La carrera de la IA se intensifica: ¿qué modelo dominará?

Los avances en IA llegan más rápido de lo que los usuarios pueden rastrearlos.

El lanzamiento de Gemini 3 de Google, las alianzas de mil millones de dólares alrededor de Claude de Anthropic y las novedades de OpenAI han condensado años de progreso en una sola temporada.

Todas las grandes empresas tecnológicas apuestan por modelos más grandes, nuevos chips y una expansión agresiva en la nube.

Pero la verdadera cuestión es si mejores modelos son suficientes para captar a miles de millones de usuarios, reconfigurar industrias enteras y respaldar las expectativas económicas que se suponen sobre el auge de la IA.

Un mercado que se expande más rápido de lo esperado

La IA está pasando de ser una tecnología especializada y expandiéndose a la sanidad, el comercio minorista, las finanzas, la publicidad y las operaciones empresariales.

Bloomberg Intelligence proyecta que la IA generativa por sí sola podría generar alrededor de 1,8 billones de dólares en ingresos anuales para 2032, lo que equivale a hasta un 16% del gasto tecnológico global.

Esto va acompañado de un cambio en la infraestructura.

Las cargas de trabajo de IA ya representan más del 20% de los ingresos globales de servidores, con previsiones que apuntan al 40% en los próximos años.

El sector también está afectando a la demanda de hardware. Entrenar modelos grandes provocó el primer aumento de gastos, pero la inferencia, el uso cotidiano de la IA en aplicaciones reales, se está convirtiendo en el motor más persistente.

Este cambio importa porque las cargas de trabajo de inferencia no llegan en oleadas.

Se ejecutan continuamente en sistemas de atención al cliente, herramientas de productividad, motores publicitarios y asistentes de codificación.

Las empresas ven esto como el inicio de un largo ciclo de infraestructuras en lugar de un breve aumento vinculado a un puñado de laboratorios de investigación.

¿Puede Gemini atrapar a ChatGPT?

Google acaba de anunciar el lanzamiento de Gemini 3, y esto demuestra lo intensa que se ha vuelto la competencia.

Gemini 3 obtuvo puntuaciones récord en los principales benchmarks de razonamiento e introdujo nuevas capacidades de codificación y agentes.

El modelo está integrado directamente en Search, la app Gemini, Workspace y el Modo IA de Google.

Google informó de 650 millones de usuarios activos mensuales para Gemini y más de 2.000 millones para Resúmenes de IA dentro de Search.

Sobre el papel, esto le da a la empresa una huella de distribución que iguala o incluso supera a ChatGPT.

Sin embargo, mejorar un modelo no es lo mismo que cambiar el comportamiento del usuario.

ChatGPT ha alcanzado recientemente 800 millones de usuarios semanales y sigue siendo la interfaz de IA más conocida para muchos.

La fortaleza del producto no es simplemente el modelo que lo respalda, sino el ecosistema que lo rodea.

Millones de personas usan ChatGPT dentro de GitHub Copilot, Windows, Microsoft 365 y decenas de herramientas de terceros diseñadas específicamente para modelos OpenAI.

Cambiar hábitos es difícil, incluso cuando un competidor es técnicamente mejor en algunas áreas.

Esto crea una dinámica sutil. Google puede igualar o superar a ChatGPT a nivel de modelo, pero eso por sí solo no garantiza una migración de usuarios.

Las mejoras en los modelos importan, pero no funcionan de forma aislada.

El cambio depende de factores económicos y de flujo de trabajo más profundos, como un menor coste para tareas de contexto largo, una integración empresarial más fluida o características únicas que reduzcan la carga operativa de la empresa.

La gente se moverá si la ganancia es claramente visible en su trabajo diario, no porque haya aumentado una puntuación de referencia.

Consolidación, capital y la sombra de una burbuja

La escala financiera en torno a la IA ha crecido lo suficiente como para atraer preguntas de inversores. Algunos acuerdos parecen circulares. Una empresa modelo recauda capital de un proveedor de nube y luego gasta ese capital en los servicios de cómputo del proveedor de nube.

Esta es una de las razones por las que los analistas advierten que partes del sector podrían estar inflando más rápido de lo que los presupuestos empresariales pueden absorber.

