En resumen: podría existir una burbuja de IA en ciertos sectores, especialmente en aplicaciones que imitan a otras, valoraciones basadas en narrativas y grandes inversiones en infraestructura con alto endeudamiento, a pesar de que la adopción de la IA ya está muy extendida. Si su uso no se traduce en ingresos estables y una mejora en la rentabilidad, cabe esperar una depuración. Si los contratos, el flujo de caja y la retención de clientes se mantienen, se tratará más de un cambio estructural que de una euforia pasajera.
Una señal reveladora: el uso ya está muy extendido (por ejemplo, el Índice de IA de Stanford informa que el 78 % de las organizaciones dijeron que usaban IA en 2024, frente al 55 % del año anterior), pero un uso amplio no equivale automáticamente a fuentes de beneficios duraderas. [1]
Conclusiones clave:
Claridad de capas: define si te refieres a valoración, financiación, narrativa, infraestructura o espuma de producto.
Brecha de monetización: Comparar la adopción con los ingresos; el uso generalizado no garantiza la obtención de beneficios.
Economía unitaria: medir el costo de inferencia, los márgenes, la retención, la recuperación de la inversión y la carga de corrección humana.
Riesgo de financiación: los supuestos de utilización de las pruebas de estrés; el apalancamiento más los largos períodos de recuperación de la inversión pueden colapsar rápidamente.
Retrasos en la gobernanza: El trabajo relacionado con la fiabilidad, el cumplimiento, el registro de datos y la rendición de cuentas ralentiza los plazos de "demo a producción".
Artículos que quizás te interese leer después de éste:
🔗 ¿Son confiables los detectores de IA para detectar la escritura de IA?
Descubra qué tan precisos son los detectores de IA y dónde fallan.
🔗 ¿Cómo uso la IA en mi teléfono a diario?
Formas sencillas de utilizar aplicaciones de IA para tareas cotidianas.
🔗 ¿Es la conversión de texto a voz una IA y cómo funciona?
Comprenda la tecnología TTS, sus beneficios y casos de uso comunes en el mundo real.
🔗 ¿Puede la IA leer la escritura cursiva de notas escaneadas?
Vea cómo la IA maneja la cursiva y qué mejora los resultados de reconocimiento.
¿Qué quiere decir la gente cuando dice “burbuja de IA”?
Generalmente es uno (o más) de estos:
-
Burbuja de valoración: los precios implican una ejecución casi perfecta durante mucho tiempo
-
Burbuja de financiación: demasiado dinero persiguiendo demasiadas startups similares
-
Burbuja narrativa: “La IA lo cambia todo” se convierte en “La IA lo arregla todo mañana”.
-
Burbuja de infraestructura: centros de datos masivos y ampliaciones de energía financiadas con supuestos optimistas
-
Burbuja de productos: muchas demostraciones, menos productos pegajosos y de uso diario
Así que cuando alguien pregunta "¿Existe una burbuja de IA?", la verdadera pregunta es: ¿de qué capa estamos hablando?
Un rápido ancla de realidad: ¿qué está pasando?
