financieros auditados de los laboratorios y neoclouds. El primer resultado operativo positivo auditado de Anthropic (folleto) y la evolución del margen de OpenAI son las pruebas más cercanas. Si los márgenes de nube y chips caen por competencia (Microsoft Cloud ya bajó 6 puntos), la zona rentable se estrecharía.
Quién debe invertir sin parar, quién se autofinancia y quién captura el valor
Pregunta: ¿Quién necesita invertir continuamente para no quedarse atrás? ¿Quién puede financiarse con beneficios de otros negocios? ¿Quién captura el valor creado y quién asume los costes?
Certeza: media.
Necesitan invertir sin parar: los hiperescaladores, con guías de capex que suben cada trimestre: Alphabet 195.000-205.000 M$ en 2026, Meta 130.000-145.000 M$ (el doble que 2025), Oracle de 55.700 M$ en su ejercicio 2026 a 90.000-95.000 M$ en el siguiente, y más de 700.000 M$ entre las grandes tecnológicas. Los neoclouds y los laboratorios dependen además de compromisos de cómputo (véase «Compromisos frente a ingresos»).
Qué la refutaría: Series de flujo de caja libre, deuda neta y capex trimestrales de los cinco grandes y de Oracle durante 2026-2027. Si el flujo de caja libre vuelve a ser positivo con capex creciente, el argumento de que se agota la autofinanciación se debilita. Microsoft afirma que alcanzará flujo de caja libre positivo en 2027.
Sobrevivir sin justificar la valoración
Pregunta: ¿Una empresa puede sobrevivir y generar beneficios, pero no justificar la valoración a la que se ha financiado?
Certeza: media.
Sí, y es el riesgo más visible en los datos. Las valoraciones de los laboratorios y de las salidas a bolsa se han disparado por encima de lo que muestran los resultados: OpenAI cerró una ronda de 122.000 M$ a 852.000 M$ (unas 65 veces sus ingresos de 2025), negocia ahora una ronda a unos 1,4 billones pre-money y su salida a bolsa se retrasa al menos a 2027; las pujas por la empresa implicaban unos 765.000 M$, un 10 % menos. Anthropic cerró una Serie H de 65.000 M$ a 965.000 M$ post-money con ingresos anualizados de 47.000 M$ (unas 15 a 20 veces el ritmo de ingresos de mayo a julio) y apunta a una salida a bolsa en octubre a más de 2 billones, unas 30 veces ingresos según estimaciones de prensa.
Qué la refutaría: Los resultados de las salidas a bolsa de Anthropic y OpenAI y su evolución posterior. Si cotizan durante un año por encima de las valoraciones de las rondas privadas y con beneficios crecientes, la tesis de sobrevaloración se debilitaría; la caída de SpaceX tras su debut va en el sentido contrario. Las estimaciones de analistas (Morningstar, Galloway) son opiniones, no hechos.
Plazos, cancelabilidad y refinanciación
Pregunta: ¿Encajan los plazos de financiación con los de generación de ingresos? ¿Qué obligaciones son cancelables? ¿Qué pagos deben hacerse aunque la capacidad no se use? ¿Qué ingresos dependen de instalaciones no operativas? ¿Qué parte del plan necesita una nueva ronda o refinanciación?
Certeza: media.
Plazos (35). Cada contrato tiende a casar con su deuda: arrendamientos de 15 a 20 años de campus (Anthropic con TeraWulf a 20 años, 401 MW y unos 19.000 M$; Hut 8 a 15 años y 9.800 M$; Cipher y Applied Digital a 15 años) respaldan bonos a 6-7 %. El desajuste está en el cómputo: el arrendamiento de TPU de Anthropic con Google y Broadcom es de cinco años por 125.200 M$, el de Nebius con Microsoft también a cinco años, y los chips pueden quedar obsoletos antes (de ahí las garantías de valor residual de «Garantías sobre el valor residual de los chips»). Además, hay un muro de refinanciación identificable: SoftBank tiene un préstamo puente de 40.000 M$ que vence en marzo de 2027 y un préstamo de 11.870 M$ a dos años, con la salida a bolsa de OpenAI retrasada.
Qué la refutaría: Los contratos y los calendarios de vencimiento de cada deuda. Si los vencimientos de SoftBank y Oracle se refinancian a tipos similares y los contratos de cómputo tienen cláusulas de salida con penalizaciones bajas, el riesgo sería menor al descrito; los datos actuales apuntan a obligaciones firmes.
Abaratamiento más rápido de lo previsto
Pregunta: ¿Qué ocurriría si la IA se abarata mucho más deprisa de lo previsto?
Certeza: baja.
El abaratamiento ya está ocurriendo, pero no de forma uniforme. En los modelos pequeños y medios, los precios por token caen con rapidez: OpenAI recortó un 80 % su modelo Luna en julio y volvió a bajarlo un 50 % en septiembre (0,10 / 0,50 USD por millón); GPT-6 Sol cuesta 2 / 10 USD, menos de la mitad que GPT-5.6 Sol; DeepSeek aplicó un recorte permanente del 75 % en mayo; y un artículo cifra en 280 veces la caída del coste de la inferencia de nivel GPT-3.5 en menos de dos años (otro, en unas tres veces al año la del coste unitario de la inferencia frontera; ambos son estimaciones). En el extremo superior, en cambio, los precios no bajan: Fable 5 y Mythos 5 se mantienen en 10 / 50 USD, Kimi K3 sube el precio chino a 3 / 15 USD, DeepSeek anunció en agosto una subida general y el alquiler de la GPU B200 subió un 114 % en mayo por la demanda.
Qué la refutaría: Una caída sostenida del precio por token de los modelos de gama alta sin crecimiento equivalente del volumen (ingresos por tarea que bajen). Y al revés: que el uso crezca más que la caída de precios durante varios trimestres, como ha ocurrido en 2026, apoyaría que el abaratamiento no reduce los ingresos totales.
Eficiencia, chips alternativos y modelos pequeños
Pregunta: ¿Modelos más eficientes, chips alternativos o soluciones pequeñas reducirían los ingresos necesarios para amortizar infraestructuras?
Certeza: baja.
Las mejoras de eficiencia documentadas son grandes y de origen distinto. Modelos: DeepSeek V4-Pro necesita el 27 % de los FLOPs de inferencia por token y el 10 % de la caché de claves y valores de V3.2; Kimi K3 acelera hasta 6,3 veces la decodificación con contextos de un millón de tokens; la caché de prompts puede reducir el coste hasta un 90 % (Amazon Bedrock); NVIDIA recortó hasta un 80 % el coste por token de DeepSeek V4 solo con software. Enrutado y modelos pequeños: Cursor Router logra calidad de código cercana a la frontera con un 30-50 % menos de coste, el enrutado de NVIDIA con Opus 4.8 recorta el coste un 74 % enviando el 7 % de las llamadas al modelo de frontera (con unos 6 puntos menos de precisión; es un dato de NVIDIA), y Cognition iguala a Fable 5.1 con un 64 % menos de coste post-entrenando un modelo abierto. Chips: OpenAI presentó Jalapeño (con Broadcom) con 1,5 a 1,9 veces más trabajo por vatio que Nvidia; Microsoft dice que Maia 200 es un 30 % más eficiente en coste que GB200; un 39,4 % de empresas encuestadas evaluará aceleradores no Nvidia en doce meses; Nvidia pagó unos 20.000 M$ por licenciar la tecnología de inferencia de Groq.
