A finales de marzo, algunos de los usuarios más habituales de los grandes modelos de lenguaje Claude de Anthropic comenzaron a publicar capturas de pantalla de una nueva y extraña escasez: estaban alcanzando límites de uso de cinco horas en 20 minutos. Las quejas se extendieron por Reddit, GitHub y X. Anthropic les dijo a los suscriptores que sus sesiones superarían los límites de uso más rápido durante las horas pico. La compañía también bloqueó algunas herramientas de terceros, incluido OpenClaw, para que no aprovecharan sus límites de suscripción de tarifa plana. Varias semanas antes, Boris Cherny, que dirige Claude Code, dijo que se había reducido la configuración predeterminada de cómo piensa el modelo.
Los usuarios inmediatamente se preguntaron por qué una herramienta de IA paga de repente les daba menos. ¿Había comenzado el auge de la IA a dejar atrás la maquinaria necesaria para sostenerlo?
La presión no se limita a lo antrópico. OpenAI ha comenzado a cerrar Sora, su plataforma de generación de vídeo, ya que el número de desarrolladores que utilizan su asistente de codificación Codex ha aumentado a cuatro millones por semana. Los inversores y desarrolladores hablan ahora de una “crisis informática”, la posibilidad de que la demanda de IA esté creciendo más rápido de lo que las empresas pueden construir centros de datos y alimentarlos.
Sobre el apoyo al periodismo científico
Si está disfrutando de este artículo, considere apoyar nuestro periodismo galardonado suscribiéndose. Al comprar una suscripción, ayudas a garantizar el futuro de historias impactantes sobre los descubrimientos y las ideas que dan forma a nuestro mundo actual.
Lo que está en juego es mucho más que causar frustración a los desarrolladores. Si la IA se convierte en la interfaz cotidiana para la codificación, la ciencia, el aprendizaje, la medicina, el servicio al cliente, la planificación de la defensa y el trabajo de oficina, entonces el acceso a la informática se convierte en acceso a la velocidad económica. Y los límites están empezando a aparecer en los productos que usa la gente.
Las cifras ya son elevadas. En un documento técnico de julio de 2025, Anthropic proyectó que el sector de IA de EE. UU. necesitará al menos 50 gigavatios de capacidad eléctrica para 2028 para mantener el liderazgo mundial en IA, aproximadamente la producción de 50 grandes reactores nucleares. La Agencia Internacional de Energía proyecta que el uso global de electricidad en los centros de datos está en camino de duplicarse para 2030.
La informática no es nueva. Cada chat con Claude o GPT se ejecuta en la misma maquinaria subyacente que calcula los totales de las hojas de cálculo y renderiza los videojuegos: obleas de silicio grabadas con miles de millones de interruptores microscópicos, organizados en procesadores especializados. Entrenar un modelo de frontera puede requerir decenas de miles de estos procesadores funcionando durante semanas o meses. Una vez que se entrena el modelo, su uso también consume cómputo cada vez que alguien hace una pregunta. Esa demanda ahora llega a toda la cadena de suministro. El 15 de enero, Taiwan Semiconductor Manufacturing Company (TSMC), que fabrica la mayoría de los chips de IA avanzados del mundo, anunció que gastaría hasta 56 mil millones de dólares sólo este año para ampliar la capacidad. Los clientes siguen pidiendo más.
El experto en políticas de IA, Lennart Heim, es una guía útil para este mecanismo. Anteriormente dirigió la investigación informática en el Centro RAND sobre IA, seguridad y tecnología y cofundó Epoch AI, que rastrea los recursos detrás de los modelos de IA de vanguardia. Su ritmo es donde un panel de control en la nube se convierte en un proyecto de construcción, donde la demanda digital choca con fábricas, transformadores, chips y cables.
[An edited transcript of the telephone interview follows.]
Los desarrolladores dicen que los límites de velocidad y las herramientas de terceros bloqueadas parecen una crisis informática. ¿Qué significa realmente una escasez de computación?
Cuando decimos “computar”, nos referimos a la potencia informática. Para la IA, el entrenamiento de la computación se escala con el tamaño del modelo: las redes neuronales más grandes necesitan más datos, y más datos necesitan más potencia de procesamiento. Lo que no se informó durante años es que la misma relación se aplica al despliegue. Ejecutar el modelo para los usuarios (la inferencia) requiere un uso increíblemente intensivo de computación porque los modelos más grandes necesitan más potencia informática para funcionar. Entonces, si más personas usan IA con más tokens y más intensidad, se necesita más computación. Si 10 veces más personas usan la IA 10 veces más, necesitarás cerca de 100 veces más computación.
¿Por qué una suscripción de tarifa plana falla en el caso de la IA como no lo hacía en el caso de los servicios de Internet anteriores?
