La inteligencia artificial (IA) ha concentrado buena parte del reciente crecimiento económico1 y desempeño bursátil de EE. UU. Desde la irrupción de ChatGPT hace tres años, las llamadas Siete Magníficas2 explican un 60% del incremento acumulado en la capitalización bursátil del S&P 500 y ya representan cerca del 35% del índice. El auge de la IA ha desembocado en esperanzas de una nueva revolución industrial y, a la vez, temores de otra burbuja. Una ambivalencia que se traslada a las valoraciones bursátiles: descansan en expectativas de crecimiento de ingresos notables, pero, a la vez, hay dudas sobre su sostenibilidad, ya sea por si las expectativas defraudan o por los fuertes planes de gasto e inversión que preparan las empresas del sector.3

Aunque las Siete Magníficas se identifican hoy como líderes globales de la IA,4 uno de los interrogantes para saber si podrán rentabilizar a tiempo sus fuertes planes de inversión es la forma que tomará el mercado de la IA y qué empresas emergerán como ganadoras y perdedoras cuando la tecnología madure.

La cadena de valor de la IA ofrece pistas sobre la posible evolución del mercado. Esta cadena tiene cinco eslabones.5 Primero, el poder de computación, con el diseño de microprocesadores y chips de memoria que gestionan cálculos intensos, donde actualmente destaca NVIDIA, en el diseño, y TSMC en la producción. Segundo, la infraestructura, con centros de datos y servicios en la nube (cloud) y una presencia notable de Amazon (Amazon Web Services) y Microsoft (Azure). En tercer lugar, las bases de datos (imágenes, texto, audio) para entrenar la IA. Cuarto, los grandes modelos de IA, como GPT de OpenAI o Claude de Anthropic, que pueden adaptarse a un gran abanico de tareas. Y, por último, las aplicaciones que adecuan los grandes modelos a usos específicos, como Copilot, ChatGPT o Claude Code.

En general, la tecnología actual conlleva necesidades de inversión elevadas y costes fijos altos, lo que puede generar barreras de entrada en la cadena de valor de la IA. Esto aplica especialmente a los dos primeros eslabones, donde también se observan efectos de red que refuerzan la competitividad de las empresas ya establecidas en el mercado frente a potenciales entrantes. Los tres últimos eslabones (datos, modelos y aplicaciones) están, a priori, más abiertos a la competencia (entrenamiento con datos públicos, código abierto para modelos y aplicaciones), pero también exhiben dinámicas que pueden favorecer la concentración de mercado. Por ejemplo, si se agotan los datos públicos como fuente de entrenamiento (algo que distintos expertos ven próximo), se deberá recurrir a datos privados en los que empresas establecidas, como Meta, Google o Microsoft, pueden retroalimentar su ventaja competitiva gracias al elevado volumen de usuarios de sus aplicaciones (redes sociales, como Instagram o LinkedIn, navegación [Google Maps] u ofimática [Microsoft 365]).

Las complementariedades entre los distintos eslabones de la cadena también favorecen el dominio de empresas que integran múltiples eslabones de la cadena de valor de la IA, una integración que ya exhiben las grandes empresas tecnológicas establecidas. Por ejemplo, Google también produce su propio hardware (chips TPU), construye modelos (Gemini) y asocia sus productos entre sí.

La IA no solo demanda investigación puntera, sino también una inversión en infraestructura muy sustancial, asociada especialmente a las necesidades computacionales para almacenar datos y entrenar y usar los modelos. Esta inversión incluye centros de datos, servidores informáticos, sistemas de refrigeración, instalaciones energéticas, etc. Entre las Siete Magníficas, la ambición inversora se ha traducido en crecimientos del capex (gasto en capital) del 50% y 60% en 2024-2025, acelerando hasta el 70% en 2026, según estimaciones y previsiones del consenso de analistas de Bloomberg.

El fuerte crecimiento de la inversión ha provocado un cambio en las estrategias de financiación. En los últimos años, las empresas tecnológicas han aprovechado unas ratios de deuda bajas y una elevada rentabilidad de sus operaciones para financiar sus inversiones con el flujo de caja que ellas mismas generaban. Pero los planes de gasto han crecido tanto que han empezado a recurrir más significativamente a financiación externa (bonos corporativos, préstamos y crédito privado y venture capital6).7

Una estructura habitual para obtener financiación externa enlaza centros de datos, capital privado e inversiones cruzadas entre grandes empresas de IA.8 Típicamente, esta fórmula pasa por formar un consorcio de actores que cree una nueva entidad, que será la propietaria de centros de datos. Ese consorcio incluye, en una posición minoritaria de capital, la propia empresa de IA que pagará el alquiler y operará los centros de datos. Para obtener financiación, la entidad emite deuda, muchas veces canalizada a través de crédito privado9 o de inversores institucionales, y cuyos pagos se respaldan en los ingresos que genera el alquiler de los centros de datos. Según el propio Banco de Pagos Internacionales,10 esta estructura puede generar circularidad y opacidad sobre el endeudamiento real de las empresas de IA. Además, tiende a generar vínculos entre las grandes empresas establecidas de IA (cuando confluyen en los consorcios), del mismo modo que lo hacen otras operaciones de inversión cruzadas entre las empresas líderes.11

En conjunto, la actual cadena de valor de la IA y las estrategias de financiación y acuerdos estratégicos entre las empresas tecnológicas establecidas presentan rasgos favorables a la concentración de mercado y al dominio de los incumbentes. Una concentración que, más allá de ayudar a explicar las valoraciones de los mercados financieros, puede suponer una fuente de inestabilidad.12 Con todo, la evolución efectiva del mercado de la IA es incierta y puede terminar con configuraciones muy distintas. La regulación, la facilidad para construir nuevos modelos y las dependencias de suministros (como chips especializados) serán claves para determinar su estructura final.