Después del artículo anterior quedó una pregunta: ¿por qué desregular precisamente ahora y extender al público riesgos antes concentrados entre grandes inversionistas? Para buscar una respuesta no hay que comenzar por China. Primero hay que seguir el dinero.
Antes del regreso de Trump, la industria del private equity ya intentaba acceder a una enorme alcancía: los billones acumulados en los 401(k). Blackstone, Apollo, KKR y otras gestoras necesitan continuamente capital nuevo y compradores para inversiones adquiridas mucho antes y más barato. Trump terminó firmando una orden destinada precisamente a facilitar el acceso de estos activos al ahorro de jubilación.
Aquí aparecen relaciones incómodas. Jared Kushner, yerno y asesor de Trump, tuvo importantes vínculos financieros con ese mundo. Mientras estaba en la Casa Blanca, Apollo y Citigroup proporcionaron conjuntamente más de US$500 millones a Kushner Companies, operaciones posteriormente examinadas por el Congreso. Blackstone participó además en unos US$312 millones de financiamiento para un proyecto de Kushner Companies y un socio.
Está también George Holding, antiguo Managing Director y posteriormente asesor de Blackstone. Su declaración financiera de 2026 registra cientos de miles de dólares en acciones y compensaciones vinculadas a Blackstone y alrededor de US$1,2 millones en salario, bonos y honorarios. Simultáneamente es director de Trump Media & Technology Group.
Esto no demuestra una conspiración. Pero justifica preguntar: cuando el gobierno abre gigantescas fuentes nuevas de capital, ¿quién se beneficia y qué relación mantiene con el poder? El mecanismo es sencillo. Private equity y venture capital compran temprano y necesitan finalmente vender. Facilitar que compañías jóvenes salgan a bolsa crea compradores; abrir los 401(k) a inversiones alternativas crea millones más. Lo que Washington llama “democratizar las oportunidades” puede terminar democratizando las pérdidas.
Y entonces apareció el alfiler chino.
La burbuja estadounidense descansa sobre una premisa: más IA = más GPU = más data centers = más inversión = mayores valoraciones.
DeepSeek atacó precisamente esa ecuación. No creó IA sin chips: demostró que podía obtener resultados competitivos con hardware restringido y muchísimo menos cómputo del que Wall Street consideraba necesario. El mercado comprendió inmediatamente la amenaza: Nvidia perdió cerca de US$600.000 millones de capitalización en un día.
Fue apenas un pinchazo y la burbuja sobrevivió. Pero reveló dónde está su punto débil. DeepSeek, Qwen y otros modelos chinos proponen una IA más eficiente, barata y frecuentemente abierta. Si consiguen capacidades comparables utilizando una fracción de los recursos, China no necesita superar tecnológicamente a Estados Unidos: basta con destruir la ecuación financiera que justifica billones de dólares en infraestructura.
Y aquí aparece la gran paradoja. Una IA muchísimo más barata podría utilizarse mucho más y resultar un extraordinario éxito tecnológico mientras, simultáneamente, revienta las valoraciones construidas alrededor de su supuesta escasez. Centros de datos sobredimensionados, GPU que envejecen rápidamente y deuda contraída para financiarlos tendrían entonces que justificar inversiones realizadas bajo premisas diferentes.
Washington parece haber comprendido el peligro. DeepSeek ya enfrenta restricciones gubernamentales y el Congreso examina modelos de DeepSeek, Alibaba, Moonshot y MiniMax. Existen razones legítimas de seguridad nacional, pero prohibir un chip es una cosa; detener un modelo abierto que puede descargarse, copiarse y ejecutarse localmente es casi intentar detener una ecuación matemática en la aduana.
China no necesita construir más centros de datos que Estados Unidos para pinchar la burbuja. Le basta con demostrar que buena parte de semejante inversión nunca fue necesaria.
Entonces quedará la pregunta verdaderamente incómoda: ¿quién logró salir a tiempo y a quién le dejaron la factura?
La burbuja de la IA II: ¿Que hay detrás de la deregulación? ¿Y los chinos?
-
Anastas Mouradian
- Mensajes: 18
- Registrado: Sab Feb 19, 2022 6:17 pm
Re: La burbuja de la IA II: ¿Que hay detrás de la deregulación? ¿Y los chinos?
Me parece que en este cuento falta una parte importante de la película...Anastas Mouradian escribió: Mié Ago 26, 2026 7:05 pm
...
Y entonces apareció el alfiler chino.
La burbuja estadounidense descansa sobre una premisa: más IA = más GPU = más data centers = más inversión = mayores valoraciones.
DeepSeek atacó precisamente esa ecuación. No creó IA sin chips: demostró que podía obtener resultados competitivos con hardware restringido y muchísimo menos cómputo del que Wall Street consideraba necesario. El mercado comprendió inmediatamente la amenaza: Nvidia perdió cerca de US$600.000 millones de capitalización en un día.
