El silicio, y no el software, decidirá la carrera de la IA

La carrera de la IA ya no se trata solo de crear mejores modelos. A medida que la competencia pasa del descubrimiento científico a la implementación, el éxito depende cada vez más de la potencia de cómputo, los semiconductores avanzados, la infraestructura física y los mercados lo suficientemente grandes como para justificar las enormes inversiones que requieren.

PARÍS—¿El auge de la IA comenzó en ese momento simplemente como resultado de avances científicos? A primera vista, así parecería. La arquitectura Transformer —la base de los grandes modelos de lenguaje actuales— se presentó en 2017. Para 2020, los investigadores habían establecido la lógica básica de la escalabilidad: más capacidad computacional y más datos producen, como es de esperarse, mejores modelos. Luego, a finales de 2022, el lanzamiento público de ChatGPT reveló el atractivo de estas tecnologías para el mercado masivo, lo que desencadenó una carrera global por el liderazgo en IA.

Sin embargo, los avances científicos por sí solos no desencadenan booms de inversión. Más bien, la IA provocó una sacudida en todo el mercado del ecosistema de semiconductores y computación. El transformador abrió un camino tecnológico prometedor; ChatGPT creó el mercado masivo que justificó la inversión a gran escala; y sistemas como Codex extendieron la demanda a aplicaciones como el desarrollo de software.

Lo que siguió fue una ola de inversión sin precedentes, impulsada por una combinación de innovación algorítmica, avances en hardware y la aparición de un mercado masivo para la inteligencia artificial. A pesar de todo el revuelo que rodea a los modelos de vanguardia, el futuro de la IA depende de los procesadores, los equipos de red, los sistemas de enfriamiento, la electricidad, las plataformas en la nube y la capacidad organizativa para coordinarlo todo.

Los economistas reconocen desde hace tiempo que el tamaño del mercado determina la trayectoria de la innovación. En un influyente artículo de 2004, el economista ganador del Premio Nobel Daron Acemoglu y Joshua Linn demostraron que los mercados potenciales más grandes —impulsados por el cambio demográfico— impulsó la innovación farmacéutica.

La misma lógica se aplica a la IA, aunque con una salvedad importante. En el sector farmacéutico, el impacto en la demanda provino de fuera de la industria a medida que las poblaciones envejecían. Con la IA, por el contrario, los avances sucesivos han generado una demanda de una potencia computacional aún mayor. ChatGPT creó el mercado que ahora financia el hardware en el que se entrenarán sus sucesores, y la perspectiva de un mercado enorme para la inteligencia artificial ha hecho que la innovación sea mucho más rentable. Esto es cierto no solo para los semiconductores, el software, las redes y la infraestructura de centros de datos, sino también en sectores como la energía y la construcción, que desde hace tiempo han tenido dificultades para aumentar la productividad.

Sin embargo, las tecnologías no mejoran al mismo ritmo indefinidamente. A medida que maduran, se enfrentan a rendimientos decrecientes, lo que hace que los avances posteriores sean cada vez más difíciles. Esto ayuda a explicar por qué el progreso tecnológico a menudo se desacelera tras un impulso inicial de rápida aceleración. Sin embargo, en ocasiones surge un nuevo paradigma tecnológico que reinicia el «reloj de la innovación» —un mecanismo descrito en un trabajo reciente del economista y premio Nobel Philippe Aghion y sus coautores.

La IA es uno de esos reinicios, pero con un giro distintivo. En lugar de simplemente inaugurar un nuevo paradigma tecnológico, ha reiniciado el ciclo de innovación de los semiconductores al crear una demanda nueva y aparentemente insaciable de potencia computacional.

Los límites de la Ley de Moore

Por lo tanto, el auge de la IA se entiende mejor no como un evento tecnológico aislado, sino como el capítulo más reciente de un ciclo de innovación e inversión que se extiende a lo largo de décadas. Desde la invención del transistor en los Laboratorios Bell en 1947, la industria tecnológica se ha transformado gracias a sucesivas oleadas de cambio: las computadoras centrales, las computadoras personales, Internet, los dispositivos móviles, la computación en la nube y, ahora, la IA.