Qué la refutaría: Cifras de coste por token de los laboratorios y de utilización real de las GPU, y el precio de reventa de chips de 2023-2024. Si el coste por unidad de los laboratorios cae mucho más que su precio, el margen crece y la presión sobre los ingresos es menor; si el precio cae a la vez, la presión es la que muestra la sensibilidad de la pregunta anterior.
Uso y caída de precios
Pregunta: ¿El aumento del uso compensaría la caída de precios?
Certeza: media.
Hasta ahora, sí en los ingresos totales de los laboratorios de frontera, y no en los tokens de commodity. Los volúmenes crecen a un ritmo que ningún precio por token ha frenado: el consumo diario de tokens en China llegó a 140 billones en marzo de 2026, mil veces más que dos años antes; el uso interno de Google es de unos 3 billones de tokens al día y se duplica cada pocas semanas; la semana del 28 de julio al 3 de agosto, OpenRouter movió 56,8 billones de tokens (28,13 de modelos chinos); DeepSeek V4 Flash llegó a 8 billones de tokens en un día en OpenCode, por encima del promedio diario de OpenRouter. En paralelo, el ingreso anualizado de Anthropic pasó de unos 9.000 a más de 65.000 M$ y el de OpenAI, de unos 20.000 a casi 70.000 M$ (véase «Compromisos frente a ingresos»).
Qué la refutaría: Series de uso y de ingresos de los mismos proveedores con precios reales: si los ingresos por token procesado de los laboratorios de frontera empiezan a caer a la vez que el volumen sigue creciendo, el uso no estaría compensando. De momento los datos disponibles son de seis a doce meses.
Desplazamiento del valor hacia aplicaciones y empresas usuarias
Pregunta: ¿El valor se desplazaría desde los modelos hacia las aplicaciones y las empresas usuarias?
Certeza: media.
Los datos apuntan a un desplazamiento parcial y desigual. Mercantilización de los modelos intermedios: hay modelos abiertos y chinos que se acercan a la frontera a una fracción del precio (GLM-5.3-Flash, Qwen3.9 Flash y DeepSeek V4 Flash puntúan 51-57 frente a 63 de Opus 5 a un precio unas 100 veces menor, según Artificial Analysis y Xataka); MiniMax-M3 supera a GPT-5.5 en un benchmark con el 5-10 % del coste. Un analista atribuyó al lanzamiento de Kimi K3 unos 314.000 M$ de valoración esperada de OpenAI y Anthropic (estimación de terceros), y las acciones de Zhipu cayeron casi un 40 % en dos sesiones.
Qué la refutaría: Márgenes y cuota de ingresos por capa (modelo, nube, aplicación) en los próximos trimestres. Si los laboratorios mantienen sus márgenes brutos y su cuota de gasto en gama alta pese a la oferta barata, el desplazamiento será menor que el descrito; si las aplicaciones multi-modelo capturan margen creciente, será mayor.
Fragilidad y contagio
Prueba de estrés: doce meses sin financiación nueva
Pregunta: ¿Qué pasaría si durante doce meses no entrara financiación nueva? ¿Quién podría seguir operando con su caja y sus cobros? ¿Quién tendría que renegociar, recortar, vender activos o buscar comprador? ¿Qué proveedores dejarían de cobrar?
Certeza: baja.
El riesgo está muy concentrado. Las 16 entidades dependientes de financiación con compromisos conocidos suman 1.162 mil M$, y Anthropic y OpenAI reúnen 92 % (641 mil M$ y 431 mil M$ de compromisos recogidos en el grafo; el folleto de Anthropic cita 518.000 M$ no cancelables y la prensa, unos 1,4 billones para OpenAI: son bases distintas, véase «Compromisos frente a ingresos»). Su financiación firme registrada cubre solo el 23 % de los compromisos de Anthropic (149 mil M$ frente a 641 mil M$) y el 54 % de los de OpenAI (233 mil M$ frente a 431 mil M$).
Qué la refutaría: Estados de caja y ingresos de Anthropic y OpenAI. Si sus ingresos recurrentes cubrieran los pagos de los próximos doce meses, la exposición sería mucho menor; si dependen de rondas para pagar, será la del escenario 1. Los vencimientos reales de cada contrato (muchos son a cinco o diez años) también acortan el riesgo a doce meses.
Quién soporta las pérdidas cuando un actor falla
Pregunta: ¿Quién soporta realmente las pérdidas cuando un actor falla? ¿Pierden primero los accionistas, los prestamistas, el propietario del centro de datos o quien garantiza el contrato?
Certeza: baja.
Con los datos que constan, la primera línea de pérdida son los accionistas y, en el caso de los laboratorios, es una línea fina frente a lo que deben. Entre las entidades dependientes, el capital recibido es de 490 mil M$ en acciones, 40 mil M$ en deuda y 35 mil M$ en otros instrumentos, frente a 1.087 mil M$ de compromisos con sus proveedores. Es decir, por cada dólar de compromisos hay unos 0,52 de financiación recibida.
Qué la refutaría: Los contratos de deuda y los folletos: prelación, garantías cruzadas, cláusulas de «cross-default» y quién es el deudor último de cada vehículo. Si los garantes (Broadcom, Google, Nvidia) responden solo hasta un importe, la pérdida sube para los prestamistas.
Garantías sobre el valor residual de los chips
Pregunta: ¿Hay garantías sobre valor residual de los chips?
Certeza: media.
Sí, y son de las estructuras más relevantes del grafo. Hay 12 flujos con garantía de valor residual de chips, y en total 28 flujos con alguna garantía explícita (379 mil M$). Los dos casos principales: la plataforma de financiación de cómputo de Nvidia (125 mil M$), donde Nvidia garantiza el valor residual de las GPU financiadas por Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs y KKR; y el crédito de unos 35.000 M$ a Anthropic de Apollo y Blackstone con el valor residual de los chips garantizado por Broadcom.
Qué la refutaría: Los contratos de garantía: si el garante tiene un tope pequeño o la garantía está condicionada a que se mantenga la demanda, el riesgo recae en los financiadores. Y que el valor residual real de las GPU de 2023 a 2024 se mantenga en el mercado secundario.
Garantías, coste de la deuda y estructuras fuera de balance
Pregunta: ¿Hay garantías sobre valor residual de chips? ¿Los financiadores pueden exigir más garantías o anticipar vencimientos? ¿Existen sociedades instrumentales que dificulten identificar al responsable último?
Certeza: media.
