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

Por Antonin Bergeaud y Robin Rivaton, Project Syndicate.

PARÍS- ¿El auge de la IA comenzó en aquel 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. En 2020, los investigadores ya habían establecido la lógica básica de la escalabilidad: más potencia de cálculo y más datos producen, como era de esperar, mejores modelos. Posteriormente, a finales de 2022, el lanzamiento público de ChatGPT puso de manifiesto el atractivo de estas tecnologías para el mercado masivo, lo que desencadenó una carrera mundial por el liderazgo en IA.

Sin embargo, los avances científicos por sí solos no desencadenan auges de inversión. Más bien, la IA provocó una sacudida en todo el mercado del ecosistema de los semiconductores y la informática. El transformador abrió una vía tecnológica prometedora; ChatGPT creó el mercado masivo que justificó la inversión a gran escala; y sistemas como Codex ampliaron 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 refrigeración, 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 y premio Nobel Daron Acemoglu y Joshua Linn demostraron que los mercados potenciales más amplios, impulsados por el cambio demográfico, estimulaban 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 sucesivos avances han creado una demanda de una potencia de cálculo aún mayor. ChatGPT creó el mercado que ahora financia el hardware en el que se entrenarán sus sucesores, y la perspectiva de un vasto mercado para la inteligencia artificial ha hecho que la innovación resulte 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 llevan mucho tiempo luchando por aumentar su productividad.

Sin embargo, las tecnologías no mejoran al mismo ritmo de forma indefinida. 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 ralentiza tras un estallido inicial de rápida aceleración. De vez en cuando, sin embargo, 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 supone uno de esos reinicios, pero con un matiz distintivo. En lugar de limitarse a inaugurar un nuevo paradigma tecnológico, ha reiniciado el ciclo de innovación de los semiconductores al crear una demanda nueva y aparentemente insaciable de potencia de cálculo.

LOS LÍMITES DE LA LEY MOORE

Por lo tanto, el auge de la IA se entiende mejor no como un acontecimiento tecnológico aislado, sino como el último capítulo de un ciclo de innovación e inversión que se prolonga desde hace décadas. Desde la invención del transistor en los Laboratorios Bell en 1947, la industria tecnológica se ha visto transformada por sucesivas oleadas de cambio: los ordenadores centrales, los ordenadores 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 potente bucle de retroalimentación: la ley de Moore funcionaba como un círculo virtuoso en el que el progreso tecnológico y la expansión del mercado se reforzaban mutuamente. Una informática más barata permitía nuevas aplicaciones, lo que ampliaba el mercado de la informática y hacía 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 aparición 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 mantenía bajo control las cargas térmicas, lo que permitía que cada nueva generación de chips ofreciera más potencia de cálculo sin requerir inversiones proporcionales en electricidad, refrigeración e infraestructura física.

Ese acuerdo comenzó a desmoronarse a mediados de la década de 2000. Aunque los transistores seguían 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 extendió más allá del propio transistor hasta abarcar toda la pila informática: procesadores multinúcleo, unidades de procesamiento gráfico, aceleradores especializados, memoria de gran ancho de banda (HBM), encapsulado 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 insignificante para los usuarios, pero detrás de su interfaz se esconde un enorme aparato físico. El entrenamiento de modelos de vanguardia requiere enormes cantidades de computación paralela, transferencia de datos a alta velocidad, clústeres densos de chips especializados, refrigeración a escala industrial y electricidad abundante y fiable.

La disrupción de la IA, por 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 de cálculo utilizada para entrenar modelos avanzados de IA se ha duplicado aproximadamente cada cinco meses. Epoch AI estima que la potencia de cálculo dedicada al entrenamiento de modelos de vanguardia se ha multiplicado casi por cinco cada año desde 2020.

Pero la potencia de cálculo es solo uno de los insumos esenciales de la IA. El otro es el inmenso corpus de información digital creado por las oleadas informáticas anteriores. Internet transformó décadas de texto, código, imágenes, audio y vídeo humanos en un vasto archivo digital, mientras que el desplome de los costes de almacenamiento, otra consecuencia de los avances imparables en la fabricación de semiconductores, hizo que resultara 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 bucle de retroalimentación de la ley de Moore: unos modelos mejores aumentan el valor de la potencia de cálculo 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 de cálculo.

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, a lo largo de décadas, de CUDA, la plataforma a través de la cual los desarrolladores utilizan sus chips, junto con sus bibliotecas de software, su experiencia técnica, su diseño avanzado de circuitos integrados y la coordinación de la 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 potencia de cálculo en vastas plataformas e infraestructuras en la nube. Su ventaja competitiva no se basa en una única 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, equipos de fabricación, capacidad de encapsulado 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, al tiempo que externalizaban 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 supuso una ruptura radical con décadas de complacencia por no tener fábricas propias, al destinar aproximadamente 52 mil millones de dólares en financiación pública 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 hasta los 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 tiene previsto utilizar para su acelerador Maia de próxima generación.