Estas oleadas suelen describirse como la consecuencia inevitable de la ley de Moore —la observación de que el número de transistores en un circuito integrado se duplica cada dos años—. Pero esta interpretación pasa por alto un poderoso ciclo de retroalimentación: la ley de Moore funcionó como un círculo virtuoso en el que el progreso tecnológico y la expansión del mercado se reforzaban mutuamente. Una computación más económica permitió nuevas aplicaciones, lo que amplió el mercado de la computación e hizo rentable la inversión continua en chips, herramientas de fabricación, memoria, software e infraestructura digital.

A diferencia de las oleadas informáticas anteriores, la IA ejerce una enorme presión sobre la infraestructura física, desde el procesamiento paralelo y el ancho de banda de la memoria hasta las interconexiones de alta velocidad y la capacidad de los centros de datos. Para agravar el problema, su surgimiento se produjo tras el colapso del acuerdo energético que sustentaba la ley de Moore.

Durante décadas, la ley de Moore se complementó con el principio de escalado de Dennard: a medida que los transistores se hacían más pequeños, podían funcionar a un voltaje más bajo. Esto mantuvo las cargas térmicas bajo control, lo que permitió que cada nueva generación de chips ofreciera más potencia de cómputo sin requerir inversiones proporcionales en electricidad, refrigeración e infraestructura física.

Esa ventaja comenzó a desmoronarse a mediados de la década de 2000. Aunque los transistores siguieron reduciéndose, el voltaje ya no podía disminuir tan rápidamente, lo que impedía que los procesadores funcionaran más rápido sin sobrecalentarse. Para mantener el progreso, la innovación se expandió más allá del transistor en sí para abarcar toda la pila computacional: procesadores multinúcleo, unidades de procesamiento gráfico, aceleradores especializados, memoria de alto ancho de banda (HBM), empaquetamiento avanzado de chips, infraestructura de nube a hiperescala y redes de alta velocidad.

La IA generativa es la primera aplicación para el mercado masivo que aprovecha al máximo esta arquitectura «post-Dennard». Un chatbot puede parecer ligero para los usuarios, pero detrás de su interfaz se esconde un enorme aparato físico. El entrenamiento de modelos de vanguardia requiere grandes cantidades de computación paralela, transferencia de datos a alta velocidad, clústeres densos de chips especializados, refrigeración a escala industrial y electricidad abundante y confiable.

La disrupción de la IA, por lo tanto, no se limita al software; también tiene que ver con el capital físico, la energía y la capacidad industrial. Según el Índice de IA 2025 de Stanford, la cantidad de potencia computacional utilizada para entrenar modelos avanzados de IA se ha duplicado aproximadamente cada cinco meses. Epoch AI estima que la potencia computacional dedicada al entrenamiento de modelos de vanguardia se ha multiplicado casi por cinco cada año desde 2020.

Pero la computación es solo uno de los insumos esenciales de la IA. El otro es el inmenso conjunto de información digital creado por las oleadas informáticas anteriores. Internet transformó décadas de texto, código, imágenes, audio y video humanos en un vasto archivo digital, mientras que la caída de los costos de almacenamiento —otra consecuencia de los avances implacables en la fabricación de semiconductores— hizo que fuera económico conservar prácticamente todo ello. El preentrenamiento es, en efecto, el proceso de comprimir todos esos datos en un modelo estadístico.

El resultado es una dinámica que se refuerza a sí misma y que recuerda al antiguo ciclo de retroalimentación de la ley de Moore: los mejores modelos aumentan el valor de la potencia computacional adicional; los mayores rendimientos esperados justifican una mayor inversión en aceleradores, memoria, capacidad en la nube y electricidad; y esas inversiones amplían las capacidades de los modelos de IA de vanguardia al aliviar los cuellos de botella que los limitan, lo que permite nuevas aplicaciones que impulsan aún más la demanda de potencia computacional.