Fue apenas un pinchazo y la burbuja sobrevivió. Pero reveló dónde está su punto débil. DeepSeek, Qwen y otros modelos chinos proponen una IA más eficiente, barata y frecuentemente abierta. Si consiguen capacidades comparables utilizando una fracción de los recursos, China no necesita superar tecnológicamente a Estados Unidos: basta con destruir la ecuación financiera que justifica billones de dólares en infraestructura.
...
Entonces quedará la pregunta verdaderamente incómoda: ¿quién logró salir a tiempo y a quién le dejaron la factura?
Sí. Te refieres al “DeepSeek shock” del 27 de enero de 2025. La idea del párrafo es básicamente correcta, pero hay un matiz importante: DeepSeek no demostró que la IA pudiera funcionar “sin chips” ni que ya no hiciera falta mucho cómputo.
¿Qué ocurrió?
22 de enero de 2025: DeepSeek publicó el artículo técnico de DeepSeek-R1, un modelo de razonamiento cuyo rendimiento se acercaba al de los modelos de razonamiento punteros de OpenAI en varias pruebas.
27 de enero: los mercados reaccionaron con enorme fuerza. Nvidia cayó 16,9% en un solo día, eliminando aproximadamente US$600.000 millones de capitalización bursátil, la mayor pérdida diaria de valor de una empresa cotizada hasta entonces.
¿Por qué fue tan importante?
Porque hasta entonces el mercado estaba construyendo una especie de ecuación:
más capacidad de IA → más modelos grandes → más GPU → más centros de datos → más demanda de Nvidia.
DeepSeek introdujo una duda muy incómoda: ¿y si para conseguir determinado nivel de inteligencia no hace falta aumentar el cómputo de forma tan brutal?
Su modelo DeepSeek-V3, que fue la base tecnológica de R1, tenía 671.000 millones de parámetros totales, pero utilizaba una arquitectura Mixture of Experts que activaba aproximadamente 37.000 millones por token. DeepSeek informó de 2,788 millones de horas-GPU de entrenamiento utilizando 2.048 Nvidia H800, y estimó unos US$5,6 millones de coste de cómputo para ese entrenamiento concreto.
Y aquí está lo que hizo saltar las alarmas: las H800 eran GPUs Nvidia, pero estaban limitadas por las restricciones estadounidenses de exportación y eran menos potentes que las H100. Es decir, DeepSeek no consiguió su resultado sin chips avanzados; consiguió mucho rendimiento con hardware restringido mediante una utilización mucho más eficiente del cómputo.
Entonces, ¿qué estaba descontando Wall Street?
No era simplemente “DeepSeek es mejor que Nvidia”.
Era algo más profundo:
Si la IA puede hacerse mucho más eficiente, quizá necesitemos menos GPU de las que el mercado había supuesto.
Y eso amenazaba directamente el supuesto de crecimiento extraordinario de Nvidia. Un estudio posterior sobre el episodio concluye precisamente que el mercado interpretó el lanzamiento como un shock sobre el valor de la escasez de capacidad de cómputo, no simplemente como una mala noticia para una empresa concreta.
Por eso se produjo una reacción tan exagerada: no se estaba valorando solamente el éxito de un modelo chino; se estaba poniendo en cuestión cuánto hardware sería necesario para construir la próxima generación de IA.
Eso sí: la reacción resultó, al menos en parte, excesiva. DeepSeek seguía necesitando miles de GPUs Nvidia y una enorme infraestructura de cómputo. Y durante 2025 las grandes tecnológicas continuaron aumentando masivamente sus inversiones en infraestructura de IA.
Así que yo reformularía tu frase ligeramente:
DeepSeek no creó IA sin chips: demostró que podía obtener capacidades competitivas con hardware restringido y una eficiencia de cómputo muy superior a la que muchos inversores habían asumido. El mercado interpretó aquello como una amenaza al supuesto de que el crecimiento de la IA exigiría cantidades cada vez mayores de GPU, y Nvidia perdió cerca de US$600.000 millones de capitalización en un solo día.
Esa versión es más precisa históricamente y técnicamente.
...
https://www.larazon.es/economia/nvidia- ... g_rewarded
Sí: el artículo de La Razón es, de hecho, una muy buena manera de explicar qué pasó después del “shock DeepSeek”. Y la conexión es bastante interesante, porque parece una contradicción:
Si DeepSeek demostró que se podía hacer IA de forma mucho más eficiente, ¿por qué Nvidia no terminó perdiendo el negocio de los chips, sino que en 2026 está ganando muchísimo más dinero?
La respuesta es: porque DeepSeek atacó la cantidad de cómputo necesaria por unidad de inteligencia, pero no eliminó la demanda total de cómputo. Y, además, la IA se expandió muchísimo más rápido de lo que cayó el cómputo necesario por modelo.
La secuencia completa
En enero de 2025 ocurrió esto:
DeepSeek → “quizá necesitamos muchas menos GPU para conseguir un modelo potente” → amenaza para Nvidia.
El mercado pensó:
“Si cada modelo necesita menos GPU, quizá las grandes tecnológicas no tendrán que comprar tantas.”