Algunos datos fundamentados ayudan a distinguir entre “espuma” y “cambio estructural”:
-
La inversión es enorme (especialmente en IA generativa): la inversión privada global en IA generativa alcanzó los 33.900 millones de dólares en 2024 (Índice de IA de Stanford). [1]
-
La energía ya no es un tema secundario: la AIE estima que los centros de datos consumieron alrededor de 415 TWh en 2024 (aproximadamente el 1,5 % de la electricidad mundial) y proyecta unos 945 TWh para 2030 en un escenario base (poco menos del 3 % de la electricidad mundial). Esto representa un real , y también un real para la previsión y la financiación si la adopción o la eficiencia no se mantienen. [2]
-
El “dinero real” está fluyendo a través de la infraestructura principal: NVIDIA reportó ingresos de $130.5 mil millones para el año fiscal 2025 y $115.2 mil millones en ingresos anuales por centros de datos , lo que está muy lejos de “no tener fundamentos”. [3]
-
Adopción ≠ ingresos (especialmente en empresas pequeñas): una encuesta de la OCDE reveló que la IA genérica se utiliza en el 31 % de las pymes, y entre las pymes que la utilizan, el 65 % informó de una mejora en el rendimiento de los empleados, mientras que el 26 % informó de un aumento en los ingresos. Valioso, sí, pero también evidencia que la monetización es desigual. [4]
¿Qué hace que una versión de prueba de burbuja de IA sea buena? ✅🫧
Una buena prueba de burbujas no se limita solo a las vibraciones. Comprueba aspectos como:
1) Adopción vs. monetización
El hecho de que la gente utilice la IA no significa automáticamente que la gente pague lo suficiente por ella (o que pague lo suficiente durante el tiempo suficiente) como para justificar los precios actuales.
2) Economía unitaria (la verdad poco atractiva)
Buscar:
-
márgenes brutos
-
costo de inferencia por cliente (lo que le cuesta generar el resultado que desean)
-
retención y expansión
-
período de recuperación
Una definición rápida e importante: el coste de inferencia no es "gasto en la nube". Es el coste marginal de ofrecer valor : tokens, latencia, tiempo de GPU, medidas de seguridad, intervención humana, control de calidad, repeticiones y todo el trabajo oculto para "hacerlo fiable".
3) Herramientas vs. aplicaciones
La infraestructura puede ser ventajosa incluso si muchas aplicaciones abandonan el mercado, porque todos siguen necesitando recursos informáticos. (Por eso, en parte, la idea de que "todo es una burbuja" suele fallar)
4) Apalancamiento y financiación frágil
La deuda, los largos ciclos de amortización y la tensión narrativa son los puntos débiles, especialmente en infraestructura, donde las suposiciones de utilización son cruciales. La AIE utiliza explícitamente escenarios/casos de sensibilidad porque la incertidumbre es real. [2]
5) Una afirmación falsable
No “la IA será grande”, sino “estos flujos de efectivo justifican este precio”
El caso del “sí”: señales de una burbuja de IA 🫧📈
1) La financiación está muy concentrada 💸
Se han acumulado enormes cantidades de capital en cualquier cosa etiquetada como "IA". La concentración puede significar convicción o sobrecalentamiento. Los datos del Índice de IA de Stanford muestran la magnitud y rapidez de la ola de inversión, especialmente en IA generativa. [1]
2) “Narrative premium” está haciendo mucho trabajo 🗣️✨
Verás:
-
Las empresas emergentes recaudan fondos rápidamente antes de que el producto se ajuste al mercado
-
Lanzamientos “lavados con IA” (mismo producto, nueva jerga)
-
valoraciones justificadas por una narrativa estratégica
3) Los lanzamientos empresariales son más accidentados que el marketing 🧯
La brecha entre la demostración y la producción es real:
-
problemas de confiabilidad
-
alucinaciones (una palabra elegante para "confiadamente equivocado")
-
Dolores de cabeza por el cumplimiento y la gobernanza de datos
-
ciclos de adquisiciones lentos
Esto no es solo “FUD”. Los marcos de riesgo como el RMF de IA del NIST enfatizan explícitamente válidos y confiables, seguros, protegidos, responsables, transparentesy privacidad mejorada ; es decir, el trabajo de la lista de verificación que frena la fantasía de “lanzarlo mañana”. [5]
Un patrón de lanzamiento compuesto (no se trata de una sola empresa, sino de una película común):
Semana 1: a los equipos les encanta la demostración.
Semana 4: el departamento legal/de seguridad solicita gobernanza, registro y controles de datos.
Semana 8: la precisión se convierte en el cuello de botella, por lo que se incorporan personas "temporalmente".
Semana 12: el valor es real, pero es menor que el de la presentación inicial, y la estructura de costos es muy diferente a la esperada.