Internet funciona con suscripciones de tarifa plana: pagas 20 dólares al mes y obtienes un uso prácticamente ilimitado. Esto funciona cuando el costo marginal por usuario es bajo: un usuario avanzado de Google Workspace no le cuesta a Google mucho más que un usuario ligero. Con la IA, se rompe. Usar IA 10 veces más le cuesta al proveedor aproximadamente 10 veces más dinero. Pagar por token significa que literalmente pagas por tus recursos; Pagar $20 fijos significa que a menudo estás quemando más computación de la que puedes comprar con $20. Es por eso que vemos límites de tarifas principalmente en los planes de suscripción mensual. En algún momento, debes establecer un límite de tasa.
Más allá de los límites de tarifas, ¿qué palancas tienen estas empresas para controlar la cantidad de computación que consumen los usuarios?
Tienen múltiples palancas. Si usa ChatGPT, de forma predeterminada accederá a un modo llamado Automático: hace una pregunta y ChatGPT determina qué modelo debe responder. ¿Es un modelo realmente inteligente que piensa durante mucho tiempo o simplemente estás preguntando sobre el clima, en cuyo caso puede darte una respuesta inmediata? Anthropic empezó a optar por Claude Sonnet, que es un modelo más pequeño y menos potente. Funciona de forma más económica, pero también se obtiene menos inteligencia.
La gente tampoco utiliza estas herramientas de manera eficiente. Es como preguntarle a Albert Einstein cómo abrir una botella de vino.
El Codex de OpenAI ofrece más uso por el dinero que Claude Code. ¿Es eso sostenible o veremos que todos avanzan hacia planes más restrictivos?
OpenAI ha sido la empresa con más dinero y mayor valoración, y simplemente tiene más computación. Construir un centro de datos es difícil; Construir chips es quizás la cosa más difícil del mundo. Incluso si OpenAI dejara de desarrollar buenos modelos mañana, tienen una gran cantidad de computación y eso les da una gran potencia.
El problema de Anthropic es que los centros de datos son increíblemente caros (hay que pagarle mucho a NVIDIA) y si se construyen en exceso, habrán gastado enormes sumas de dinero en capacidad no utilizada. Quiere construir exactamente todo lo que necesita, pero no puede pronosticarlo.
El futuro seguirá estando algo limitado por la computación y, eventualmente, los mecanismos del mercado lo resolverán: se aumenta el precio. En este momento, diría que estas empresas prefieren limitar las tarifas, para que todos obtengan la experiencia, en lugar de aumentar los precios.
Guíame a través de la cadena de suministro. ¿Cuáles son los mayores obstáculos que impiden que las empresas de IA simplemente creen más computación?
Históricamente, las empresas de software han podido escalar 10 o 100 veces en poco tiempo porque no estaban sujetas a limitaciones físicas: ese es el espíritu de Silicon Valley. Pero si mañana tuviéramos 100 veces más usuarios de IA, simplemente no tendríamos suficiente computación para atenderlos.
Esa mentalidad llega directamente a la cadena de suministro. Por ejemplo, TSMC es una empresa que, si construyen una fábrica sin un cliente y no se utiliza en un 80 por ciento, quiebran. Sam Altman aparece diciendo que necesita 100 veces más chips y ellos dicen: “Estás loco”. En parte, esa es la razón por la que tenemos escasez de computación.
Lo mismo ocurre más abajo en la cadena: una vez que tienes los chips, necesitas energía: necesitas turbinas de gas. Vas a los fabricantes de turbinas de gas y les dices: “Necesitamos N veces más turbinas de gas”, y ellos dicen: “Estás bromeando: esta industria ha estado estancada durante la última década”. Ahí es donde el mundo digital se encuentra con el mundo físico. En este momento no tenemos suficiente memoria. Gran parte se destinará a chips de inteligencia artificial, lo que significa que los precios de la memoria aumentan y su teléfono inteligente el próximo año costará más. Las empresas quieren crear más memoria y no tienen suficiente espacio en la sala limpia. Necesitan fábricas especiales, las llamadas “fabs”, pero sólo un puñado de empresas en el mundo pueden construir esas fábricas, y todas están llenas.
¿Los modelos de formación y la respuesta a las consultas de los usuarios compiten por los mismos recursos?
Las empresas quieren construir sistemas más grandes y más capaces para poder recaudar más dinero y eventualmente desarrollar AGI y, al mismo tiempo, quieren ganar dinero ahora mismo. La inferencia aumenta cuando todos están despiertos y usándola; la formación es continua.
Probablemente un mejor marco no sea capacitación versus inferencia, sino computación de I+D versus computación de servicio: la gente necesita probar ideas. Informes recientes sugirieron que la mayoría (algo así como el 60 por ciento) era computación de I+D. Esto pone de relieve cómo estas empresas están constantemente negociando entre crear mejores productos y asignar computación a los usuarios.