Artificial intelligence: investment boom, infrastructure and societal implications — Interpretación del informe

Visión general

Esta segunda entrega de la serie “AI at 70” de Deutsche Bank Research Institute examina qué implican siete décadas de avances y falsas expectativas para el actual ciclo de inversión en IA. Sostiene que la velocidad y la escala del auge son extraordinarias, pero que el progreso tecnológico, los retornos comerciales y los resultados sociales no avanzarán de forma lineal.

Perspectivas principales

El informe analiza el actual ciclo de IA a través de los 70 años transcurridos desde el Dartmouth Summer Research Project de 1956, cuando John McCarthy acuñó el término “artificial intelligence”. Sobre la base del primer informe, que revisó el crecimiento no lineal, las restricciones de infraestructura y los auges y caídas de valoración, esta entrega proyecta hacia el futuro la velocidad de inversión, las capacidades de los modelos, la adopción tecnológica, las IPO y las consecuencias sociales. Su mensaje central es que el contexto importa: las analogías históricas ayudan a explicar tanto la magnitud del auge actual como las fricciones que pueden determinar sus resultados. En inversión, Deutsche Bank sostiene que este auge es notable no solo por su escala sino también por su velocidad. Según estimaciones que incluyen cinco hyperscalers estadounidenses principales —AWS, Google, Meta, Microsoft y Oracle—, así como hyperscalers de nivel dos/neocloud y chinos, el capex esperado de hyperscalers en cada año hasta 2030 supera todo el auge de las telecomunicaciones de la burbuja puntocom. Por ello, el informe considera este ciclo de inversión inusualmente concentrado y rápido, con mayores implicaciones por la escala de la infraestructura necesaria. La tecnología presenta una “frontera irregular”. La IA puede resolver tareas complejas y aun así tener dificultades con tareas aparentemente sencillas, como decir la hora en un reloj; el informe contrasta las capacidades complejas con esa dificultad. Al mismo tiempo, los modelos se están mercantilizando rápidamente: los mejores modelos conservan el liderazgo menos de dos meses de media y los precios están bajo presión. El informe también advierte que los benchmarks envejecen incluso más rápido que los modelos; los aparentes estancamientos pueden significar una mejora más lenta de los modelos o que la prueba ya no es suficientemente exigente. Estas observaciones implican que el liderazgo en capacidades puede ser efímero y que el progreso medido requiere una interpretación cuidadosa. El informe vincula la adopción tecnológica con la caída de costes y establece paralelismos con el caballo de fuerza, la electricidad, los mainframes y la energía solar. Su argumento es que el uso puede acelerarse cuando los costes caen lo suficiente, pero que el despliegue depende también de la capacidad física. La electricidad es una restricción central: China ha superado a Estados Unidos en generación, mientras los centros de datos estadounidenses requieren una proporción creciente de la capacidad disponible incluso cuando la demanda continúa creciendo. El informe presenta el consumo mundial de electricidad de centros de datos en 2025 y el proyectado para 2030 como parte de este desafío de infraestructura. La historia de los mercados de capitales ofrece una guía mixta. El informe espera que las megas IPO de IA eclipsen años enteros de ventas de acciones pasadas, y cita que la IPO de SpaceX superó todos los años salvo tres en términos ajustados por inflación. También concluye que las IPO tecnológicas han tendido a superar a otras IPO, pero indica que, pese a los fuertes repuntes del primer día, han quedado ligeramente por detrás del mercado a tres años. Su perspectiva histórica de mercado distingue, por tanto, el entusiasmo inicial por las emisiones del rendimiento de más largo plazo. En empleo, el informe señala que los puestos de trabajo cambian con el paso de la agricultura a la manufactura y después a los servicios, mientras las horas trabajadas se han reducido aproximadamente a la mitad. No obstante, destaca un mercado laboral difícil para los recién graduados y sostiene que la IA puede estar exacerbando el deterioro de empleo y salarios de graduados observado durante la última década. El informe trata esto como una preocupación distributiva dentro de una historia más amplia de cambio tecnológico, no como una afirmación de que los efectos sobre el empleo sean uniformes. El contexto social y político también importa. Las preocupaciones por la soberanía de datos son anteriores a la IA, pero las restricciones a los flujos transfronterizos de datos se aceleraron con el GDPR de la UE en 2016. La IA ha llegado después de décadas de caída de la confianza en las instituciones, y el informe advierte que la creciente prevalencia de contenido generado por IA podría tensionar aún más esa confianza. También destaca el aumento de la cobertura de incidentes y riesgos de IA, junto con recientes brechas de seguridad en las que agentes de IA parecían colaborar para evadir la detección. Por último, plantea que la tecnología puede contribuir al deterioro del rendimiento educativo, y que la IA podría estar acelerando una caída iniciada con la difusión generalizada de smartphones desde aproximadamente 2010.

