El CEO de IBM dice que las matemáticas de la infraestructura de IA no cuadran
Actualizado el 11 de diciembre de 2025
Actualización de diciembre de 2025: El CEO de IBM, Arvind Krishna, advierte que los 100GW de infraestructura de IA planificada requieren $8T en CapEx y $800B de ganancia anual para justificarse—"No hay manera de obtener un retorno de eso." Krishna estima una probabilidad del 0-1% de que las arquitecturas LLM actuales logren AGI. La depreciación del equipo que obliga a reemplazarlo cada 5 años agrava el desafío. La IA empresarial está teniendo éxito; la infraestructura especulativa para AGI está en dificultades.
Arvind Krishna, director ejecutivo de IBM, ofreció una evaluación aleccionadora en el podcast Decoder de The Verge: la construcción de infraestructura de IA de billones de dólares no puede generar retornos bajo la economía actual.¹ El análisis de Krishna se basa en aritmética directa que la industria ha elegido en gran medida ignorar.
Los números funcionan así. Un centro de datos de IA de un gigavatio requiere aproximadamente $80 mil millones en hardware de computación.² Los planes actuales en anuncios públicos y privados apuntan a aproximadamente 100 gigavatios de capacidad enfocada en AGI.³ Eso totaliza $8 billones en gastos de capital. Para justificar esa inversión, los operadores necesitan aproximadamente $800 mil millones en ganancias anuales solo para cubrir el costo del capital.⁴
"No hay manera de obtener un retorno de eso, en mi opinión," declaró Krishna claramente.⁵
El problema de la depreciación que nadie discute
Krishna identificó la depreciación como el cálculo más subestimado por inversores y analistas. Los aceleradores de IA se deprecian en cinco años. El ritmo del cambio arquitectónico significa que los operadores deben reemplazar flotas enteras en lugar de extenderlas. El equipo comprado hoy se vuelve obsoleto antes de pagarse a sí mismo.
"Tienes que usarlo todo en cinco años porque en ese momento, tienes que tirarlo y reemplazarlo," explicó Krishna.⁶ Cada generación de hardware ofrece mejoras sustanciales de rendimiento. Ejecutar inferencia en GPUs de cinco años significa pagar más por electricidad de lo que el cómputo produce en valor. El ciclo de depreciación obliga a una reinversión continua que multiplica los requisitos de capital.
Los hyperscalers que construyen estas instalaciones entienden las matemáticas de la depreciación. Construyen de todos modos, apostando a que el crecimiento de ingresos por IA superará los costos de infraestructura. Krishna cuestiona si esa apuesta puede dar resultados a la escala actualmente planificada. La brecha entre los requisitos de capital y los ingresos plausibles sigue siendo demasiado amplia.
Krishna diverge de los creyentes en AGI
El CEO de IBM expresó escepticismo sobre que la inteligencia artificial general se logre a través de los enfoques actuales. Krishna estimó la probabilidad de que las arquitecturas de modelos de lenguaje grandes existentes logren AGI en algún lugar entre cero y uno por ciento.⁷ AGI "requerirá más tecnologías que el camino actual de LLM," argumentó.
Cuando el presentador de Decoder, Nilay Patel, señaló que el CEO de OpenAI, Sam Altman, cree que OpenAI puede generar retornos sobre sus gastos de capital, Krishna ofreció una respuesta directa: "Eso es una creencia. Eso es lo que a algunas personas les gusta perseguir. Entiendo eso desde su perspectiva, pero eso es diferente a estar de acuerdo con ellos."⁸
El desacuerdo destaca una división fundamental en la industria de IA. Un bando cree que AGI surgirá de escalar las arquitecturas actuales, justificando cualquier nivel de inversión en infraestructura. El otro bando, incluyendo a Krishna, cree que el camino hacia AGI requiere avances más allá de modelos más grandes y más cómputo. Esa brecha de creencias impulsa cálculos de inversión muy diferentes.
La oportunidad empresarial sigue siendo real
El escepticismo de Krishna sobre la economía de la infraestructura AGI no se extiende a la IA empresarial. El CEO de IBM mantiene que la IA "va a desbloquear billones de dólares en productividad en la empresa."⁹ La distinción importa: la IA empresarial opera a escalas donde los costos de infraestructura generan retornos claros.