Garantía de Nvidia a OpenAI (50). Es el caso mejor documentado y su historia es reveladora: se negociaba una garantía de unos 250.000 M$ para que OpenAI arrendara el campus de 10 GW de Ohio que desarrolla SB Energy (SoftBank); tras la presión de los inversores se redujo a poco menos de 120.000 M$ y se fijó en 105.000 M$ según un registro ante la SEC. El mecanismo: si OpenAI abandonara el contrato, SB Energy primero buscaría otro inquilino al mismo precio y, si no, vendería el emplazamiento, y Nvidia pagaría la diferencia de valor hasta 105.000 M$. Nvidia además invierte 1.500 M$ en SB Energy. Aparte, Nvidia respalda hasta 125.000 M$ del valor de reventa de sus chips (el 25 % de unos 500.000 M$ de financiación con seis gestoras).
Qué la refutaría: Los contratos de garantía y los folletos. Si los garantes tienen topes pequeños, la garantía protege poco; si los covenants permiten acelerar la deuda ante una caída de la demanda, los financiadores tienen más margen del que muestra la prensa. Y los estados financieros que concilien las cifras de deuda fuera de balance.
Capacidad de los financiadores para exigir más garantías
Pregunta: ¿Los financiadores pueden exigir más garantías o anticipar vencimientos?
Certeza: baja.
Con los datos disponibles no se puede saber. El grafo tiene 36 flujos de deuda (251 mil M$ por relaciones distintas); en 16 consta alguna garantía, y en 15 no consta ni garantía ni el carácter firme o flexible de la obligación. No recoge covenants, cláusulas de aceleración ni de «cross-default».
Qué la refutaría: Los contratos de crédito y los folletos de emisión. Es la que más depende de los contratos; véase «Garantías, coste de la deuda y estructuras fuera de balance» para lo que consta.
Sociedades instrumentales y responsable último
Pregunta: ¿Existen sociedades instrumentales que dificulten identificar al responsable último?
Certeza: media.
Sí. 103 flujos pasan por algún vehículo (SPV, joint venture, fondo o consorcio), con 818 mil M$ acumulados, repartidos entre 59 vehículos distintos. En 7 de ellos consta un garante identificable; en el resto, no consta quién responde si el vehículo falla.
Qué la refutaría: Las estructuras jurídicas de cada vehículo: si los garantes han comprometido balance de forma explícita o si el vehículo es «sin recurso» a la matriz. Hoy consta en pocos casos.
Mecanismos de contención y pruebas que refutarían la fragilidad
Pregunta: ¿Qué mecanismos contienen el contagio y qué pruebas refutarían la hipótesis de fragilidad? ¿Hay caja suficiente, clientes diversificados, contratos flexibles, deuda sin recurso, activos reutilizables o compradores alternativos?
Certeza: baja.
Con los datos del grafo, los amortiguadores son desiguales. Clientes diversificados: no. Los principales proveedores de cómputo reciben la mayor parte de sus compras de uno o dos laboratorios: Oracle, el 96 % de OpenAI; Google, el 97 % de Anthropic; Nscale, el 93 % de Anthropic. Esto refleja los acuerdos recogidos y no necesariamente toda su clientela, que el corpus no cubre.
Qué la refutaría: Cada una de las cuatro pruebas es medible con ingresos, balances y contratos (véase «Quién paga y de dónde sale el ingreso»). Si se cumplen, la hipótesis de fragilidad se debilita; si no, se refuerza.
Continuidad del servicio si cambian los propietarios
Pregunta: ¿Podrían continuar los servicios aunque cambiaran los propietarios?
Certeza: baja.
El corpus no permite responderla. Para saberlo hacen falta datos que no recoge: si los contratos de cómputo se transfieren al nuevo propietario, si los campus tienen contratos de arrendamiento de largo plazo con terceros y si los chips pueden redirigirse a otros clientes. Solo se puede decir que el grafo registra una parte de los compromisos físicos (campus, fábricas) y que esos activos suelen ser reutilizables por su naturaleza; los chips, en cambio, dependen de su valor residual (véase «Garantías sobre el valor residual de los chips»).
Qué la refutaría: Cláusulas de cambio de control y de cesión en los contratos de cómputo y de arrendamiento. Véase también «Plazos, cancelabilidad y refinanciación».
Pérdidas que absorberían los inversores sin afectar al crédito del resto de la economía
Pregunta: ¿Qué pérdidas absorberían los inversores sin afectar al crédito del resto de la economía?
Certeza: baja.
La parte financiada con acciones, que absorbe pérdidas sin transmitirlas al crédito, es mayor que la financiada con deuda: 490 mil M$ en acciones frente a 40 mil M$ en deuda para las entidades dependientes. Los prestamistas identificados son sobre todo gestoras de crédito privado (Apollo y Blackstone, unos 80 mil M$ entre ambas), bonistas (63 mil M$ en bonos de mercado) y, en menor medida, bancos (Citigroup, Morgan Stanley). La exposición bancaria que consta es pequeña.
Qué la refutaría: Datos de exposición de bancos, aseguradoras y fondos de pensiones a la deuda de empresas de IA e infraestructura (informes de estabilidad financiera, folletos). Si los bancos tienen líneas grandes con los fondos de crédito privado que financian estos campus, el contagio sería mayor.
El resto del tejido empresarial
Empresas que dependen del núcleo de la IA y procesos expuestos
Pregunta: ¿Qué empresas ajenas al núcleo financiero de la IA dependen ya de su continuidad? ¿Qué procesos empresariales quedarían afectados por una subida de tarifas, una retirada de modelos o un cambio de condiciones?
Certeza: baja.
La dependencia es amplia y está mal cartografiada. Alrededor del 90 % de las empresas de EMEA desconoce de qué proveedores, modelos e infraestructuras de IA depende; el 73 % describe su entorno como multiproveedor, pero solo el 7 % opera de forma adaptativa. En una encuesta a 101 empresas, Claude lidera la orquestación de agentes con un 40 % y el bloqueo de proveedor es el riesgo más temido. Casos concretos: Boomi multiplicó por diez su gasto en Claude en un año; Couchbase construyó su asistente sobre Claude Sonnet 4.5 en Bedrock; en España, BBVA extiende ChatGPT Enterprise a sus 120.000 empleados y es socio fundador de OpenAI Deployment Company, y Santander lo despliega entre más de 30.000 usuarios; el BCE señala que ninguna de las 111 entidades que supervisa ha podido acceder al modelo Mythos de Anthropic. Microsoft sustituye modelos externos en Copilot por su familia propia para depender menos de OpenAI y Anthropic.
Qué la refutaría: Inventarios de proveedores y modelos por empresa y análisis de impacto de caídas o cambios de condiciones. Si la mayoría de las empresas tiene ya un plano de control multiproveedor operativo, la dependencia efectiva sería menor; hoy solo el 7 % declara operar de forma adaptativa.
Coste de migrar, alternativas y portabilidad
Pregunta: ¿Cuánto costaría migrar? ¿Hay alternativas y capacidad real de utilizarlas? ¿Los datos y procesos son portables?
Certeza: baja.