Mientras tanto, la apuesta de Taiwán por TSMC, que se remonta a décadas, sigue dando frutos extraordinarios. La empresa está funcionando, en la práctica, sus líneas de producción de 3 nm a plena capacidad, y, según se informa, 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 rival de Taiwán han convertido su llamado «escudo de silicio» en una realidad estratégica: la seguridad de la isla es ahora una cuestión de interés estratégico vital para EE. UU. 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.

Teniendo esto en cuenta, Corea del Sur puso en marcha una iniciativa de política industrial que, en 1983, la convirtió en el tercer país del mundo, tras 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 llamativa 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, comenzando por el montaje y las pruebas subcontratados de semiconductores (OSAT), que comprenden las etapas finales de la producción de chips tras 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 encapsulado por contrato a la integración de chiplets y al encapsulado 2.5D, lo que permite que los procesadores y la memoria se comuniquen a velocidades mucho mayores. JCET es ahora la tercera empresa OSAT más grande del mundo, con unos ingresos anuales de 5 mil millones de dólares.

Desde el encapsulado, China pasó a la memoria. Según se informa, los chips DDR5 de CXMT, la última generación de DRAM, alcanzan los 8 mil megatransferencias por segundo, lo que permite a los fabricantes chinos plantar cara al oligopolio formado por Samsung, SK Hynix y Micron.

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

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

Las cifras hablan por sí solas: China produce ahora aproximadamente el 35 % de sus equipos de semiconductores a nivel nacional, y las empresas locales suministran más del 40 % de las herramientas utilizadas en procesos de fabricación clave, como el grabado y la deposición de películas finas. Aunque el país sigue estando 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 los semiconductores fueran una industria madura a punto de ser desplazada. En cambio, el auge de la IA ha convertido a los semiconductores en un campo de batalla central en la pugna por la supremacía tecnológica y militar.

EL PRÓXIMO CUELLO DE BOTELLA DE LA IA

A medida que se desmorona el muro de separación entre los diseñadores de chips y los fabricantes de chips 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 están diseñando ahora 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. Dado que el cuello de botella estratégico se está desplazando del diseño de chips a la fabricación y al encapsulado avanzado, los gobiernos de todo el mundo están invirtiendo decenas de miles de millones de dólares para ampliar la fabricación nacional de chips.

Las implicaciones van mucho más allá de los semiconductores. La Agencia Internacional de la Energía prevé que el consumo eléctrico de los centros de datos se duplicará con creces para 2030, hasta alcanzar aproximadamente los 945 teravatios-hora, poco menos del 3 % del consumo eléctrico mundial. Contrariamente a lo que se suele creer, el principal reto no es construir más centros de datos, sino conseguir los terrenos, los equipos, la capacidad de la red eléctrica y los permisos necesarios para ponerlos en funcionamiento.

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

Estas capacidades están distribuidas de forma desigual entre las principales economías del mundo. Estados Unidos combina un vasto mercado continental, mercados de capitales profundos, proveedores de servicios en la 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 encapsulado 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 sectores en los que la innovación depende de la escala, la capacidad física es tan importante como el ingenio científico. La IA no es una excepción, ya que la competencia pasa de desarrollar mejores modelos a la inferencia, es decir, ejecutarlos de forma eficiente una vez que han sido entrenados. Si bien el entrenamiento sigue siendo esencial, satisfacer la creciente demanda a bajo coste puede ser el mayor reto.

El coste de ejecutar 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 del sector sitúan a los servidores en torno al 60 % del coste anualizado de funcionamiento de un gran centro de datos, mientras que la energía representa el 7 %. Pero a medida que el hardware se abarate y se estandarice más, la electricidad representará una parte cada vez mayor del coste, lo que convertirá el acceso a una energía abundante y fiable en el factor que separe a los ganadores de los perdedores.

La carrera por los chips es, por lo tanto, también una carrera energética. Al fin y al cabo, un procesador menos eficiente no supone una desventaja decisiva si la electricidad es abundante y barata. Esto, a su vez, reconfigura la geografía de la IA: dado que los centros de datos pueden construirse prácticamente en cualquier lugar, disponer de electricidad fiable y de bajo coste es más importante que la proximidad a las ciudades.

En este sentido, el impulso de China durante la última década para ampliar 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 mantener una economía basada en la IA requiere tanto una reforma institucional como una profunda transformación física.

En el ámbito institucional, China está creando un mercado eléctrico nacional más integrado. Todas las provincias están obligadas a gestionar 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 reto físico es aún mayor: la demanda de electricidad per cápita alcanzó los 7.5 megavatios-hora en 2025, casi el doble de la media mundial y muy por encima del escaso 1 MWh registrado en 2000. Será necesaria una amplia expansión de las infraestructuras de generación y transmisión.

Independientemente de si China tiene éxito o no, la naturaleza de la competencia tecnológica ha cambiado radicalmente. 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. Copyright: Project Syndicate, 2026.

Antonin Bergeaud es catedrático de Economía en HEC París.

Robin Rivaton es director general de Stonal, una empresa tecnológica europea, asesor en inteligencia artificial de la confederación empresarial francesa MEDEF y miembro del think tank Fondapol, con sede en París. Es autor de ocho libros.