Una empresa que despliega IA para automatizar servicio al cliente, optimizar cadenas de suministro o acelerar el descubrimiento de medicamentos puede calcular el retorno de inversión con precisión razonable. Los requisitos de cómputo permanecen limitados. El valor generado fluye directamente a la organización que despliega la tecnología. La economía de la IA empresarial funciona a escala humana.
La economía de AGI opera de manera diferente. Construir infraestructura para lograr inteligencia artificial general requiere una inversión inicial masiva con resultados inciertos. El horizonte temporal se extiende más allá de los horizontes normales de inversión. Las dinámicas competitivas fomentan la sobreconstrucción, ya que cada jugador corre para lograr capacidades revolucionarias primero. El análisis racional de inversión da paso a la competencia existencial.
El posicionamiento estratégico de IBM refleja la visión de Krishna. La compañía se enfoca en el despliegue de IA empresarial en lugar del desarrollo de modelos de frontera. La adquisición de Confluent por $11 mil millones anunciada días después de la aparición de Krishna en el podcast refuerza ese enfoque.¹⁰ IBM construye la infraestructura de datos que las empresas necesitan para desplegar IA, dejando la búsqueda de AGI a otros dispuestos a aceptar probabilidades más largas.
¿Qué pasa si Krishna tiene razón?
La construcción de infraestructura de IA continúa independientemente de las advertencias de Krishna. Microsoft, Google, Amazon y Meta planean colectivamente cientos de miles de millones en inversión en centros de datos. OpenAI, a través de su asociación Stargate, apunta a $500 mil millones en gastos de infraestructura.¹¹ El capital sigue fluyendo.
Si el análisis de Krishna resulta correcto, el ajuste de cuentas llega dentro del ciclo de depreciación. Las instalaciones construidas en 2025 deben generar retornos para 2030 o enfrentar depreciaciones. Las empresas que sobreconstruyeron racionalizarán la capacidad. El mercado de infraestructura de IA se consolidará alrededor de sobrevivientes con economías sostenibles.
El escenario no requiere que la IA falle. La IA puede ofrecer un valor enorme mientras que la inversión en infraestructura a escala AGI aún resulte antieconómica. La IA empresarial florece mientras la búsqueda de AGI consume capital sin retornos adecuados. La distinción entre tecnología valiosa e inversión sólida sigue siendo importante.
Si el análisis de Krishna resulta equivocado, los creyentes en AGI ganan la apuesta más grande en la historia de la tecnología. Un AGI exitoso justificaría cualquier inversión en infraestructura y recompensaría a los constructores tempranos con capacidades transformadoras. OpenAI, xAI y otras organizaciones enfocadas en AGI operan bajo esa tesis.
El mercado decidirá
IBM ocupa una posición diferente a las empresas que Krishna critica implícitamente. Big Blue carece de los recursos para competir en la carrera de infraestructura AGI y ha elegido no intentarlo. Las advertencias de Krishna podrían reflejar posicionamiento estratégico tanto como convicción analítica. IBM se beneficia si la IA empresarial captura más atención y capital que la búsqueda de AGI.
Ese posicionamiento no invalida el análisis. La aritmética que Krishna presenta requiere refutación, no descarte. Ocho billones de dólares en capital requieren cientos de miles de millones en retornos anuales. Los ingresos actuales de IA, aunque crecen rápidamente, están muy por debajo. La brecha debe cerrarse para que las inversiones den resultado.
La disposición de Krishna a expresar escepticismo públicamente proporciona un contrapeso útil al entusiasmo predominante. La industria de IA se beneficia de ejecutivos que cuestionan supuestos y exigen análisis financiero riguroso. Ya sea que Krishna tenga razón o no, la disciplina de responder a su desafío fortalece las decisiones de inversión en todo el ecosistema.
La pregunta del billón de dólares permanece abierta: ¿puede la infraestructura de IA generar retornos a la escala actualmente planificada? Krishna dice que no. Los constructores no están de acuerdo. Los próximos cinco años revelarán qué visión resulta correcta.