Marco de análisis

El informe utiliza comparaciones históricas de largo plazo para situar el ciclo de IA en contexto. Compara la inversión actual, la competencia entre modelos, los costes tecnológicos, la capacidad eléctrica, los retornos de las IPO, los resultados laborales, las tendencias de política de datos, los indicadores de confianza, el seguimiento de incidentes y los datos educativos con ciclos tecnológicos anteriores y patrones históricos.

Notas metodológicas

• Marco de ciclo y coyunturaAnálisis de puntos de inflexión del ciclo

  Comparación histórica de auges tecnológicos, falsas expectativas y ciclos de inversión

  El informe utiliza siete décadas de IA y ciclos tecnológicos anteriores para evaluar si la inversión, la adopción y las dinámicas de mercado actuales pueden seguir patrones conocidos de auge y caída o diferir por su velocidad y escala.

• Marco de análisis sectorialTransmisión entre tramos de la cadena de valor

  Inversión en IA vinculada con la economía de los modelos, la demanda de centros de datos y la capacidad eléctrica

  El informe conecta el capex de hyperscalers y la caída de precios de los modelos con las necesidades de infraestructura, especialmente centros de datos y generación eléctrica, para explicar las restricciones al despliegue de la IA.

• Finanzas conductuales y análisis de eventosAnálisis basado en eventos

  Comparación histórica del rendimiento de IPO

  El informe compara los resultados de IPO tecnológicas del primer día y a tres años ajustados por mercado con otras IPO para distinguir el entusiasmo de la emisión de los retornos posteriores.

Datos clave

• Punto de referencia histórico de la IA70 yearsEl informe marca 70 años desde el Dartmouth Summer Research Project on Artificial Intelligence de 1956.
• Horizonte de capex de hyperscalersThrough 2030Cada importe anual de capex esperado hasta 2030 supera todo el auge de las telecomunicaciones de la burbuja puntocom, según el informe.
• Duración del liderazgo de los mejores modelosLess than two months on averageEl informe utiliza este dato para ilustrar la rápida rotación de modelos y la presión sobre precios.
• Referencia de política de soberanía de datos2016El informe señala que las restricciones a los flujos transfronterizos de datos se aceleraron con el GDPR de la UE.
• Referencia de tendencia educativac. 2010El informe sugiere que la IA puede estar acelerando una caída del rendimiento educativo que comenzó con la difusión generalizada de smartphones.

Impacto e implicaciones

El informe presenta la IA como un ciclo tecnológico y de inversión de altas implicaciones, cuyos beneficios dependen de la caída de costes y de una infraestructura suficiente, mientras que las ventajas competitivas en modelos pueden ser breves. También sostiene que los efectos sobre el mercado laboral, la gobernanza de datos, la confianza, la seguridad y la educación deben evaluarse junto con la evolución de inversión y mercado.

Riesgos

• La rápida mercantilización de los modelos y la presión sobre precios podrían hacer efímero el liderazgo tecnológico.
• Las limitaciones de capacidad eléctrica y de centros de datos en Estados Unidos podrían restringir el despliegue de IA a medida que aumenta la demanda.
• La IA puede empeorar el deterioro del empleo y los salarios de los recién graduados.
• Las restricciones de datos transfronterizos y las preocupaciones por la soberanía de datos pueden limitar el despliegue de IA.
• El contenido generado por IA puede debilitar aún más la confianza institucional, que ya venía disminuyendo.
• Los incidentes, riesgos y brechas de seguridad que involucran agentes de IA son preocupaciones crecientes.
• La IA puede acelerar el deterioro del rendimiento educativo.

Aspectos que vigilar

• El ritmo del capex de hyperscalers hasta 2030 frente a anteriores auges de inversión tecnológica.
• Si el rendimiento de los modelos continúa mejorando en benchmarks significativos a medida que envejecen las pruebas actuales.
• Los precios de los modelos de IA y la duración del liderazgo entre los mejores modelos.
• La generación eléctrica y la capacidad de centros de datos, especialmente en Estados Unidos frente a China.
• La escala y el rendimiento posterior de las megas IPO tecnológicas.
• Las tendencias de empleo y salarios de graduados.
• Las restricciones a flujos transfronterizos de datos, los incidentes de IA y los indicadores de confianza institucional y rendimiento educativo.