Se proyecta que construir la infraestructura para la inteligencia artificial costará aproximadamente $10.3 billones solo en Estados Unidos entre 2025 y 2032. Para que esa inversión sea rentable, el sector de la IA necesitaría generar cerca de $3.7 billones en ingresos anuales hacia el final de ese periodo.

Esas cifras provienen del profesor de Columbia Business School Stijn Van Nieuwerburgh, cuyo análisis fue presentado en la conferencia Brookings Papers on Economic Activity, un foro de larga data donde economistas presentan nuevas investigaciones sobre la economía de EE. UU. El estudio intenta responder a una pregunta que ha inquietado silenciosamente a todos los que prestan atención a la construcción de infraestructura de IA: ¿funcionan realmente los números?

Las cifras detrás de la construcción

La proyección central contempla agregar aproximadamente 182.7 gigavatios de capacidad de centros de datos para 2032. Como referencia, eso representa una cantidad asombrosa de infraestructura eléctrica, con un gasto de inversión equivalente aproximadamente al 3.63% del PIB de EE. UU. anualmente.

Para dimensionar la escala, el informe señala que esta construcción superaría inversiones históricas en infraestructura como la construcción de la red ferroviaria y el sistema de autopistas interestatales.

La economía por unidad cuenta una historia igualmente exigente. El análisis estima que la rentabilidad requiere alrededor de $5.5 en ingresos por hora de GPU instalada a plena utilización —un punto de referencia que vincula directamente el retorno de cada chip instalado con lo que los clientes realmente pagan por cómputo de IA. Si la utilización cae a un 80% más realista, esa cifra sube a $6.9 por hora de GPU.

El umbral de retorno utilizado en el modelo asume un retorno apalancado del 10% —una medida calculada antes de los efectos del financiamiento con deuda— con un margen de flujo de efectivo del 50%. Cumplir con esos parámetros requeriría que el sector de la IA sostenga aproximadamente un 80% de crecimiento anual compuesto de ingresos desde hoy hasta 2032.

Esa tasa de crecimiento se compara con una tasa actual de ingresos combinados de cerca de $100,000 millones de OpenAI y Anthropic, los desarrolladores detrás de ChatGPT y Claude, respectivamente. Pasar de $100,000 millones a $3.7 billones en ingresos anuales en aproximadamente siete años es una trayectoria que luce impresionante en una presentación para inversores y desalentadora en la pizarra de un comité de riesgos.

Cómo se está financiando

El informe profundiza en las estructuras de financiamiento, un área de especial relevancia para quienes se preocupan por el riesgo sistémico. Los hiperescaladores —los operadores de las mayores redes de nube y centros de datos, como Microsoft, Amazon y Google— recurren cada vez más a deuda externa y acuerdos financieros complejos para financiar sus ambiciones de infraestructura de IA.

El señala esta interconexión como una fuente potencial de riesgo sistémico, particularmente si la demanda de servicios de IA no escala tan rápido como se construye la capacidad. Un déficit en la demanda de IA se sentiría no solo en las propias empresas tecnológicas, sino en los prestamistas e inversores al otro lado de esa deuda. La sobrecapacidad en centros de datos financiada con deuda externa es un problema muy distinto a la sobrecapacidad financiada con utilidades retenidas.

La pregunta de los $3.7 billones

La meta de $3.7 billones en ingresos anuales para 2032 representaría aproximadamente el 9.2% del PIB proyectado de EE. UU. para ese año.

Existen también restricciones físicas que podrían frenar la construcción independientemente de la disponibilidad de financiamiento. La generación eléctrica y la capacidad de la red siguen siendo cuellos de botella en muchas partes del país, y los plazos de permisos para nuevas plantas de energía y líneas de transmisión a menudo se extienden mucho más allá de lo que exige el cronograma de inversión en IA.

El informe también plantea preguntas sobre las tasas de utilización. Construir 182.7 GW de capacidad solo genera retornos si esa capacidad se utiliza realmente. La diferencia entre los requisitos de ingresos de $5.5 y $6.9 por hora de GPU a plena utilización frente al 80% ilustra qué tan sensibles son la economía a las fluctuaciones de la demanda.

El estudio presenta estas cifras como un punto de referencia para evaluar si la trayectoria de ingresos del sector puede sostener el ritmo de inversión en infraestructura actualmente en curso. Medidos con esa vara, los indicadores observables de aquí en adelante son las revelaciones de ingresos de los principales laboratorios de IA, la utilización de la capacidad de GPU instalada, los términos en que los hiperescaladores obtienen deuda externa y el ritmo al que la nueva generación eléctrica y los permisos superan las restricciones que el informe identifica.