La frase que no encaja con el relato del boom de la IA

El propio presidente y consejero delegado de IBM acaba de decir en un podcast tecnológico de referencia, en público y para que quede constancia, que las cuentas detrás de las mayores apuestas de infraestructura del sector no cuadran. Hablando con Nilay Patel en el podcast Decoder de The Verge en agosto de 2026, Arvind Krishna expuso un cálculo sencillo: construir un gigavatio de capacidad de centro de datos de IA cuesta, según su propia estimación, entre 60.000 y 80.000 millones de dólares solo en chips. Multiplicado por los cerca de cien gigavatios ya comprometidos en todo el mundo, la factura asciende a entre 6 y 8 billones de dólares. En el extremo superior de ese rango, dijo Krishna, solo los intereses de ese capital exigirían cerca de 800.000 millones de dólares al año en beneficios para poder pagarlos, antes de que nada de eso cubra siquiera el propio hardware. "No creo que exista tanto ingreso incremental", dijo, añadiendo que a la mitad del nivel de gasto actual las cuentas "cuadran perfectamente", pero al doble, algunas empresas simplemente no generarán un retorno suficiente.

Nada de esto suena a tesis bajista de un fondo de cobertura ni a consigna de activista. Es el consejero delegado de una empresa que lleva tres décadas construyendo y vendiendo infraestructura informática empresarial, haciendo el mismo tipo de cálculo de economía unitaria que haría un director financiero antes de firmar un compromiso de capital - y obteniendo una cifra que no cuadra.

Esto no es una cita aislada

El motivo para tomarse en serio la cifra es que Krishna no se la inventó para una sola entrevista. Hizo el mismo argumento, con la misma estimación de 60.000 a 80.000 millones de dólares por gigavatio, en el podcast In Good Company de Norges Bank Investment Management con Nicolai Tangen ya en mayo de 2026 - cuatro meses, un ciclo de resultados y un entrevistador y un público totalmente distintos antes de repetirlo en Decoder. Una única frase llamativa puede ser una línea ensayada pensada para un momento concreto. Que la misma economía unitaria concreta sobreviva a dos conversaciones extensas y sin guion, separadas por meses, se parece más a un modelo que el equipo de Krishna usa realmente en interno que a un mensaje preparado para un solo ciclo de noticias.

Esa distinción importa para cualquiera que deba decidir cuánto peso dar a la afirmación. Una cita aislada invita a preguntarse por el contexto y el estado de ánimo del día; una cifra repetida de forma consistente en dos entrevistas separadas, con cuatro meses y un ciclo de producto de diferencia, invita a la pregunta más difícil de que pruebas la cambiarían.

Por que importa quien lo dice

Por que importa: IBM no es un árbitro neutral en el debate sobre la economía de la infraestructura de IA, y eso es precisamente lo que hace que la cifra merezca comprobarse en lugar de descartarse. El negocio de IA empresarial de IBM se basa en software, consultoria y despliegues más pequeños y a medida para clientes corporativos, no en la expansión de centros de datos de hiperescala que financian Amazon, Alphabet, Microsoft y Meta - solo estas cuatro empresas gastaron 725.000 millones de dólares en infraestructura de IA en 2026, un aumento del 77 por ciento respecto al año anterior. Si se enfria la carrera de los hiperescaladores, intensiva en capital, el modelo más lento y de mayor margen de IBM resulta relativamente más atractivo para los mismos compradores corporativos a los que se dirige Krishna. Ese interés comercial no hace que sus cuentas estén equivocadas - la estimación de coste por gigavatio y el cálculo de cobertura de intereses pueden verificarse contra las divulgaciones públicas de gasto de capital -, pero es un hecho que cualquier empresario que sopese su advertencia debería tener en cuenta junto con la propia cifra.

La misma semana en que circularon los comentarios de Krishna, Applied Materials presentó ingresos trimestrales récord y elevó su previsión para 2026 a un crecimiento de más del 30 por ciento en el gasto en equipos de semiconductores, un resultado construido enteramente sobre el supuesto de que la expansión que Krishna cuestiona sigue acelerándose. Applied Materials vende las herramientas que construyen las fábricas que fabrican los chips que van a los centros de datos - se beneficia de que se gaste capital, independientemente de si ese gasto de capital llega a recuperarse para las empresas que lo realizan. Dos empresas, la misma semana, dos intereses económicos completamente distintos sobre si Krishna tiene razón.

La conclusión para quien firme un contrato de infraestructura de IA

La conclusión: la respuesta correcta ante una advertencia así no es aceptarla porque la haya dicho una persona con credibilidad, ni descartarla porque esa persona tenga algo que ganar si resulta tener razón. Es tratar las afirmaciones concretas y verificables - entre 60.000 y 80.000 millones de dólares en chips por gigavatio, entre 6 y 8 billones de dólares de gasto total comprometido, unos 800.000 millones de dólares al año de beneficio necesario para cubrir intereses en el extremo superior de ese rango, y dos o tres empresas de modelos que sobreviven frente a un mercado que descuenta entre seis y doce - como un modelo que poner a prueba contra la propia exposición, no como un veredicto que aceptar o rechazar según la reputación de quien lo pronuncia.

Para cualquier empresario u operador con compromisos plurianuales de infraestructura de IA, ya sea un contrato de nube, un arrendamiento de colocación o la dependencia de un número reducido de proveedores de modelos punteros, el ejercicio práctico es sencillo: aplicar las propias cifras de Krishna a los proveedores concretos de sus contratos, y tratar la concentración en dos o tres contrapartes, en lugar de las seis a doce que descuenta actualmente el mercado, como el escenario base sobre el que planificar y no como el riesgo de cola frente al que simplemente asegurarse.

Leer a continuación: AMD lo superó todo. La acción cayó un 8 por ciento  |  Anthropic busca gastar 6.000M para abaratar su cómputo