Cinco voces del negocio AI advierten sobre los límites del modelo actual

El pasado 6 de mayo, durante la Milken Global Conference celebrada en Beverly Hills, cinco personas que operan en distintos eslabones de la cadena de suministro de IA se sentaron con TechCrunch para hablar sin filtros. El resultado no es un canto al optimismo: escasez de chips, centros de datos en órbita y dudas sobre si la arquitectura técnica dominante es la correcta. Cuando los que construyen el sistema empiezan a preguntarse si los cimientos aguantan, merece la pena escuchar.

La conversación, recogida en este reportaje de TechCrunch, no es el típico panel de conferencia donde todos sonríen y proyectan curvas de crecimiento. Es un diagnóstico colectivo de tensiones reales que afectan a cualquier organización que dependa de infraestructura de IA, desde startups que usan APIs hasta empresas que despliegan modelos propios.

La escasez de chips sigue siendo el cuello de botella real

La demanda de GPUs y aceleradores especializados no ha encontrado alivio significativo. Los intervinientes señalaron que los tiempos de espera para acceder a capacidad de cómputo siguen siendo impredecibles, lo que afecta directamente a los ciclos de entrenamiento y a la planificación de producto. No se trata de un problema de precio solamente: es un problema de disponibilidad física que ninguna cantidad de dinero resuelve a corto plazo si el silicio no existe todavía.

Esto tiene consecuencias prácticas inmediatas. Las empresas que dependen de ventanas de entrenamiento para mantener sus modelos actualizados se ven forzadas a tomar decisiones comprometidas: entrenar menos, entrenar peor o pagar precios spot que distorsionan cualquier modelo de negocio. Para quienes integran Claude u otros modelos vía API, el impacto es menos visible pero igualmente real: se traduce en cambios de latencia, ajustes de precios y, en ocasiones, restricciones de acceso.

Centros de datos orbitales: ¿solución o distracción?

Uno de los momentos más llamativos de la conversación fue la mención a centros de datos en órbita como respuesta potencial a la saturación de la infraestructura terrestre. La idea no es nueva en términos especulativos, pero que aparezca en una conversación entre ejecutivos del sector como opción a considerar en horizonte medio dice algo sobre el nivel de presión que existe sobre la infraestructura convencional.

La lógica es simple: el espacio elimina algunas restricciones de refrigeración y acceso a energía, aunque introduce otras de latencia y mantenimiento que no son triviales. Conviene no tratarlo como ciencia ficción, pero tampoco como solución inminente.

La pregunta que nadie quiere hacer en voz alta

El punto más incómodo del debate fue el cuestionamiento de la arquitectura subyacente. Varios participantes pusieron sobre la mesa la posibilidad de que el paradigma actual —modelos enormes entrenados con cantidades masivas de datos mediante retropropagación en redes transformer— tenga límites estructurales que no se resuelven añadiendo más cómputo ni más datos.

Esto no equivale a decir que los modelos actuales vayan a dejar de funcionar mañana. Claude Opus 4.7, con su ventana de contexto de un millón de tokens, representa el estado del arte que cualquiera puede usar hoy. Pero la pregunta de si este camino lleva adonde la industria prometió que llevaría es legítima, y el hecho de que la formulen personas con skin in the game le da un peso diferente al que tendría en un paper académico.

Para quién importa esto

Este diagnóstico es relevante en varios niveles:

• Equipos de ingeniería que planifican infraestructura propia o evalúan proveedores: la inestabilidad en la cadena de suministro de cómputo debe entrar en sus análisis de riesgo.
• Responsables de producto que construyen sobre APIs de modelos externos: los cambios de precio y disponibilidad no son anomalías temporales, son parte del entorno estructural.
• Directivos que toman decisiones de inversión en AI: la narrativa de rendimientos crecientes ilimitados tiene fisuras reconocidas por los propios arquitectos del sistema.
• Desarrolladores de integraciones y MCP servers: la capa de herramientas y agentes que construimos encima de los modelos hereda la fragilidad de lo que hay debajo.

---

Desde ElephantPink llevamos tiempo viendo cómo la conversación sobre AI oscila entre el triunfalismo y el catastrofismo. Lo que ocurrió en Milken es más interesante que cualquiera de los dos extremos: gente que conoce el sistema por dentro reconociendo que hay tornillos flojos, sin fingir que los tienen todos apretados. Eso, al menos, es un punto de partida honesto.