Resumen de la publicación
Documentos filtrados muestran a OpenAI perdiendo miles de millones por año, Anthropic frenó un cambio de precios y Nvidia salió a tomar deuda: tres señales de la misma semana que apuntan a que la economía de la IA todavía no cierra.
Mi lectura: los presupuestos infinitos no existen, y la pregunta que de verdad importa para los que construimos no es cuán potente es el modelo, sino qué cargas de trabajo sobreviven cuando el subsidio se termine.
Hubo una semana de junio en la que se juntaron tres noticias que, por separado, parecen de secciones distintas, pero que para mí cuentan la misma historia. Unos documentos financieros filtrados muestran a OpenAI perdiendo miles de millones de dólares al año; Anthropic frenó sobre la hora un cambio de facturación que iba a encarecer el uso de agentes; y Nvidia salió a colocar 25 mil millones en bonos. Tres piezas, un mismo tablero: la economía de la IA todavía no cierra.
Los números que conviene mirar
Vamos a los datos, que son los que ordenan la charla. Según los documentos filtrados, en 2025 OpenAI facturó alrededor de 13.000 millones de dólares y gastó cerca de 34.000 millones, con una pérdida operativa del orden de los 21.000 millones. De esos gastos, una porción enorme —unos 17.000 millones— se fue en cómputo pagado a Microsoft. Ojo, hay que ser justo: la facturación creció con fuerza y parte de las pérdidas netas que circularon está inflada por cargos contables no monetarios. Pero la pérdida operativa es la que mide si el negocio del día a día se sostiene, y ahí el número es claro: por ahora, no.
Lo que más me interesa de todo esto lo plantea bien un análisis de Stephanie Kirmer en Towards Data Science: el problema no es solo del proveedor, también es del cliente. Los costos de tokens son impredecibles —la misma tarea puede costar muy distinto según cómo se comporte el modelo—, y eso rompe cualquier presupuesto. Muchas empresas se entusiasmaron, gamificaron el uso de IA, y cuando llegó la factura recortaron a mitad de año en vez de integrar la herramienta de forma sostenible. Si los clientes frenan el gasto, la plata que llega a OpenAI, Anthropic y Google también se frena. El círculo se muerde la cola.
La apuesta de los gigantes
Entonces, ¿por qué los hyperscalers siguen invirtiendo cifras enormes en infraestructura? Porque están haciendo una apuesta de largo plazo: que el capex de hoy compra el dominio de mañana, no la rentabilidad de este trimestre. Pueden absorber pérdidas durante años. El detalle es que esa lógica funciona para Microsoft, Google o Amazon, pero no necesariamente para la empresa de IA que está encima de ellos pagando el cómputo. Y la pausa de Anthropic en su esquema de cobro, justo en medio de una guerra de precios con OpenAI, muestra que la presión sobre los márgenes es real y que nadie se anima todavía a trasladarla del todo al usuario.
Lo que esto significa para los que construimos
Acá es donde quiero aterrizarlo, porque desde la región es fácil mirar estos números como si fueran de otro planeta. No lo son. La conclusión que saco es práctica: no construyas asumiendo que la IA va a ser infinitamente barata y abundante para siempre. El costo de inferencia viene bajando muchísimo, sí, pero la guerra de precios y la presión de márgenes nos dicen que el subsidio que hoy disfrutamos —planes que rinden mucho más de lo que pagamos— no es eterno.
Por eso, cuando armo o aconsejo un proyecto, la pregunta no es «¿qué modelo es el más potente?» sino «¿esta carga de trabajo tiene un retorno claro que justifique el costo aun si los precios suben?». Los casos con ROI nítido —ahorro de horas medible, una tarea que antes no se podía hacer— van a sobrevivir a cualquier ajuste. Los que viven de que el token sea casi gratis, no tanto.
Cuando el presupuesto se acaba
No estoy diciendo que la IA sea una burbuja que va a explotar mañana; estoy diciendo que la fiesta del presupuesto infinito tiene fecha de vencimiento, aunque no sepamos cuál. Los que estamos construyendo sobre esta tecnología hacemos bien en mirar estos números no con pánico, sino con criterio: elegir bien las cargas de trabajo, medir el retorno y diseñar como si el costo importara, porque tarde o temprano va a importar. ¿Vos ya estás pensando tus proyectos de IA en términos de costo y retorno, o todavía con la lógica del «probemos todo porque sale barato»? Te leo en los comentarios.