Y por eso Nvidia perdió unos US$600.000 millones de capitalización en un solo día.
Pero mira dónde estamos ahora, en agosto de 2026.
Nvidia acaba de presentar US$96.200 millones de ingresos trimestrales, un 106% más que un año antes, y US$89.000 millones procedentes de centros de datos, un 117% más.
Es decir: la hipótesis “DeepSeek reduce la necesidad de Nvidia” no se ha materializado en términos agregados.
¿Por qué?
Porque hay una distinción fundamental:
Eficiencia ≠ menor demanda total.
Imagina que antes necesitabas:
100 unidades de cómputo para obtener una determinada capacidad de IA.
DeepSeek demuestra que puedes obtenerla con:
20 unidades.
Eso es una amenaza para Nvidia si la cantidad de IA que queremos producir permanece constante.
Pero supongamos que, gracias a que hacer IA se vuelve más barato, el mundo empieza a producir 20 veces más IA.
Entonces:
20 unidades × 20 veces más IA = 400 unidades de cómputo
Has reducido el cómputo por tarea, pero has multiplicado brutalmente el cómputo total.
Y eso es, esencialmente, lo que parece estar ocurriendo.
La paradoja de Jevons aplicada a la IA
Hay un concepto económico muy útil aquí: la paradoja de Jevons.
Cuando una tecnología hace más eficiente el uso de un recurso, uno podría pensar que consumiremos menos de ese recurso.
Pero si esa eficiencia hace que utilizarlo sea mucho más barato, podemos terminar utilizándolo muchísimo más.
Es exactamente la pregunta que planteó DeepSeek.
DeepSeek dijo, en esencia:
“Podemos obtener mucho más rendimiento por cada unidad de cómputo.”
Y el mercado inicialmente interpretó:
“Entonces necesitaremos menos cómputo.”
Pero la evolución posterior sugiere algo diferente:
“Entonces podremos hacer muchísimas más cosas con IA, y necesitaremos cantidades enormes de cómputo para hacerlas.”
Y aquí entra Nvidia 2026
Los resultados publicados ayer son casi una refutación empírica de la interpretación más extrema del episodio DeepSeek.
Nvidia no solo está vendiendo más chips: el negocio de centros de datos está creciendo a una velocidad extraordinaria. En su ejercicio fiscal 2026 ya había alcanzado US$193.700 millones de ingresos de centros de datos; ahora, en un solo trimestre, ha generado unos US$89.000 millones.
Y Jensen Huang está señalando precisamente que la demanda de computación para IA sigue acelerándose. Reuters recoge además que Nvidia espera aproximadamente un 70% de crecimiento de ingresos en su próximo ejercicio, una señal de que la compañía no está viendo una saturación inmediata de la demanda.
Aquí está el giro conceptual:
DeepSeek no necesariamente destruyó la tesis de Nvidia. Podría haberla transformado.
La tesis antigua era:
IA más potente → modelos más grandes → más GPU.
La tesis que parece estar emergiendo es:
IA más eficiente → IA más barata → muchas más aplicaciones, usuarios, agentes y consultas → muchísimo más cómputo total → más GPU.
Y hay una segunda razón todavía más importante
DeepSeek atacó especialmente el entrenamiento.
Pero la gran historia de 2026 es cada vez más el inference: ejecutar modelos una y otra vez para responder preguntas, razonar, generar código, utilizar agentes, analizar documentos, operar sistemas, etc.
Un modelo puede ser muchísimo más eficiente durante su entrenamiento y, aun así, generar una demanda gigantesca de chips si millones o miles de millones de personas y agentes lo utilizan continuamente.
Por eso la frase de Jensen Huang en los resultados de ayer es bastante reveladora: “AI has reached an inflection point” y que la computación ahora está generando ingresos.
Así que yo conectaría las dos historias así
Enero de 2025 — DeepSeek
“¿Y si hemos sobreestimado cuánto cómputo necesita la IA?”
El mercado entra en pánico
Nvidia −16,9% en un día; ~US$600.000 millones de capitalización evaporados.
2025–2026
Los modelos se vuelven más eficientes, pero simultáneamente aparecen razonamiento, agentes, multimodalidad, inference a escala y millones de nuevas aplicaciones.
Agosto de 2026 — Nvidia
US$96.200 millones de ingresos trimestrales; +106% interanual. Centros de datos: US$89.000 millones.
La paradoja
Cada unidad de IA necesita menos cómputo, pero la humanidad quiere producir tantas más unidades de IA que el consumo total de cómputo sigue disparándose.
Y esto cambia bastante la interpretación de aquel desplome de enero de 2025.
DeepSeek tenía razón sobre la eficiencia. El mercado quizá se equivocó al asumir que eficiencia implicaba automáticamente menos demanda total de chips.
De hecho, los resultados de Nvidia de agosto de 2026 son uno de los datos más contundentes hasta ahora para decir que esas dos cosas no son equivalentes.