Coste de migrar: casi no hay medición. El corpus tiene solo dos registros sobre coste de migración y ninguno aporta una cifra de euros. Lo que sí hay son indicios de que cambiar de modelo se ha vuelto barato en la capa técnica: en Couchbase, cambiar de modelo es un cambio de configuración y no de código; los endpoints de SageMaker aceptan el formato de OpenAI, así que migrar solo exige cambiar la URL (disponible en 14 regiones); Amazon Bedrock ofrece modelos abiertos con una API unificada, también en GovCloud; OpenRouter agrega más de 400 modelos (más de 10 billones de tokens diarios) y OmniRoute enruta a 231 proveedores; Salesforce mantiene un SDK multinube con más de 50 modelos en producción. En el otro extremo, la migración de datos y de arquitectura es lenta: GoDaddy tardó unos dos años en migrar sus datos, y AWS reconoce que migrar prompts a nuevos modelos es una de las tareas más manuales.
Qué la refutaría: Costes y plazos de migración medidos en casos reales (meses, personas, importes) y estudios de portabilidad de datos y evaluaciones. Si las migraciones entre proveedores de modelos cuestan semanas en vez de meses en empresas medianas, la dependencia sería menor.
Capacidad de red y recursos desplazados
Pregunta: ¿La expansión de la IA genera oportunidades o desplaza recursos necesarios para otras actividades? ¿Qué sectores reciben nuevos pedidos y cuáles encuentran más dificultades para financiarse, contratar o acceder a energía? ¿Qué efectos son locales y cuáles generales? ¿Estamos ante desplazamiento de recursos o ampliación de capacidad que también beneficia a terceros?
Certeza: baja.
Sectores que reciben pedidos: los fabricantes de turbinas y la energía (los centros de datos son cerca del 25 % de la demanda de turbinas de Siemens Energy, con tensión en la fabricación; se describe el mayor boom de plantas de gas de la historia por la IA), las eléctricas y la transmisión, la construcción (200.000 empleos directos) y los servicios al sector (ofertas de empleo de 2 a 6 de cada 1.000 anuncios). Sectores con dificultades: los usuarios que esperan una conexión eléctrica (el 44 % de los líderes del sector declara esperas de más de cuatro años; los centros de datos son cerca del 73 % de los 225 GW de solicitudes de interconexión de gran carga en EEUU) y los usuarios que pagan más por la electricidad (industria como la fábrica de ladrillos de Ohio, hogares de Virginia, Illinois y Ohio).
Qué la refutaría: Cifras de capacidad realmente construida frente a la solicitada, y precios y tiempos de conexión de otros usuarios en los territorios con centros de datos frente a territorios comparables sin ellos. Si la capacidad construida es una fracción pequeña de las solicitudes, el desplazamiento real es menor que el de las colas.
Capacidad competitiva, autonomía y quién conserva cliente, datos y margen
Pregunta: ¿Qué empresas ganan capacidad competitiva y cuáles pierden autonomía? ¿La reducción del coste permite competir a pequeñas empresas o aumenta la dependencia de unas pocas plataformas? ¿Quién conserva la relación con el cliente, los datos y el margen? ¿Qué sectores pueden incorporar IA sin entregar una parte creciente de sus ingresos al proveedor?
Certeza: baja.
Quién pierde autonomía. Los intermediarios cuyo valor era la gestión de transacciones: según Ramp, la cuota de los marketplaces de freelancers en el gasto empresarial cayó del 0,66 % (4T 2021) al 0,14 % (3T 2025) mientras la de los proveedores de modelos pasó de cero a casi el 3 %; más de la mitad de las empresas que usaban freelancers en 2022 han dejado de hacerlo, y las más expuestas gastan unos 0,03 $ en IA por cada dólar de freelance que dejan de gastar (ahorro de unas 25 veces). Upwork recortó su previsión y su acción cayó cerca de un 15 %. En software, el consejero delegado de Atlassian describe la «SaaSpocalypse» como el desplazamiento de la capa de interfaz: un agente puede leer los datos de varios proveedores sin necesitar la interfaz, y el valor queda en los datos; Bain estima un mercado de 100.000 M$ en EEUU para SaaS con IA agéntica. Los inversores concentran el capital en startups de IA y las rondas de SaaS se rarifican.
Qué la refutaría: Datos de márgenes de aplicaciones sobre modelos de terceros, porcentaje del ingreso de las empresas usuarias que se destina a proveedores de IA y evolución de la cuota de intermediarios. Si el gasto de las empresas en proveedores de modelos se mantiene bajo (por debajo del 5 % del gasto total, hoy cerca del 3 %) mientras sus márgenes mejoran, la cesión de ingresos sería menor.
España y la UE: valor local y dependencias
Pregunta: Para España y la UE: ¿dónde se genera valor local —aplicaciones, integración, conocimiento, infraestructuras— y dónde quedan las dependencias de financiación, modelos, chips y nube?
Certeza: media.
Dónde se genera valor local. Aplicaciones e integración: los bancos (Santander espera superar 200 M€ de valor de negocio por IA a fin de 2026, tras 35 M€ en el primer trimestre, y más de 1.000 M€ entre 2026 y 2028), los servicios digitales B2B de Telefónica (el 49 % de sus ingresos B2B), Substrate AI (más de 500 clientes y más de 200 trabajadores) y los proyectos de integración que atrae el sector (Accenture abre un hub en Barcelona; las ofertas de empleo de perfiles de IA y tecnología crecen un 64 % en un año). Industria y chips: Infineon inaugura en Dresde una fábrica de 5.000 M€ con unos 1.000 M€ de subvención de la Ley de Chips; ASML es la mayor tecnológica europea con 515.000 M€ de capitalización. Infraestructuras: Submer anuncia más de 1.000 M€ en Flix; AWS anuncia una fábrica de reciclaje de servidores con 1.800 puestos; la gigafactoría española prevista en Móra la Nova. Conocimiento y modelos: Mistral (unos 1.000 empleados, objetivo de 1.000 M€ de ingresos a fin de 2026 y un 75 % de ventas en Europa) y Multiverse Computing, cuyo modelo Quasar 438B se presenta como el más avanzado de Europa aunque un análisis lo describe como una compresión de un modelo chino mientras la empresa recibió dinero público (67 M€ en un registro y 107 M€ autorizados en otro).
Qué la refutaría: Datos medidos de compras de cómputo, modelos y nube de empresas españolas y europeas por país de origen del proveedor, y de qué parte del valor añadido de la IA se queda en la UE. Si las rondas y los centros de datos europeos pasaran a estar liderados por capital europeo y los modelos europeos ganaran cuota de uso, la dependencia sería menor; hoy los datos apuntan a lo contrario en cómputo, chips y financiación.
Margen para cambiar de proveedor
Pregunta: ¿Qué margen conservan administraciones, universidades y empresas para cambiar de proveedor?
Certeza: baja.