En este contexto, queda claro por qué las empresas de IA dominantes en la actualidad son aquellas que coordinan las inversiones complementarias necesarias para convertir los avances científicos en valor económico. La ventaja competitiva de Nvidia, por ejemplo, se basa en el desarrollo de CUDA —la plataforma a través de la cual los desarrolladores utilizan sus chips—, que lleva décadas, junto con sus bibliotecas de software, su experiencia técnica, su empaque avanzado y la coordinación de su cadena de suministro.

La posición dominante de TSMC refleja igualmente el valor de su experiencia en fabricación. Amazon, Microsoft y Google, por el contrario, convierten la demanda dispersa de computación en vastas plataformas e infraestructura en la nube. Su ventaja competitiva no se basa en una sola tecnología, sino en su capacidad para coordinar capital, hardware, software y electricidad a una escala extraordinaria.

Política industrial para la era de la IA

La señal más clara de que el silicio sigue siendo el núcleo de la revolución tecnológica actual es que todas las grandes potencias consideran ahora el control de la cadena de suministro de semiconductores como un activo estratégico. La IA puede parecer una revolución del software, pero sus limitaciones siguen siendo físicas: procesadores, memoria, equipo de fabricación, capacidad de empaque y electricidad. Esto ha transformado la fabricación de chips de una industria privada en un campo de batalla geopolítico.

Estados Unidos es un ejemplo claro. Durante varias décadas, prescindir de las fábricas permitió a las empresas estadounidenses especializarse en el diseño de chips mientras subcontrataban la fabricación a productores extranjeros. Esta división del trabajo ayudó a Estados Unidos a mantener su liderazgo tecnológico, incluso cuando la producción avanzada se concentró en Taiwán.

Sin embargo, el aumento de las tensiones geopolíticas ha llevado a los responsables políticos a redescubrir la importancia estratégica de la capacidad de fabricación. La Ley CHIPS y de Ciencia de EE. UU. de 2022 marcó una ruptura radical con décadas de complacencia por parte de las empresas sin fábricas propias, al comprometer aproximadamente 52 mil millones de dólares en fondos públicos y catalizar más de 450 mil millones de dólares en inversiones privadas anunciadas para la producción nacional de semiconductores.

Los efectos ya son visibles. TSMC ha aumentado recientemente su inversión prevista en su megaproyecto de Arizona a 265 mil millones de dólares, y Apple se ha reservado más de la mitad de la capacidad inicial de producción de dos nanómetros (2 nm) de la empresa. La planta Fab 52 de Intel en Arizona ya está produciendo chips 18A, que, según se informa, Microsoft planea utilizar para su acelerador Maia de próxima generación.

Mientras tanto, la apuesta de Taiwán por TSMC, que se remonta a décadas, sigue dando dividendos extraordinarios. La empresa está operando efectivamente sus líneas de producción de 3 nm a plena capacidad, y se informa que la demanda de sus chips de nodo avanzado supera a la oferta en una proporción de aproximadamente tres a uno. Las capacidades de fabricación sin igual de Taiwán han convertido su llamado «escudo de silicio» en una realidad estratégica: la seguridad de la isla es ahora un asunto de interés estratégico vital para Estados Unidos y sus aliados.

La experiencia de Corea del Sur pone de relieve otro punto crítico de la IA: la memoria. Los responsables políticos surcoreanos comprendieron hace mucho tiempo lo que a sus homólogos europeos aún les cuesta reconocer: la memoria sigue siendo un activo estratégico, incluso cuando parece estar fácilmente disponible en los mercados mundiales.

Con eso en mente, Corea del Sur lanzó una iniciativa de política industrial que, en 1983, la convirtió en el tercer país del mundo, después de Estados Unidos y Japón, en producir chips DRAM de 64K. Samsung y SK Hynix aprovecharon esa ventaja inicial para formar, junto con la empresa estadounidense Micron, un oligopolio que controla más del 90 % del mercado mundial de DRAM. SK Hynix también se ha convertido en el principal proveedor de HBM, un insumo fundamental para el entrenamiento de modelos de IA de vanguardia.