Al mismo tiempo, varias empresas siguen registrando cifras de adopción elevadas.

Anthropic dijo a los inversores que cuenta con más de 300.000 clientes empresariales y empresariales y que prevé duplicar o incluso triplicar los ingresos hasta alcanzar alrededor de 26.000 millones de dólares el próximo año.

Google cuenta 13 millones de desarrolladores que utilizan Gemini como parte de su flujo de trabajo.

Aunque estas cifras muestran una tracción real, también ponen de manifiesto lo caro que es expandirse a este nivel. Esta tensión entre el uso real y las expectativas desmesuradas crea un entorno que se parece al ciclo inicial de internet.

El capital es fuerte, las valoraciones son altas y algunas empresas se exceden en exceso.

Sin embargo, es poco probable que la tendencia subyacente se revierta.

La IA ya se está convirtiendo en parte del software y la infraestructura cotidiana, independientemente de qué empresas dominen la gama final.

¿Es NVIDIA vulnerable en un mundo de silicio personalizado?

La posición de NVIDIA en el centro de las cargas de entrenamiento ha generado preocupaciones sobre riesgos a largo plazo mientras Google, Amazon y otros promocionan sus propios chips.

La línea TPU de Google y los chips Trainium e Inferentia de Amazon son señales de una tendencia mayor hacia silicio personalizado diseñado para cargas de trabajo específicas.

La reciente colaboración con Anthropic complica aún más el panorama.

A pesar de la fuerte inversión de Google en sus propios chips, Anthropic se comprometió a alcanzar hasta un gigavatio de capacidad de cómputo utilizando los sistemas Grace Blackwell y Vera Rubin de NVIDIA, apoyada por hasta 10.000 millones de dólares de NVIDIA y 5.000 millones de Microsoft.

A corto plazo, NVIDIA no está perdiendo terreno.

La demanda de computación está creciendo tan rápido que se necesitan tanto GPUs como aceleradores personalizados a la vez.

El riesgo para NVIDIA parece estar más ambicioso.

Si la inferencia se convierte en la carga de trabajo dominante y los hiperescaladores trasladan la mayor parte de ese tráfico a sus propios chips internos, NVIDIA podría enfrentarse a presiones sobre márgenes en lugar de volúmenes.

La formación podría seguir siendo rentable, pero la mezcla de cargas de trabajo se alejaría del segmento más lucrativo de NVIDIA.

Esto no significa que NVIDIA esté en problemas hoy en día. Los próximos tres a cinco años parecen estables porque el apetito por las sesiones de entrenamiento y la computación general sigue siendo enorme.

La amenaza competitiva tiene más que ver con el poder de fijación de precios a largo plazo.

Los hiperescaladores quieren evitar depender de un solo proveedor.

Están invirtiendo en su propio silicio, no para eliminar NVIDIA, sino para negociar desde una posición más fuerte.

¿Qué decidirá a los próximos ganadores?

La carrera de la IA está entrando en una fase en la que el liderazgo depende de algo más que de los avances en los modelos.

La distribución es extremadamente importante, especialmente la capacidad de entregar funciones de IA a cientos de millones de usuarios a través de plataformas que la gente ya utiliza a diario.

La integración también importa, porque las empresas quieren herramientas que se integren en sus flujos de trabajo existentes sin interrupciones.

No hay un único camino hacia la dominancia.

Google puede aprovechar la búsqueda y Android. Microsoft tiene Windows, Office y GitHub.

Anthropic está forjándose un lugar entre las empresas que quieren modelos fiables y transparentes.

OpenAI sigue impulsando la atención del consumidor a través de ChatGPT.

El campo está moldeado por alianzas y rivalidades superpuestas, donde los socios suelen ser también competidores.

La próxima fase de la economía de la IA no recompensará a las empresas solo por el tamaño de sus modelos.

Recompensará a quienes puedan conectar la inteligencia con tareas reales, decisiones reales y un valor económico real.

El poder del modelo se está volviendo abundante. Lo que sigue siendo escaso es la capacidad de convertir ese poder en comportamientos duraderos, flujos de trabajo pegajosos y demanda a largo plazo.