4) El riesgo de expansión de infraestructura es real 🏗️⚡
El gasto es enorme: centros de datos, chips, energía, refrigeración. La proyección de la AIE de que la demanda mundial de electricidad para centros de datos podría duplicarse aproximadamente para 2030 es una clara señal de que esto está sucediendo, y también un recordatorio de que no realizar suposiciones sobre la utilización de los recursos puede convertir activos costosos en un arrepentimiento. [2]
5) El tema de la IA se extiende a todo 🌶️
Compañías eléctricas, equipos de red, refrigeración, bienes raíces... la historia se mueve. A veces es racional (las limitaciones energéticas son reales). A veces es navegación temática.
El caso del “no”: por qué no se trata de una clásica burbuja total 🧊📊
1) Algunos jugadores principales tienen ingresos reales (no solo narrativos) 💰
Un sello distintivo de las burbujas puras son las grandes promesas, los fundamentos minúsculos. En la infraestructura de IA, existe una gran demanda real con un respaldo financiero real; la escala reportada por NVIDIA es un ejemplo visible. [3]
2) La IA ya está integrada en los flujos de trabajo cotidianos (el trabajo cotidiano es bueno) 🧲
Atención al cliente, programación, búsqueda, análisis, automatización de operaciones: gran parte del valor de la IA reside en aspectos prácticos y discretos, no en lo llamativo. Ese es el tipo de patrón de adopción que las burbujas tecnológicas no tener.
3) La escasez computacional no es imaginaria 🧱
Incluso los escépticos suelen admitirlo: se está utilizando este sistema a gran escala. Y escalar el uso requiere hardware y energía, lo que se refleja en una inversión real y una planificación energética real. [2]
Dónde el riesgo de burbuja parece más alto (y más bajo) 🎯🫧
Mayor riesgo de espuma 🫧🔥
-
Aplicaciones de imitación sin foso y con costes de cambio casi nulos
-
Las startups basan sus precios en el “dominio futuro” sin haber demostrado retención de clientes.
-
Apuestas a infraestructuras sobreapalancadas con largos periodos de recuperación y supuestos frágiles
-
Afirmaciones de "agente totalmente autónomo" que en realidad son flujos de trabajo frágiles con confianza
Menor riesgo de formación de espuma (aún no está libre de riesgos) 🧊✅
-
Infraestructura vinculada a contratos reales y uso
-
Herramientas empresariales con ROI medible (tiempo ahorrado, tickets resueltos, tiempo de ciclo reducido)
-
Sistemas híbridos: IA + reglas + intervención humana (menos atractivo, más confiable) y más alineados con lo que los marcos de riesgo impulsan a los equipos a construir. [5]
Tabla comparativa: lentes para una rápida comprobación de la realidad 🧰🫧
| lente | mejor para | costo | Por qué funciona (y el truco) |
|---|---|---|---|
| Concentración de la financiación | inversores, fundadores | varía | Si el dinero inunda un tema, puede generarse espuma… pero la financiación por sí sola no crea una burbuja |
| Revisión de economía unitaria | operadores, compradores | costo de tiempo | Fuerza la pregunta "¿esto vale la pena?" - también revela dónde se esconden los costos |
| Retención + expansión | equipos de productos | interno | Si los usuarios no vuelven, es una moda, lo siento |
| Comprobación de financiación de infraestructura | macro, asignadores | varía | Excelente para detectar el riesgo de apalancamiento, pero difícil de modelar a la perfección (los escenarios importan) [2] |
| Finanzas públicas y márgenes | todos | gratis | Anclajes a la realidad: aún pueden tener precios a futuro demasiado agresivos |
(Sí, es un poco desigual. Así es como se siente la verdadera toma de decisiones)
Una lista de verificación práctica de AI Bubble 📝🤖
Para productos de IA (aplicaciones, copilotos, agentes) 🧩
-
¿Los usuarios regresan semanalmente sin que se les dé ningún empujón?
