Del ciclo de exageración al ciclo de infraestructura
La primera ola de inversión en AI generativo se caracterizó por un entusiasmo indiscriminado: las empresas vieron aumentar sus valoraciones simplemente por incluir AI en un comunicado de prensa. Goldman Sachs Research argumenta que esta fase está terminando, reemplazada por algo más selectivo y fundamentado en realidades físicas.
Los analistas de la empresa describen una dinámica de fuga hacia la calidad en la que inversores sofisticados están desplazando la atención hacia la capa fundamental de la economía de AI: los data centers y el hardware computacional que los llena. El razonamiento es directo. Las capacidades del modelo continuarán mejorando, las aplicaciones irán y vendrán, pero la infraestructura física requerida para entrenar y servir esos modelos es una necesidad absoluta cuya disponibilidad está limitada por la energía disponible y los plazos de construcción que no pueden ser comprimidos solo por avances en software.
Los números detrás del cambio
Goldman Sachs estima que las cargas de trabajo de AI representarán aproximadamente el 30 por ciento de la capacidad total de data center en dos años, basado en planes de gastos de capital anunciados por hyperscalers que representan cientos de miles de millones de dólares en nueva construcción.
La dimensión energética es aún más impactante. La empresa estima que la demanda global de energía para data centers podría aumentar aproximadamente 175 por ciento para 2030 comparado con los niveles de 2023, impulsado predominantemente por la intensidad energética del entrenamiento e inferencia de AI. Ese aumento solo sería aproximadamente equivalente a agregar el consumo de electricidad de una economía global entre las diez principales a la red. Esta no es una consideración de fondo para la estrategia de AI — es una restricción principal que ya está determinando dónde y qué tan rápido puede proceder el desarrollo.
Las restricciones de infraestructura remodelan la estrategia
Construir un data center de AI a gran escala no es simplemente una cuestión de capital. La tierra debe ser adquirida y zonificada cerca de energía confiable. Las conexiones a la red deben ser negociadas con servicios que pueden requerir plazos de varios años para expandir la capacidad de transmisión. Los grandes transformadores de potencia se han convertido en un cuello de botella genuino; los plazos se han extendido a dos o más años en algunos mercados, limitados por una capacidad de manufactura limitada y demanda competitiva del desarrollo de energía renovable.
La selección de sitios se ha convertido en una función estratégica en las principales empresas de AI. Las ubicaciones remotas con acceso a energía hidroeléctrica o geotérmica, temperaturas ambientes más frías y fibra óptica de alta capacidad existente son ahora activos genuinamente escasos. La concentración geográfica de computación de AI refleja el agrupamiento de condiciones de infraestructura favorables.
La implicación para la inversión
Para inversores, el análisis de Goldman Sachs señala un patrón de ciclos computacionales anteriores. Durante la construcción de internet, las empresas que eran dueñas de cables físicos y data centers capturaron ingresos estables mientras que las empresas de capa de aplicación experimentaron ciclos volátiles. Una dinámica similar puede estar formándose en AI.
Los operadores de data centers, las empresas de servicios que sirven a campus de AI, especialistas en tecnología de enfriamiento y fabricantes de hardware de redes se sientan más cerca de la base de infraestructura que la mayoría de las empresas de software de AI. La empresa señala que los proveedores de cloud hyperscale, a pesar de sus enormes capitalizaciones de mercado, son principalmente negocios de infraestructura cuando se analizan por dónde se deployed realmente su capital.
El comodín de la energía
Goldman identifica la energía como la variable más probable de convertirse en vinculante antes de la capacidad de computación. La infraestructura de energía existente no fue construida para acomodar las tasas de crecimiento proyectadas para AI. Las utilidades están invirtiendo en expansión de la red, pero la aprobación regulatoria y los plazos de construcción significan que la nueva capacidad de generación y transmisión se atrasa con respecto a la demanda por años.
Esto ya está impulsando a las empresas de AI a explorar soluciones no convencionales: acuerdos de compra de energía nuclear, generación de gas natural dedicada y almacenamiento de batería de larga duración colocados con data centers. La cuestión de la energía ya no es periférica a la estrategia de AI — puede ser el factor determinante de qué empresas pueden escalar y cuáles no.