China ofrece la demostración más impactante de lo que puede lograr una política industrial ambiciosa. En las últimas décadas, ha ascendido en la cadena de valor de los semiconductores desde abajo hacia arriba, comenzando con el ensamblaje y las pruebas subcontratados de semiconductores (OSAT), que comprenden las etapas finales de la producción de chips después de la fabricación. Las empresas occidentales descartaron en gran medida este segmento por considerarlo un negocio de bajos márgenes, pero China lo trató como un punto de entrada estratégico.

Esa apuesta ha dado sus frutos. Empresas como JCET, Tongfu y Huatian han pasado del empaque por contrato a la integración de chiplets y al empaque 2.5D, lo que permite que los procesadores y la memoria se comuniquen a velocidades mucho más altas. JCET es ahora la tercera empresa OSAT más grande del mundo, con ingresos anuales de 5 mil millones de dólares.

Desde el ensamblaje, China pasó a la memoria. Según se informa, los chips DDR5 de CXMT —la última generación de DRAM— alcanzan las 8,000 megatransferencias por segundo, lo que permite a los productores chinos desafiar el oligopolio de Samsung, SK Hynix y Micron.

El siguiente paso fue la fabricación. SMIC, la fundición líder de China, ahora produce los aceleradores de IA Ascend de Huawei utilizando el multipatroneado con ultravioleta profundo, una técnica que amplía las capacidades de los sistemas de litografía más antiguos mediante una serie de pasos de fabricación adicionales.

Para finales de 2025, según se informa, China había alcanzado la última frontera de la industria: la litografía. Tras mucho ensayo y error, un consorcio chino desarrolló un prototipo de una máquina de ultravioleta extremo (EUV), la tecnología más avanzada para la fabricación de chips y la más difícil de replicar. Las autoridades esperan poner la tecnología en producción para 2028, aunque algunas personas cercanas al proyecto consideran que 2030 es una fecha más realista.

Las cifras hablan por sí solas: China produce actualmente alrededor del 35 % de su equipo para semiconductores a nivel nacional, y las empresas locales suministran más del 40 % de las herramientas utilizadas en procesos clave de fabricación, como el grabado y la deposición de películas delgadas. Aunque el país aún se encuentra rezagado en litografía, software de diseño y fotorresinas, ha desarrollado capacidades nacionales en casi todas las etapas de la cadena de valor de los semiconductores.

Estas inversiones no tendrían mucho sentido si la industria de los semiconductores fuera un sector maduro a punto de ser desplazado. Por el contrario, el auge de la inteligencia artificial ha convertido a los semiconductores en un campo de batalla central en la contienda por la supremacía tecnológica y militar.

El próximo cuello de botella de la IA

A medida que se desmorona la barrera que separaba a los diseñadores de chips de los fabricantes —y que definió las décadas de los noventa y los 2000—, el modelo «fabless» está dando paso a una nueva forma de integración vertical. Desde el TPU de Google y el Trainium de AWS hasta el Maia de Microsoft, los hiperescaladores que dominan la computación en la nube ahora están diseñando sus propios aceleradores de IA.

Sin embargo, estas empresas siguen dependiendo de TSMC para fabricar sus aceleradores personalizados de vanguardia. Resulta que la reintegración vertical se detiene en la puerta de la fundición. A medida que el cuello de botella estratégico se desplaza del diseño de chips a la fabricación y al empaquetamiento avanzado, los gobiernos de todo el mundo están invirtiendo decenas de mil millones de dólares para expandir la fabricación nacional de chips.