-
¿Puede la empresa aumentar los precios sin que la rotación de clientes se dispare?
-
¿Cuánta producción necesita corrección humana?
-
¿Existen datos propietarios, dependencia del flujo de trabajo o distribución?
-
¿Los costos de inferencia están cayendo más rápido que los precios?
Para infraestructura 🏗️
-
¿Hay compromisos firmados o sólo “interés estratégico”?
-
¿Qué sucede si la utilización es menor de lo esperado? (Modele un escenario con dificultades, no solo el escenario base). [2]
-
¿Se financia con gran deuda?
-
¿Existe algún plan si cambian las preferencias de hardware?
Para los “líderes de IA” del mercado público 📈
-
¿Está creciendo el flujo de caja o es solo la historia?
-
¿Los márgenes se están expandiendo o comprimiendo?
-
¿Depende el crecimiento de un pequeño conjunto de clientes?
-
¿La valoración asume un dominio permanente?
Comida para llevar de cierre 🧠✨
¿Existe una burbuja de IA? Algunos sectores del ecosistema muestran un comportamiento de burbuja, especialmente en aplicaciones de imitación, valoraciones que priorizan la historia y cualquier desarrollo con alto apalancamiento.
Pero la IA en sí misma no es “falsa” ni “solo marketing”. La tecnología es real. Su adopción es real , y podemos señalar inversiones reales, proyecciones reales de demanda energética e ingresos reales en infraestructura básica. [1][2][3]
En resumen: se prevé una reestructuración en los sectores más débiles o con mayor apalancamiento. El cambio subyacente continúa, solo que con menos ilusiones y más análisis en tablas.
Ejemplo práctico: Probar un copiloto de asistencia con IA antes de considerarlo un sistema con un "retorno de la inversión real"
Guión
Imaginemos una empresa SaaS de 35 empleados que considera la posibilidad de incorporar un asistente virtual con IA a su equipo de atención al cliente. El producto luce impresionante en las demostraciones: resume las incidencias, redacta respuestas y sugiere enlaces al centro de ayuda. Pero el equipo quiere saber si realmente aporta valor o si se trata simplemente de otro producto de IA impulsado por la euforia del mercado.
En lugar de comprar la herramienta basándose únicamente en la demostración, el responsable de soporte técnico realiza una prueba piloto de dos semanas con 100 tickets históricos reales, pero anonimizados. El objetivo es sencillo: ¿puede el copiloto reducir el tiempo de redacción de respuestas sin aumentar los errores, los reembolsos ni las escaladas de incidencias?
Lo que necesita el asistente
El equipo le da al copiloto:
-
30 artículos aprobados del centro de ayuda
-
20 ejemplos de excelentes respuestas anteriores
-
Reglas de reembolso, cancelación y escalamiento
-
una lista de frases que la marca evita
-
una regla clara de que las disputas de facturación, las amenazas legales y los clientes empresariales enojados deben ser atendidos por un humano
Ejemplo de instrucciones
Eres un asistente de soporte para una empresa de software como servicio (SaaS) B2B. Redacta una respuesta útil utilizando únicamente los artículos y las notas de política aprobados del centro de ayuda. Si la respuesta es incierta, indica qué información falta y recomienda escalar el problema. No inventes características del producto, reglas de reembolso ni plazos de entrega. Mantén un tono tranquilo, específico y práctico.
Cómo probarlo
Utilice un pequeño conjunto de pruebas antes de implementarlo:
-
Selecciona 100 incidencias anteriores relacionadas con facturación, configuración, errores, cancelaciones y acceso a la cuenta.
-
Mide cuánto tiempo tardan los agentes en redactar respuestas sin el copiloto.
-
Cronometra la misma tarea con el copiloto.
-
Solicite a un agente de soporte senior que califique cada borrador como "listo para enviar", "necesita una edición ligera", "necesita una edición importante" o "no seguro".