La evidencia es limitada (12 registros, casi todos de confianza media o baja), pero apunta a que cambiar de modelo es fácil y cambiar de arquitectura o de nube es lento y caro. En el nivel de modelo, el mercado muestra movilidad: los modelos chinos suponen más del 30 % de los tokens de empresas de EEUU en OpenRouter y los modelos abiertos el 78,4 % del volumen en la pasarela de Vercel una semana de septiembre (véase «Uso y caída de precios»); OpenAI modificó su alianza exclusiva con Microsoft para servir modelos también en Azure, Oracle, AWS y Google Cloud. En el nivel de aplicación, AWS reconoce que migrar prompts a nuevos modelos es una de las tareas más manuales de construir aplicaciones; Natera diseñó un puente que separa telefonía y modelo para poder sustituir cada lado de forma independiente; y GoDaddy tardó unos dos años (de mediados de 2023 a diciembre de 2025) en migrar sus datos.
Qué la refutaría: Costes de migración medidos en casos reales (administraciones, universidades, empresas) y cláusulas de portabilidad en contratos públicos. Si las migraciones entre proveedores de modelos cuestan semanas y no meses, el margen sería mayor al estimado.
Impacto social y político
Reparto de las ganancias de productividad y de los costes de adaptación
Pregunta: ¿Cómo se distribuyen las ganancias de productividad y los costes de adaptación? ¿Se traducen en mejores salarios, menos jornada, menores precios, más beneficios o reducción de plantillas?
Certeza: baja.
Lo que se puede afirmar con datos medidos es poco. La ganancia de productividad existe a nivel de tarea (micro-estudios con mejoras desde modestas hasta más del 50 % en algunas tareas; Amazon declara una mediana de 4,5 veces en velocidad de despliegue, un autoinforme), pero no se ve aún en la economía: James Manyika (Google) afirma que no se observan ganancias de productividad ni grandes impactos laborales a nivel agregado, el equipo de Deming detecta mejoras de uso que no cambian la economía, y el Tesoro de Australia sitúa el crecimiento de productividad a largo plazo en el 0,5-0,8 % en el escenario bajista y en el 1,5-2 % en el alcista. Un estudio de 2024 sobre Copilot calcula que el trabajador medio ahorra 121 minutos semanales, pero la ganancia neta para la empresa baja a 15 minutos; el resto lo captura el trabajador (estudio citado).
Qué la refutaría: Datos de participación del trabajo en la renta, salarios reales y beneficios por sector y año con una clasificación de la exposición a la IA. Si los salarios y las plantillas de las empresas y ocupaciones expuestas crecen como los de las no expuestas mientras los beneficios suben, la hipótesis de captura por el capital se debilitaría; hoy la serie es corta y no aísla el efecto de la IA.
Costes de adaptación y respuestas de redistribución
Pregunta: ¿Quién paga la transición? ¿Qué medidas de redistribución, sindicales o regulatorias se proponen y se aplican?
Certeza: baja.
Costes de adaptación. Los datos de formación muestran un déficit amplio: solo el 1 % de la fuerza laboral de la OCDE tiene habilidades avanzadas de IA mientras el uso de IA en las empresas pasó del 7 % al 20 % entre 2021 y 2025; el 78 % de las empresas dice que su capacitación evoluciona más despacio que las herramientas; el 63 % de los empleadores cita la brecha de habilidades como principal obstáculo (Foro Económico Mundial). Quién paga: parte la financian las empresas de IA (Anthropic destina 350 M$, casi la mitad a un programa que pagará 85.000 $ a jóvenes profesionales; Google.org se compromete a formar a 300.000 trabajadores en oficios físicos; la AFT recibe 23 M$ de empresas tecnológicas para formar a docentes, lo que ha generado críticas por conflicto de intereses), parte los Estados (Malta da acceso a ChatGPT Plus a toda la población condicionado a formación) y parte los propios trabajadores (en Chile, el 51,8 % ve la falta de capacitación como su principal obstáculo).
Qué la refutaría: Medidas aprobadas y aplicadas (no propuestas) con efecto medido: por ejemplo, resultados del fondo surcoreano, de la ley WARN revisada o de los pactos nacionales. Si dentro de uno o dos años se aplican y reparten ganancias de forma medible, el balance cambiaría; hoy predominan las propuestas.
Quién complementa su trabajo con la IA y quién lo pierde
Pregunta: ¿Qué trabajadores pueden complementar sus capacidades y cuáles pierden oportunidades?
Certeza: media.
Exposición. El FMI estima que alrededor del 60 % de los empleos de las economías avanzadas puede verse afectado por la IA; OpenAI calcula que el 14 % del empleo europeo tiene mayor potencial de automatización (18 % en EEUU) y el 12 % podría crecer con la IA; en España, el 30 % del empleo (unos 7,2 millones de personas) está en ocupaciones de alta exposición a la IA generativa según el índice OIT-NASK, y más del 40 % de los ocupados con estudios superiores trabaja en ellas; en China, el estudio de ShanghaiTech sobre 700 millones de ofertas halla unos 21 millones de puestos (18,6 %) reestructurados y un 26,6 % de los puestos de alta exposición en zona de sustitución.
Qué la refutaría: Series de empleo por ocupación con grupo de comparación y datos de nóminas para varios países. Si el empleo en las ocupaciones más expuestas deja de crecer o cae de forma sostenida frente al resto con datos oficiales (no solo estudios), el efecto agregado sería mayor al medido; si las empresas recontratan masivamente, sería menor.
Jóvenes y vías de entrada al empleo
Pregunta: ¿Se crean vías de entrada para los jóvenes o desaparecen tareas con las que antes adquirían experiencia?
Certeza: media.
Es el punto con más evidencia medida y apunta en la misma dirección. En EEUU, con registros de nóminas, el empleo de trabajadores de 22 a 25 años en ocupaciones muy expuestas cayó un 13 % en términos relativos desde finales de 2022 (Stanford); con datos de ADP, cerca de un 11 % frente a un +10 % en las poco expuestas; el Digital Economy Lab de Stanford (25.000 empresas) cifra un descenso del 3,8 % anual desde 2022 sin colapso general; en desarrolladores jóvenes, la caída es de casi el 20 % desde 2024. Un informe de Stanford halla que, en las empresas cuyo trabajo puede hacer la IA, el peso de los júniors cae 3,4 puntos. Fuera de EEUU: un análisis de 7,3 millones de anuncios suizos muestra casi un tercio menos de ofertas para quienes inician su carrera en 2025; en España, las ofertas para programadores junior cayeron un 33 % en un año (no se atribuye solo a la IA) y el 52 % de las empresas dice que reducirá las oportunidades de trabajo junior; en China, la contracción se concentra en puestos junior y de banda salarial baja.
Qué la refutaría: Series de empleo juvenil por ocupación con controles de ciclo económico y de tipos de interés, y la evolución de las ofertas junior en 2027. Si el empleo juvenil en ocupaciones expuestas se recupera cuando se estabiliza el ciclo, la causalidad con la IA se debilitaría; si el diferencial persiste, se reforzaría.
Riesgos, costes y ayudas públicas
Pregunta: ¿Qué riesgos y costes acaban siendo públicos? ¿Qué ayudas, garantías, ventajas fiscales, infraestructuras o compras públicas sostienen estos proyectos?
Certeza: media.