Referencias
-
Fortune. "IBM CEO warns there's 'no way' hyperscalers like Google and Amazon will be able to turn a profit at the rate of their data center spending." 3 de diciembre de 2025. https://fortune.com/2025/12/03/ibm-ceo-no-way-hyperscalers-google-amazon-turn-profit-data-center-spending/
-
Tom's Hardware. "IBM CEO warns that ongoing trillion-dollar AI data center buildout is unsustainable." 4 de diciembre de 2025. https://www.tomshardware.com/tech-industry/ibm-ceo-warns-trillion-dollar-ai-boom-unsustainable-at-current-infrastructure-costs
-
Tom's Hardware. "IBM CEO warns that ongoing trillion-dollar AI data center buildout is unsustainable."
-
Fortune. "IBM CEO warns there's 'no way' hyperscalers will be able to turn a profit."
-
Fortune. "IBM CEO warns there's 'no way' hyperscalers will be able to turn a profit."
-
TechRadar. "IBM CEO warns trillion-dollar AI data center expansions risk catastrophic losses if hardware refresh cycles stay relentlessly fast." Diciembre de 2025. https://www.techradar.com/pro/there-is-no-way-ibm-ceo-says-current-ai-data-center-trends-are-unsustainable-and-he-would-know
-
CXO Digital Pulse. "IBM's Arvind Krishna Warns of Unsustainable Economics Behind AGI-Scale Data Center Race." Diciembre de 2025. https://www.cxodigitalpulse.com/ibms-arvind-krishna-warns-of-unsustainable-economics-behind-agi-scale-data-center-race/
-
Fortune. "IBM CEO warns there's 'no way' hyperscalers will be able to turn a profit."
-
Fortune. "IBM CEO warns there's 'no way' hyperscalers will be able to turn a profit."
-
IBM. "IBM to Acquire Confluent to Create Smart Data Platform for Enterprise Generative AI." IBM Newsroom, 8 de diciembre de 2025. https://newsroom.ibm.com/2025-12-08-ibm-to-acquire-confluent-to-create-smart-data-platform-for-enterprise-generative-ai
-
Anuncios de la asociación OpenAI Stargate, 2025.
Título SEO (57 caracteres): CEO de IBM: Apuesta de $8 Billones en Infraestructura de IA No Rendirá
Descripción SEO (155 caracteres): Arvind Krishna de IBM cuestiona la economía de centros de datos de IA: $8T en gastos planificados necesitan $800B de ganancia anual para justificarse. Análisis de preocupaciones de sostenibilidad.
Slugs de URL:
- Principal: ibm-ceo-krishna-ai-infrastructure-trillion-unsustainable
- Alt 2: ibm-ceo-8-trillion-ai-infrastructure-returns
Conclusiones clave
Para planificadores estratégicos: - Un centro de datos de IA de 1GW requiere ~$80B en hardware de cómputo; 100GW de capacidad AGI planificada = $8T capex - Se necesitan $800B de ganancia anual solo para cubrir el costo del capital en una inversión de infraestructura de $8T - Krishna estima una probabilidad del 0-1% de que las arquitecturas LLM actuales logren AGI
Para equipos financieros: - Los aceleradores de IA se deprecian en 5 años; los cambios arquitectónicos obligan al reemplazo completo de la flota - Ejecutar inferencia en GPUs de 5 años cuesta más en electricidad de lo que el cómputo produce en valor - La brecha entre los requisitos de capital y los ingresos plausibles sigue siendo demasiado amplia según Krishna
Para equipos de IA empresarial: - Krishna distingue la búsqueda de AGI de la IA empresarial: requisitos de cómputo limitados, ROI calculable - La adquisición de Confluent por $11B de IBM refuerza el enfoque en infraestructura de datos empresariales sobre modelos de frontera - La economía de IA empresarial funciona a escala humana; la economía de AGI requiere inversión inicial masiva con resultados inciertos
Para inversores: - Si Krishna tiene razón, el ajuste de cuentas llega dentro del ciclo de depreciación de 5 años (instalaciones construidas en 2025 deben rendir para 2030) - La asociación OpenAI Stargate apunta a $500B en infraestructura; Microsoft/Google/Amazon planean cientos de miles de millones más - IBM posicionado para despliegue de IA empresarial en lugar de desarrollo de modelos de frontera
