Del coste marginal cero al coste de oportunidad: teoría de la agregación en la era de la IA

La inteligencia artificial (IA) está transformando drásticamente la economía del sector tecnológico, marcando la transición de la «Teoría de la agregación» («Aggregation Theory») hacia una nueva era definida por los costes de oportunidad computacionales.

# Del coste marginal cero al coste de oportunidad

Durante la década de 2010, empresas como Google, Facebook y Netflix dominaron el mercado gracias a la «Teoría de la Agregación», la cual se apoyaba en productos digitales con un coste marginal igual a cero; añadir un usuario más no costaba prácticamente nada. Eso es lo que permitió a estas empresas construir imperios con márgenes brutales.

Con la IA cambia esta ecuación de raíz (de momento) ya que la computación se vuelve extremadamente intensiva y costosa, rompiendo esa premisa. La capacidad de cálculo para entrenar y ejecutar modelos es escasa, rivalizable y cara. Cada GPU que Microsoft dedica a Copilot es una GPU que no puede vender en Azure. Y el precio de esa computación sube un 48% en dos meses. Ya no hablamos de coste marginal: hablamos de coste de oportunidad.

# Anthropic, Mythos y la «destilación»

Anthropic anunció «Mythos», su modelo de IA más avanzado, argumentando que restringiría su acceso general debido a los graves riesgos de ciberseguridad. Sin embargo en este artículo de Stratechery el autor señala que existen motivos económicos: falta de capacidad (Anthropic ya sufre escasez de procesamiento) y protección contra la competencia (evitar la «destilación», técnica que empresas rivales utilizan para entrenar modelos baratos imitando los resultados de IA de vanguardia).

Abrir un modelo más potente al uso masivo cuando ya sufres escasez de computación es suicida. Además, si publicas el modelo y tus competidores lo usan para entrenar los suyos a una fracción de tu coste, estás jodido.

En economía esto se llama «apropiabilidad imperfecta»: la restricción de acceso como barrera de entrada. Es la única forma que tienen, temporalmente, de defender su ventaja competitiva.

# La ventaja estratégica de Meta

Por esta razón le conviene publicar sus modelos. Cada modelo que libera es una bomba de fragmentación para sus rivales; les fuerza a elegir entre cobrar menos o reducir márgenes. Meta, que no monetiza el modelo sino los datos que genera, no tiene ese problema. Y los datos de uso de su IA mejoran directamente el negocio que realmente le importa: el publicitario.

# El dilema de OpenAI

Meta presentó «Muse Spark«, un modelo multimodal y de razonamiento. A diferencia de Amazon, Microsoft, Google o incluso OpenAI, Meta no tiene un negocio en la nube o clientes corporativos que atender. Esto significa que no tiene costes de oportunidad en ese sentido: puede destinar todos sus recursos de IA exclusivamente al mercado de consumidores finales para fortalecer su negocio de publicidad.

OpenAI está apostando agresivamente por ampliar su capacidad de infraestructura y servidores para no perder terreno frente a Anthropic. Sin embargo, la empresa se enfrenta a la gran tentación de descuidar su masivo mercado de consumidores (ChatGPT) para destinar su limitado procesamiento computacional al desarrollo de agentes autónomos para empresas, los cuales resultan mucho más rentables.

OpenAI tiene un problema clásico de asignación con capacidad limitada: cada GPU que va a ChatGPT no va a los agentes B2B, que generan más ingreso por unidad. La lógica financiera de corto plazo empuja hacia los agentes. El riesgo: degradar ChatGPT hasta que los usuarios migren, y en mercados con efectos de red, recuperar usuarios perdidos es casi imposible. La propia CFO lo reconoció en público: están tomando decisiones muy difíciles sobre qué no perseguir. La pregunta es si la computación alcanza para las dos apuestas.

# ¿Sigue viva la «teoría de la agregación»?

Aunque en el corto plazo la escasez de procesadores dicta las reglas del juego, Thompson concluye que la esencia de la «Teoría de la Agregación» sigue vigente. A largo plazo, controlar la demanda de los usuarios será más determinante que controlar la oferta de servidores. Las empresas que logren atraer a los usuarios generarán los ingresos suficientes para costear todo el poder de procesamiento necesario.

La escasez de computación es el problema de hoy, y durará años. La demanda de usuarios es el activo de mañana. Las empresas que en este período de restricción consigan no perder usuarios (aunque ofrezcan menos calidad, aunque crezcan más despacio) habrán preservado lo único que el dinero no puede comprar rápidamente cuando el hardware se abarate: el historial de uso, los datos, y el hábito. En ese momento, la «Teoría de la agregación» vuelve a mandar. Quien tenga la demanda, gana.

# Implicaciones para tu negocio

Aunque no controlas la computación, la compras. Y lo que describe este artículo implica tres cosas concretas para empresas como la tuya:

1/ El acceso a los mejores modelos ya no será universal. Anthropic ha limitado su modelo más avanzado a 40 organizaciones en el mundo. Si tu propuesta de valor depende de estar en la frontera tecnológica de IA, tendrás que justificar por qué mereces estar en ese club, o conformarte con modelos de segunda generación.

2/ Los precios seguirán subiendo. Los GPUs más potentes han subido un 48% en dos meses. Quien dependa de IA intensiva en computación necesita incorporar esto a su modelo de costes (y negociar contratos con cabeza, no con urgencia).

3/ Viene una ola de diversificación. Las empresas que no puedan pagar por los mejores modelos buscarán alternativas: modelos más pequeños, despliegues locales, proveedores alternativos. Esta fase de escasez es, paradójicamente, una oportunidad para quienes sepan moverse antes de que se dispare la demanda de esas alternativas.

Profundizar -> La paradoja de Veblen en la IA