Gasto en IA de las grandes tecnológicas: análisis de la prueba de retorno

He empezado a juzgar el entusiasmo exagerado por la IA por los sustantivos. Hace un año, los sustantivos eran modelos, copilotos, agentes y demostraciones. Ahora son semiconductores, equipos de redes, sistemas de energía, centros de datos, capital accionario, ingresos y retornos. Ese cambio no es menos emocionante. Es más adulto. La industria tecnológica tiene la costumbre de tratar la infraestructura como escenografía hasta que llega la factura. Entonces la escenografía se convierte en la trama. El gasto de las grandes tecnológicas en IA está viviendo ese momento ahora, pasando de una historia sobre quién puede imaginar el futuro más rápido a una historia sobre quién puede financiarlo, operarlo y monetizarlo de la manera más coherente.

La historia del gasto se volvió demasiado física

RBC Wealth Management dice que el lanzamiento de ChatGPT a finales de 2022 ayudó a desatar uno de los ciclos de gasto de capital más rápidos y grandes en décadas, construido alrededor de la infraestructura necesaria para entrenar e implementar IA a escala. Eso incluye semiconductores, equipos de redes, sistemas de energía y centros de datos, que no son insumos abstractos. Son el esqueleto costoso de la era de la IA.

Según RBC Wealth Management, el gasto de capital entre las principales empresas de Big Tech se ha más que duplicado en los últimos dos años, alcanzando los 427.000 millones de dólares en 2025. RBC también proyecta un aumento adicional del 30 por ciento interanual hasta aproximadamente 562.000 millones de dólares en 2026. Microsoft, Amazon, Alphabet, Meta y, más recientemente, Oracle representan gran parte de ese aumento, dice RBC.

Aquí es donde la conversación cambia de forma. Una demostración de producto pregunta si un sistema se siente mágico. Un plan de capital pregunta si esa magia puede venderse con suficiente frecuencia, con márgenes lo bastante altos, como para justificar el concreto vertido debajo de ella. La pregunta incómoda no es si la IA funciona. Es si la versión más cara de la IA es siempre la versión por la que los clientes pagarán.

El colchón de ingresos ya no es una manta

de seguridad Marketplace informó el 3 de junio de 2026 que se espera que Big Tech gaste más de 700.000 millones de dólares en infraestructura de IA este año. También informó que esta ola de gasto está consumiendo casi todos los ingresos que estas empresas generan. Esa frase debería hacer que cada fundador, líder de producto e inversionista se siente un poco más derecho.

Marketplace también informó que Alphabet, la empresa matriz de Google, planea vender 80.000 millones de dólares en acciones para invertir en IA, una medida que Marketplace describió como algo que Alphabet no ha hecho en 20 años. Eso no significa que la expansión de la IA sea irracional. Significa que la era de una abundancia que parecía sin esfuerzo se ha convertido en una era de compensaciones visibles.

Lo curioso de las plataformas es que pueden parecer ingrávidas desde afuera. Los resultados de búsqueda, las API en la nube, los feeds sociales y los asistentes de IA aparecen como interfaces, no como sistemas industriales. Pero cada prompt está conectado a una cadena de suministro, un requisito energético, una decisión de balance y, finalmente, una pregunta de alguien que quiere saber qué se obtuvo a cambio del dinero gastado.

Los inversionistas están haciendo una pregunta de constructores

Reuters planteó el problema con claridad en su cobertura sobre Meta y Microsoft aumentando el gasto en IA mientras preocupaban a Wall Street antes de los resultados de Amazon. Eso no es solo una historia sobre el ánimo del mercado. Es la misma pregunta que hace un buen gerente de ingeniería antes de aprobar otra dependencia costosa: ¿qué obtenemos que se acumule y genere valor con el tiempo?

RBC Wealth Management sostiene que el giro hacia la monetización, el retorno de la inversión y las aplicaciones empresariales fortalece el argumento para mirar más allá de la primera ola de ganadores de Big Tech. Es una perspectiva útil porque desplaza la atención de la capacidad bruta hacia las rutas de adopción. Los ganadores quizá no sean las empresas con el chatbot más llamativo en un escenario. Pueden ser las que conecten la IA con flujos de trabajo donde los clientes ya miden tiempo, calidad, costo y riesgo.

Esta es la parte del ciclo donde el lenguaje importa. Si la IA es una tecnología de propósito general, como la describe RBC, entonces el beneficio no llegará como una sola categoría de producto gigante. Aparecerá a través de innumerables mejoras aburridas que hacen que las facturas se cierren más rápido, que las preguntas de los clientes se resuelvan antes, que las revisiones de código sean más rigurosas, que los pronósticos mejoren y que el conocimiento interno deje de esconderse en carpetas que nadie abre.

La lección debajo de

la línea de ganancias La conclusión útil de Marketplace y RBC Wealth Management no es que Big Tech deba gastar menos. Es que todos los demás deberían ser más precisos. Si a las empresas tecnológicas más grandes se les exige mostrar retornos sobre la infraestructura, las empresas más pequeñas también deberían asumir que sus proyectos de IA necesitan un caso de negocio más claro.

Eso no significa que cada esfuerzo de IA necesite una hoja de cálculo antes de que alguien experimente. La exploración temprana sigue siendo importante. Pero la era de demostrar retornos recompensa a los equipos que saben distinguir entre una demostración de capacidad y un camino de implementación. Una demostración dice: mira lo que esto puede hacer. Un camino de implementación dice: aquí está quién lo usa, con qué frecuencia, qué reemplaza, qué mejora y por qué la curva de costos tiene sentido.

Para los lectores que construyen con IA, la siguiente pregunta no es si Big Tech seguirá gastando. La pregunta más práctica es qué tipo de gasto en IA sobrevive al contacto con los clientes, los presupuestos, las compras y el trabajo diario. Si las empresas más grandes del mundo están aprendiendo a traducir visión en retornos, ¿qué pruebas deberíamos estar recopilando los demás ahora?