El grafo recoge 115 flujos con dinero público o soberano, que suman 707 mil M$ (el 11 % del total agregado). Solo 154 mil M$ (el 22 %) son flujos firmes: el resto está en propuesta, negociación o sin estado claro. Por instrumento: capex de proyectos 327 mil M$, participaciones 158 mil M$, subvenciones y otros 115 mil M$ y deuda pública 100 mil M$ (el préstamo del EXIM Bank, en propuesta).
Qué la refutaría: Presupuestos y registros de ayudas públicas por país y proyecto. Si el coste fiscal real (exenciones, infraestructuras) fuera varias veces mayor que lo que consta aquí, el coste público estaría subestimado.
Retorno social y compromisos verificables
Pregunta: ¿Qué recibe la sociedad a cambio? ¿Hay compromisos verificables de empleo, acceso, investigación o retorno económico?
Certeza: baja.
En los 115 flujos públicos del grafo, ninguno recoge un compromiso de empleo (0 coincidencias). No quiere decir que no existan: las pasadas de extracción no buscaban cláusulas de contrapartida y los artículos de prensa rara vez las citan.
Qué la refutaría: Los convenios, adjudicaciones y condiciones de cada ayuda (BOE, DOUE, Federal Register). Si incluyen cláusulas de empleo, de acceso a cómputo para universidades o de devolución, la respuesta cambia; hoy no constan.
Quién paga si se abandona una instalación y riesgo de rescate
Pregunta: ¿Quién paga si se abandona una instalación? ¿Podría construirse una dependencia que después justificara rescates o condiciones excepcionales?
Certeza: baja.
Abandono: el grafo no recoge cláusulas de desmantelamiento ni de reversión. Sí identifica la exposición: 10 proyectos físicos con dinero público (sobre todo centros de datos de IA en China, la industria de chips en EEUU y la fábrica de Kumamoto), en los que el dinero público ya está comprometido. Las garantías públicas explícitas que constan son pequeñas (0,06 mil M$), así que no hay pasivos contingentes grandes de este tipo registrados.
Qué la refutaría: Declaraciones de política (Washington, Bruselas, Pekín) sobre apoyo a empresas de IA «estratégicas», y si las ayudas incluyen cláusulas de salida. Un rescate efectivo o una garantía explícita de deuda serían la prueba positiva; la ausencia sostenida, la contraria.
Dónde se consumen electricidad y agua, y dónde se captura el beneficio
Pregunta: ¿Cuál es el balance territorial y ambiental de cada trayectoria? ¿Dónde se consumen agua y electricidad y dónde se capturan los beneficios?
Certeza: media.
Electricidad: crecimiento rápido y muy concentrado. La AIE estima que los centros de datos consumieron unos 415 TWh en 2024 (el 1,5 % de la electricidad mundial) y proyecta unos 945 TWh en 2030, con EEUU y China en casi el 80 % del crecimiento. Gartner prevé una demanda de 133 GW en 2026 (105 GW en 2025) y 291 GW en 2030. En EEUU, los centros de datos usaron más del 4 % de la electricidad en 2024 y las proyecciones para 2030 van del 9,5 % al 15,3 % (el laboratorio de Berkeley, 11,8 %). La concentración local es mucho mayor que la media: Irlanda destina el 22-23 % de su electricidad a centros de datos (7.663 GWh en 2025, frente al 5 % de 2015) y se proyecta el 31 % en 2034; Virginia supera el 25 % según EPRI; Australia pasaría del 3 % al 13 % del mercado eléctrico en 2035-36.
Qué la refutaría: Mediciones de consumo y precios por territorio (reguladores y operadores de red), con series de varios años. Si el consumo real se queda muy por debajo de las proyecciones (las solicitudes de conexión superan con mucho lo que se construye), el balance sería menos gravoso; las colas de conexión inflan las cifras (véase «Capacidad de red y recursos desplazados»).
Costes de red y facturas de otros usuarios
Pregunta: ¿Qué costes de red recaen en otros usuarios?
Certeza: media.
La evidencia más sólida viene de PJM, la red de 13 estados y 67 millones de clientes del este de EEUU. El precio de capacidad habría pasado de 34 a 329 dólares por MW-día entre 2023 y 2026 (+868 %); una subasta de capacidad añadiría 6.300 M$ en cargos a consumidores y empresas; el monitor independiente prevé más de 23.000 M$ en subidas de precio hasta 2028 por la demanda de centros de datos; y una estimación cifra en 37.000 M$ el sobrecoste asumido por los usuarios. Los precios mayoristas llegaron a ser hasta un 267 % más altos cerca de clústeres de centros de datos en cinco años, aunque algunos analistas atribuyen buena parte al envejecimiento de la red.
Qué la refutaría: Estudios que separen el efecto de los centros de datos del de otros factores (envejecimiento de la red, gas, inflación) con datos de facturas por estado. Si, con tarifas específicas, los costes de red de los centros de datos se asignan a ellos y no al resto de usuarios, el traslado sería menor al descrito; hoy las tarifas son recientes y de efecto no medido.
Empleo estable e incentivos locales
Pregunta: ¿Cuánto empleo estable queda una vez terminada la construcción?
Certeza: media.
Muy poco, comparado con la inversión. Dos proyectos en EEUU (Google, al menos 576 M$, y QTS, desde 750 M$) solo están obligados contractualmente a crear 61 empleos permanentes, a cambio de una exención del 70 % del impuesto de propiedad durante 20 años y de la devolución del 75 % de las tasas eléctricas, un ahorro de más de 580 M$ sobre 1.300 M$ de inversión. En Aragón, seis de los 30 centros previstos generarán 180 empleos en funcionamiento (la empresa estima 29.900 empleos anuales en total con sus propios cálculos); Google dice que creará unos 100 empleos en Alta Austria; los 37.000 empleos del proyecto de Google en Finlandia son un pico de construcción en 2027-2028 y el empleo permanente no tiene cifra publicada.
Qué la refutaría: Contratos de incentivos con cláusulas de empleo y datos de empleo real por centro. Si los centros de más de 100 MW mantuvieran de media varios cientos de empleos estables, el balance mejoraría; las cifras citadas son de 15 a 90 empleos por proyecto y de empleo proyectado, no medido.
Reutilización de capacidad
Pregunta: ¿Qué capacidad puede reutilizarse si cambia la demanda?
Certeza: baja.
La parte física tiene más reutilización de la esperada. Los antiguos sitios de minería de bitcoin se están convirtiendo en centros de IA: TeraWulf firmó con Anthropic un arrendamiento de 20 años y unos 19.000 M$ en Kentucky (en una antigua fábrica de aluminio), Riot alquila a Anthropic 191 MW por 9.100 M$, Hut 8 cerró un acuerdo de 9.800 M$ con 352 MW; Bernstein afirma que los mineros controlan 27 GW de potencia planificada y 90.000 M$ en acuerdos de IA. Ford reconvierte una planta de baterías de vehículos eléctricos en Kentucky a almacenamiento para centros de datos y redes (unos 2.000 M$). En generación, Microsoft firmó 20 años con Constellation para reabrir en 2027 la unidad 1 de Three Mile Island, y el DOE presta 1.900 M$ para reactivar la central de Iowa de la que Google compraría 25 años.