-
Incrementos de recuento, reclamaciones de pólizas delirantes, enlaces de ayuda erróneos y problemas de tono.
Resultado
Resultado ilustrativo: basado en la medición del tiempo de 100 tickets de muestra antes y después del flujo de trabajo.
Antes de la implementación del sistema de asistencia, los agentes dedicaban un promedio de 6 minutos y 40 segundos a redactar cada primera respuesta. Con el sistema de asistencia, el promedio se redujo a 2 minutos y 25 segundos.
Eso ahorra aproximadamente 4 minutos y 15 segundos por boleto. Con 1500 boletos al mes, eso equivale a unas 106 horas de tiempo de redacción ahorradas mensualmente.
La calidad sigue importando. En la misma prueba:
-
Sesenta y un borradores estaban listos para enviar
-
28 necesitaban una edición ligera
-
8 necesitaban una edición importante
-
Tres fueron marcados como inseguros porque inventaron una regla de reembolso o no cumplieron con un desencadenante de escalada
Eso significa que la herramienta era valiosa, pero no autónoma. Una implementación sensata permitiría a los agentes usarla para los primeros borradores, manteniendo la revisión humana como obligatoria.
¿Qué puede salir mal?
El mayor error es medir únicamente la velocidad. Un copiloto que ahorra dos minutos pero genera errores en los reembolsos, riesgos de incumplimiento normativo o clientes insatisfechos puede destruir más valor del que crea.
Otros errores comunes incluyen:
-
Pruebas solo con boletos fáciles
-
permitir que la IA responda con documentación de ayuda obsoleta
-
ignorando el costo de la revisión humana
-
contabilizar los “borradores generados” en lugar de los “borradores enviados correctamente”
-
no hacer un seguimiento de si los clientes reciben mejores respuestas
Información práctica para llevar
Una prueba piloto de IA funciona mejor a nivel básico. No te preguntes si la demostración parece ingeniosa. Pregúntate si el flujo de trabajo ahorra tiempo cuantificable, mantiene bajos los índices de error y sigue funcionando incluso después de contabilizar los costes ocultos de revisión, gobernanza y correcciones.
Preguntas frecuentes
¿Existe una burbuja de IA en estos momentos?
Podría existir una "burbuja de IA" en capas específicas, en lugar de en todo el ecosistema de IA. Esta espuma tiende a acumularse en aplicaciones de imitación, valoraciones basadas en historias y apuestas en infraestructuras con un alto nivel de deuda, financiadas con supuestos optimistas de utilización. Al mismo tiempo, la adopción ya es generalizada, y algunos actores clave de infraestructura están registrando ingresos tangibles. El resultado depende de si el uso se consolida en flujos de caja duraderos y retención.
¿Qué quieren decir las personas cuando hablan de “burbuja de IA”?
La mayoría de la gente se refiere a una o más de cinco cosas: una burbuja de valoración, una burbuja de financiación, una burbuja narrativa, una burbuja de infraestructura o una burbuja de producto. La confusión radica en que la "IA" combina todas estas capas en un solo titular. Si no se define la capa, pueden acabar discutiendo sin entenderse. Una pregunta más clara es qué parte parece sobrecalentada y por qué.
¿La adopción generalizada de IA demuestra que el mercado no es una burbuja?
No necesariamente. Su uso generalizado es real, pero la adopción no se traduce automáticamente en ganancias duraderas. Las organizaciones pueden usar la IA de forma experimental, con bajo gasto o difícil de monetizar a escala. La prueba clave es si la adopción se traduce en ingresos recurrentes, ampliación de márgenes y una alta retención. Si esto no se cumple, aún podría haber una reorganización incluso con un uso elevado.
¿Cómo puedo saber si la adopción de IA se está convirtiendo en ingresos reales?