Las implicaciones van mucho más allá de los semiconductores. La Agencia Internacional de Energía proyecta que el consumo de electricidad de los centros de datos se duplicará con creces para 2030, hasta alcanzar aproximadamente 945 teravatios-hora —poco menos del 3 % del consumo mundial de electricidad—. Contrario a lo que se cree comúnmente, el principal desafío no es construir más centros de datos, sino asegurar el terreno, el equipo, la capacidad de la red eléctrica y los permisos necesarios para operarlos.

La lección para los responsables de políticas es clara. Los modelos de vanguardia son importantes, pero solo constituyen una capa de la pila de IA. El liderazgo tecnológico también requiere potencia de cómputo, electricidad, infraestructura en la nube, semiconductores avanzados, ingenieros calificados y mercados lo suficientemente grandes como para justificar una inversión sostenida.

Estas capacidades están distribuidas de manera desigual entre las principales economías del mundo. Estados Unidos combina un vasto mercado continental, mercados de capital profundos, proveedores de nube líderes a nivel mundial y empresas dispuestas a implementar nuevas tecnologías a gran escala. Las ventajas de China, por el contrario, residen en su capacidad para alcanzar la autosuficiencia en toda la cadena de valor de los semiconductores, desde el empaque hasta la litografía. Europa, por su parte, ha tenido dificultades para convertir la excelencia científica en liderazgo industrial, al tratar la innovación como un problema de investigación y la implementación como algo secundario.

En las industrias donde la innovación depende de la escala, la capacidad física es tan importante como el ingenio científico. La IA no es la excepción, ya que la competencia pasa de desarrollar mejores modelos a la inferencia, es decir, ejecutarlos de manera eficiente una vez que han sido entrenados. Si bien el entrenamiento sigue siendo esencial, satisfacer la creciente demanda a bajo costo puede ser el mayor desafío.

El costo de operar un modelo de IA se reduce, en última instancia, a sus insumos físicos: semiconductores, electricidad, refrigeración y el capital invertido en centros de datos. Hoy en día, las estimaciones de la industria sitúan a los servidores en alrededor del 60 % del costo anualizado de operar un gran centro de datos, mientras que la energía representa el 7 %. Pero a medida que el hardware se vuelva más barato y estandarizado, la electricidad representará una parte cada vez mayor del costo, lo que hará que el acceso a una energía abundante y confiable sea el factor que separe a los ganadores de los perdedores.

Por lo tanto, la carrera por los chips es también una carrera por la energía. Después de todo, un procesador menos eficiente no es una desventaja decisiva si la electricidad es abundante y barata. Eso, a su vez, redefine la geografía de la IA: dado que los centros de datos pueden construirse prácticamente en cualquier lugar, contar con electricidad confiable y de bajo costo es más importante que la proximidad a las ciudades.

En este sentido, el esfuerzo de China durante una década por expandir y modernizar su sistema eléctrico podría resultar tan trascendental como las apuestas de Corea del Sur y Taiwán por los semiconductores hace una generación. Pero sostener una economía de IA requiere tanto una reforma institucional como una profunda transformación física.

En el ámbito institucional, China está construyendo un mercado eléctrico nacional más integrado. Se exige a cada provincia que opere un mercado mayorista de electricidad, mientras que la proporción de electricidad comercializada entre provincias ha aumentado del 18 % en 2017 a aproximadamente el 24 % en 2024. El desafío físico es aún mayor: la demanda de electricidad per cápita alcanzó los 7,5 megavatios-hora en 2025 —casi el doble del promedio mundial y un aumento respecto a apenas un MWh en 2000—. Se requerirá una amplia expansión de la infraestructura de generación y transmisión.

Independientemente de si China tiene éxito o no, la naturaleza de la competencia tecnológica ha cambiado de manera fundamental. Durante décadas, se consideró una carrera para ampliar las fronteras de la ciencia y el diseño de semiconductores. Hoy en día, es una carrera para construir la infraestructura física que haga que los avances científicos sean comercialmente viables. Ahora que se ha reiniciado el reloj del silicio, el próximo ciclo de innovación se medirá tanto en vatios como en nanómetros.