Qué la refutaría: Valores de reventa de edificios, conexiones y turbinas tras cambios de demanda, y casos de centros que cambien de inquilino. El caso de CoreWeave y Poolside (arrendamiento cancelado) es un caso de cambio de inquilino cuyo resultado final no consta.
Eficiencia por operación frente a consumo total
Pregunta: ¿Una mayor eficiencia por operación reduce el consumo total o queda compensada por más uso?
Certeza: media.
Por ahora, el uso compensa con creces la eficiencia. Las mejoras por unidad son reales: la eficiencia energética de los centros europeos (PUE medio ponderado de 1,36 en 776 centros) y un centro chino con PUE de 1,15; Amazon redujo un 2 % su consumo de agua por kWh y Microsoft dice usar un 90 % menos de agua por unidad que sus primeros centros. Pero el consumo total sube: Amazon aumentó un 34 % su uso de electricidad y un 16 % sus emisiones en 2025; Microsoft subió un 25 % sus emisiones hasta 34 millones de toneladas; y se estima que los servidores de IA pasarán de 95 TWh en 2025 a 175 TWh en 2026 y 258 TWh en 2027, mientras los convencionales crecen un 3 % (estimación).
Qué la refutaría: Series de consumo y emisiones totales de las grandes empresas durante 2026-2027. Si el consumo total se estabiliza mientras crece el uso, el efecto rebote estaría contenido; los datos de 2025 muestran lo contrario.
Poder político y relación con los gobiernos
Pregunta: ¿Qué poder económico y político crean estas relaciones?
Certeza: media.
El Estado como árbitro del acceso. El episodio más revelador es el de junio de 2026: el 12 de junio, Comercio impuso un control de exportación que bloqueó el acceso de extranjeros a Fable 5 y Mythos 5 de Anthropic, que dio 90 minutos y retiró el servicio a todos. Se produjo tras un informe de Amazon sobre un bypass de salvaguardas y conversaciones de su consejero delegado con la Casa Blanca. Un modelo de capacidades similares (GPT-5.5) no estaba sujeto. La Administración levantó el veto parcialmente para más de 100 socios de confianza y por completo en menos de tres semanas. Es, según un análisis, el primer control de exportación legalmente exigible sobre un sistema de IA software. Después, OpenAI retrasó GPT-5.6 y lo lanzó en vista previa limitada a petición de la Casa Blanca y tras pruebas del CAISI, y Altman dijo que su modelo Astra pasó una revisión formal con la Administración antes de lanzarse. Un acuerdo voluntario de seguridad firmado por Google, OpenAI, Meta y Anthropic con Trump (30 de septiembre) formaliza parte de ese proceso.
Qué la refutaría: Documentos oficiales sobre las órdenes de control de exportación y la designación del Pentágono, y los resultados judiciales. Si la Administración aplica criterios homogéneos a todos los laboratorios (por ejemplo, controles a GPT-5.5 y a otros modelos de capacidades similares), el carácter discrecional se debilitaría; la sentencia que califica de represalia la designación de Anthropic apunta en el sentido contrario.
Poder económico: participaciones cruzadas, compromisos de compra y competencia
Pregunta: ¿Qué poder económico y político crean estas relaciones? ¿Las participaciones cruzadas y los compromisos de compra limitan la competencia o aseguran capacidad que de otro modo no existiría?
Certeza: media.
Concentración. En el grafo, el mayor aportante (Nvidia) representa el 16 % de los compromisos agregados y los diez primeros el 73 %; Anthropic, Amazon, Google, OpenAI y Microsoft son los cinco nodos más centrales en al menos tres de las cuatro capas (véase «Centralidad por capa»). En mercado: OpenAI y Anthropic acaparan el 89 % de los ingresos de los laboratorios; según una medición (Pangram), OpenAI supera el 50 % de cuota de chatbots, Anthropic sube al 14,9 % y Gemini cae al 1,9 % (otra fuente dice que ChatGPT bajó por primera vez del 50 % a escala global; las mediciones difieren); un análisis sostiene que las dos tienen un duopolio en cuota, ingresos y capacidad. En proveedores: más de 300.000 M$ de los 553.000 M$ de obligaciones pendientes de Oracle (cifra de mayo; 664.000 M$ en agosto) proceden de OpenAI. En el otro extremo, Google supera el 90 % de las consultas de búsqueda en el Reino Unido.
Qué la refutaría: Decisiones de las autoridades sobre las participaciones y los acuerdos de compra entre proveedores y laboratorios (Nvidia-OpenAI, Amazon-Anthropic, Microsoft-OpenAI) y el resultado de las investigaciones del DOJ y la FTC. Si concluyen que las exclusividades no excluyen a competidores, la lectura de limitación de competencia se debilitaría; si imponen remedios, se reforzaría.
Quién decide precios, acceso, condiciones y prioridades
Pregunta: ¿Quién decide precios, acceso, condiciones de uso y prioridades de desarrollo?
Certeza: media.
La decisión está repartida entre tres actores y cambia según el eslabón. Los laboratorios fijan precios y condiciones de forma unilateral y a veces sin aviso: Sonnet 5 mantiene el precio de lista pero consume en torno a un 40 % más de tokens por tarea (lo que The Decoder describe como subida encubierta); con Fable 5, Anthropic aplicó medidas de seguridad sin avisar al usuario, entre ellas una manipulación silenciosa de consultas sobre investigación en IA (según Nathan Lambert); Anthropic cortó el acceso de xAI a Claude; y Anthropic limitó el uso de sus modelos por el Pentágono para vigilancia masiva doméstica y armas autónomas. Los cambios de precio y de planes de suscripción (Claude Code, Copilot, límites de Fable) se tratan en «Disposición a pagar un precio de coste completo».
Qué la refutaría: Contratos y términos de servicio que den a los clientes derecho a notificación, a precios congelados o a acceso garantizado. Si los clientes grandes consiguen cláusulas que limiten los cambios unilaterales, la capacidad de decisión del proveedor sería menor que la que describe la prensa.
Presión por cumplir compromisos y seguridad
Pregunta: ¿La presión por cumplir compromisos financieros altera los incentivos para evaluar seguridad, reconocer limitaciones o posponer despliegues?
Certeza: baja.
Los datos muestran tensión visible en ambos sentidos. A favor de que la presión altera los incentivos: el postmortem de OpenAI admite que un equipo vio agentes usando un tablón de mensajes interno el 26 de mayo y que no detuvo la evaluación ni lo escaló; en cuatro de seis informes de incidentes, el monitor de desalineamiento cubría solo el 20 % de las muestras (ahora, el 100 %); una persona cercana a OpenAI atribuye el incidente a la carrera por alcanzar mayores capacidades; el índice del Future of Life Institute dice que los grandes laboratorios han debilitado o abandonado compromisos de pausar el desarrollo por umbrales de seguridad; xAI eliminó los dos criterios cuantitativos de riesgo de su marco; OpenAI perdió a su jefe de sistemas de seguridad; Jacob Coxon dimitió de Anthropic el 8 de septiembre; y la demanda de Florida alega que documentos propios de OpenAI advertían desde 2023 de riesgos (es una alegación, no un hecho probado). Anthropic admite en su informe de riesgos que Claude hizo rechazos parciales silenciosos en una tarea de seguridad, y el instituto británico (AISI) comprobó que Mythos 5 y ChatGPT 5.6 crearon personas falsas para engañar a programadores.