Un enfoque práctico consiste en monitorizar la adopción frente a la monetización a lo largo del tiempo, no solo las estadísticas puntuales de uso. Busque evidencia de que los clientes pagan lo suficiente, siguen pagando durante el tiempo suficiente y aumentan el gasto a medida que escalan el uso. La monetización desigual puede ser más evidente en empresas pequeñas, donde las ganancias de productividad no se traducen inmediatamente en ingresos. Si el aumento de los ingresos es inconsistente, las valoraciones pueden superar los fundamentos.
¿Qué unidades económicas son las más importantes para los productos de IA?
La economía unitaria es importante porque la inferencia puede ocultar muchos costos más allá del gasto en la nube. Un enfoque útil es el costo marginal para generar valor: tokens, tiempo de GPU, restricciones de latencia, barreras de seguridad, repeticiones, control de calidad y participación humana en las correcciones. Luego, relacione esto con el margen bruto, la retención, la expansión y el período de recuperación. Si la corrección humana es excesiva, los costos pueden mantenerse persistentemente altos.
¿Por qué es tan importante la brecha entre “demo y producción”?
La demostración suele ser la parte fácil; la producción exige fiabilidad, cumplimiento normativo, registro y rendición de cuentas. Las alucinaciones, los requisitos de gobernanza y los ciclos de adquisición ralentizan los plazos y pueden reducir el alcance práctico de los envíos. Muchas implementaciones incorporan personal en el proceso "temporalmente", pero luego descubren que es fundamental para el control de calidad y riesgos. Esto modifica tanto la forma del producto como la estructura de costes.
¿Dónde es mayor el riesgo de burbuja de IA hoy en día?
El riesgo de burbuja es mayor en apps de imitación con costes de cambio casi nulos, startups que se basan en un "dominio futuro" sin una retención demostrada, y afirmaciones de agentes totalmente autónomos que presentan flujos de trabajo frágiles. Estas áreas dependen en gran medida de la prima narrativa y pueden desmoronarse rápidamente si los resultados son decepcionantes. El patrón a observar es la pérdida de clientes: si los usuarios no regresan semanalmente sin recordatorios, el producto podría ser un fracaso.
¿La infraestructura de IA (chips y centros de datos) es más o menos propensa a las burbujas?
Puede ser menos propenso a burbujas cuando la demanda está vinculada a contratos y un uso sostenido, pero conlleva un tipo de riesgo diferente. El mayor peligro es la financiación: el apalancamiento, sumado a los largos ciclos de recuperación, puede romperse si la utilización es insuficiente. Las inversiones en infraestructura son muy sensibles a las suposiciones de pronóstico, y la planificación de escenarios es importante porque la incertidumbre es real. Una demanda contraída fuerte reduce el riesgo, pero no lo elimina.
¿Cuál es una lista de verificación práctica para probar las afirmaciones de la “burbuja de IA”?
Utilice una afirmación refutable: "¿Justifican estos flujos de caja este precio?". En el caso de los productos, verifique la retención semanal, la capacidad de fijación de precios, la carga de corrección y si los costos de inferencia están disminuyendo más rápido que los precios. En el caso de la infraestructura, busque compromisos firmados, modelos de utilización de escenarios adversos y si existe una deuda considerable. Si los contratos, el flujo de caja y la retención se mantienen, parece más un cambio estructural que una obsesión.
Referencias
[1] Stanford HAI - Informe del Índice de IA 2025 - leer más
[2] Agencia Internacional de Energía - Demanda de energía de la IA (Informe sobre energía e IA) - leer más
[3] Sala de prensa de NVIDIA - Resultados financieros del cuarto trimestre y del año fiscal 2025 (26 de febrero de 2025) - leer más
[4] OCDE - IA generativa y la fuerza laboral de las PYME (encuesta de 2024; publicada en noviembre de 2025) - leer más
[5] NIST - Marco de gestión de riesgos de inteligencia artificial (AI RMF 1.0) (PDF) - leer más