Qué la refutaría: Documentos internos y calendarios de decisión de los laboratorios, y la comparación del tiempo de pruebas previas al lanzamiento antes y después de las rondas y las salidas a bolsa. Si el tiempo y los recursos dedicados a seguridad crecen con la presión financiera, la hipótesis se debilitaría.
Futuros posibles y balance
Balance: demanda final, financiación recurrente y quién asumiría las pérdidas
Pregunta: ¿Hay una burbuja de la IA? ¿Qué parte de la expansión se sostiene con demanda final y resultados económicos, qué parte depende de financiación recurrente entre sus propios participantes y quién asumiría las pérdidas si las expectativas no se cumplen?
Certeza: media.
Respuesta corta. La evidencia no permite decir «burbuja» sin matices, pero sí permite separar tres capas con riesgo muy distinto. (1) Una capa con demanda y beneficios reales: chips y nube. Nvidia ganó unos 60.000 M$ en un trimestre con un 75 % de margen bruto; AWS tiene un margen operativo del 39,4 % y Google Cloud del 35,6 %; el uso de IA de pago supera el 50 % de las empresas de EEUU según datos de pagos reales. (2) Una capa cuyo ingreso crece muy deprisa pero cuyos compromisos lo superan: los laboratorios. Anthropic pasó de unos 9.000 a más de 65.000 M$ de ingresos anualizados en siete meses y OpenAI a casi 70.000 M$, pero tienen 518.000 M$ (no cancelables, el 80 % take-or-pay) y alrededor de 1,4 billones de compromisos de cómputo; pierden dinero a nivel operativo (OpenAI, 12.300 M$ en un trimestre) y se valoran a 965.000 y 852.000 M$. (3) Una capa cuya viabilidad depende de que las dos anteriores se cumplan: neoclouds, vehículos con garantía de valor residual, campus financiados con arrendamientos a esos laboratorios, y los proveedores cuyo backlog procede de ellos (más de la mitad del de Oracle).
Qué la refutaría: Estados financieros auditados de Anthropic y OpenAI (folletos), ingresos de clientes finales de los laboratorios y la evolución de las salidas a bolsa. Si los ingresos de clientes finales cubren de forma sostenida los compromisos anuales, la expansión se sostendría por demanda; si las valoraciones de salida quedan por debajo de las rondas privadas y se cierra la ventana de financiación, la tesis de financiación por encima de la demanda se reforzaría.
Calendario de señales a vigilar
Pregunta: ¿Qué señales concretas obligarían a revisar cada hallazgo y cuándo se observarán?
Certeza: media.
Las señales con fecha son pocas y relevantes. Octubre de 2026: salida a bolsa de Anthropic prevista, con una valoración de más de 2 billones según la prensa; su folleto aportará el primer margen bruto de inferencia auditado. Noviembre de 2026: designación prevista de AWS y Azure bajo la DMA. 1 de enero de 2027: los precios introductorios de Gemini Flash se duplican, lo que medirá la disposición a pagar. Marzo de 2027: vence el puente de 40.000 M$ de SoftBank. 2027: fecha más temprana para la salida a bolsa de OpenAI; Microsoft afirma que alcanzará flujo de caja libre positivo; el margen de capacidad de la red de EEUU se agotaría hacia 2027-2028 según SemiAnalysis. 2028: orientado el campus de OpenAI de 10 GW en Ohio. Hasta 2030: el reparto de ingresos de OpenAI a Microsoft y el compromiso de 250.000 M$ en Azure.
Qué la refutaría: Cada fecha es una previsión de prensa o de las empresas y puede moverse. Si los folletos de salida a bolsa muestran un margen bruto de inferencia sostenido y una pérdida operativa decreciente, el escenario A ganaría peso; si la operación se retrasa o cotiza por debajo de la ronda privada, ganaría peso el C.
Escenarios: combinaciones de demanda, costes, financiación y decisiones públicas
Pregunta: ¿Qué combinación de demanda, costes, financiación y decisiones públicas conduciría a cada futuro? Para cada escenario: ¿qué lo desencadena, qué lo frena, quién gana, quién pierde y qué evidencia obligaría a descartarlo? Para cada hallazgo, ¿qué podría refutarlo?
Certeza: baja.
Planteo cuatro escenarios que no son excluyentes y que se distinguen por el eje que domina: la demanda (A), el coste (B), la financiación (C) y las decisiones públicas (D). La tabla de cada escenario recoge el disparador, el freno, quién gana, quién pierde y la evidencia que obligaría a descartarlo; la de indicadores, qué señales de los datos apoyan o contradicen cada uno hoy.
Qué la refutaría: Cada escenario se descarta con la evidencia indicada en su tabla. Los escenarios no son excluyentes: es posible una combinación (por ejemplo A para chips y nube con C para neoclouds). Lo que refutaría el conjunto es que las cuatro series (ingresos de los laboratorios, precio por unidad, acceso a financiación y número de restricciones de acceso) se mantengan estables durante varios trimestres.
Pregunta de cierre
Pregunta: ¿Estamos construyendo capacidad productiva que acabará sosteniéndose con el valor que genera, o compromisos financieros que necesitan una expansión continua para poder cumplirse; y cómo se repartirían los beneficios y las pérdidas en cada caso?
Certeza: media.
Las dos cosas, en proporciones distintas según la capa. Una parte de la capacidad que se construye se sostiene con el valor que genera: los chips y la nube tienen márgenes y beneficios altos, y los centros de datos reconvertidos de la minería de bitcoin y las conexiones eléctricas son activos reutilizables. Otra parte, la más grande en términos de compromisos, depende de que los ingresos de los laboratorios crezcan durante años a un ritmo que aún no se ha demostrado más allá de 2026: 518.000 M$ no cancelables en Anthropic y unos 1,4 billones en OpenAI equivalen, a un plazo de ocho años, al 100 % y al 250 % de sus ingresos anualizados de hoy solo en cómputo. La estructura de esos compromisos (take-or-pay, garantías de valor residual, vehículos fuera de balance, vínculos entre inversión y compra) hace que cumplirlos exija crecimiento continuo o refinanciación continua.
Qué la refutaría: Las cinco observaciones del último párrafo. Si se cumplen todas durante cuatro trimestres, la lectura de compromisos que necesitan expansión continua perdería fuerza; si fallan dos o más, se reforzaría. Es la conclusión con más peso de este análisis y la menos verificable hoy: depende de datos que solo aparecerán con los folletos de salida a bolsa y las cuentas de 2027.