Llevo unas semanas dándole vueltas a una presentación de Benedict Evans que merece que le dediquemos un rato. Evans es, probablemente, el analista de tecnología que más rato dedica a no dejarse impresionar por la tecnología. Lleva años haciendo lo mismo: coger la euforia del momento, ponerla en un gráfico, y preguntarse con calma qué parte de todo aquello acabará siendo un negocio de verdad. Su última entrega lleva por título AI eats the world (mayo de 2026), un guiño deliberado al «software eats the world» de Marc Andreessen de hace ya más de una década, y está organizada alrededor de tres palabras que, de hecho, son tres preguntas: capital, despliegue y cambio.
¿Por qué le presto atención, si esto es una presentación de un analista y no un informe de banco de inversión? Pues precisamente por eso. Porque Evans no tiene un fondo que vender ni un libro de operaciones que justificar. Mira los datos, los pone en perspectiva histórica, y acepta con serenidad que no sabe cómo acaba la película. Esa postura —estudiar mucho y reconocer que el futuro no te pertenece— es la única intelectualmente honesta ante una ola de esta magnitud. Y para nosotros, que gestionamos el patrimonio de familias con horizonte largo, entender bien esta ola no es un capricho intelectual: es que una parte muy relevante de los índices que tenemos en cartera depende, hoy, de que estas apuestas salgan razonablemente bien.
Así pues, vamos por partes, siguiendo el mismo orden que Evans. Primero el capital: cuánto se está invirtiendo y de dónde sale. Después el despliegue: si la gente lo usa de verdad y cómo. Y por último el cambio: qué se transforma, qué se rompe y qué moats —fosos defensivos, para entendernos— se evaporan. Es el embudo de siempre: del panorama grande, al mecanismo concreto, y de ahí a lo que significa para tu dinero.
Capital: una explosión sin precedentes recientes
Empecemos por lo que sí podemos medir, que es el dinero que entra. Y aquí no hay matices posibles: lo que está ocurriendo es una explosión de inversión en bienes de capital de una escala que cuesta dimensionar.
Las cuatro grandes —Microsoft, Alphabet, Amazon a través de AWS y Meta— planean alrededor de 700.000 millones de dólares de inversión en bienes de capital para 2026. Conviene detenerse un segundo en esa cifra, no porque el lector no sepa multiplicar, sino porque la comparación que ofrece Evans es la que de verdad pone las cosas en su sitio: el sector global de telecomunicaciones invierte unos 300.000 millones al año, y la industria mundial del petróleo y el gas, alrededor de un billón. Es decir, cuatro empresas tecnológicas están a punto de gastar, ellas solas, más del doble que todas las telecos del planeta juntas y acercándose a la factura de capital de toda la energía fósil mundial. En 2020 esas mismas empresas apenas pasaban de los 100.000 millones conjuntos. La curva no sube: se vuelve vertical.
¿Y quién recoge ese dinero? En buena parte, los fabricantes de chips. Aquí el gráfico de Nvidia frente a Intel es de los que se quedan grabados.
Durante quince años, Nvidia fue una empresa de gráficos para videojuegos que facturaba una fracción de lo que ingresaba Intel cada trimestre. Las dos líneas convivían tranquilamente por debajo de los 20.000 millones. Y de repente, hacia 2023, la línea de Nvidia se separa del suelo y sube casi en vertical hasta acercarse a los 70.000 millones de ingresos trimestrales, mientras Intel se queda donde estaba. De hecho, el subtítulo que pone Evans es revelador: ni siquiera Nvidia puede seguir el ritmo, porque no consigue que TSMC amplíe la capacidad de fabricación lo bastante rápido. Cuando el cuello de botella ya no es la demanda sino la propia física de construir fábricas de obleas, sabes que estás ante algo serio.
El hormigón cuenta la misma historia que el silicio. Evans trae un dato que a mí, personalmente, me parece de los más elocuentes de toda la presentación.
El gasto en construcción de centros de datos en Estados Unidos —y ojo, esto excluye el cómputo, es decir, solo cuenta los edificios— acaba de alcanzar al gasto en construcción de oficinas. La línea de las oficinas lleva décadas dibujando los ciclos inmobiliarios de siempre, con su pico cerca del año 2000 y otro alrededor de 2020. La de los centros de datos era prácticamente inexistente hasta 2015 y ahora sube como un cohete hasta cruzarse con la primera, en torno a los 50.000 millones anuales. Estamos levantando naves para guardar ordenadores al mismo ritmo al que levantamos oficinas para guardar personas. Piénsalo un momento: eso es un cambio estructural en cómo se asigna el capital físico de una economía entera.
Ahora bien, aquí viene la primera grieta, y es la que más me interesa como inversor. Estas empresas eran, hasta hace cuatro días, máquinas de generar caja con muy pocos activos. El negocio del software era el sueño dorado: poco capital, márgenes altísimos, efectos de red que construyen monopolios. Pues bien, eso se está acabando.
El gráfico mide el capex como porcentaje de las ventas, año a año, desde 2010. Y la barra roja —la estimación para 2026— rompe con todo el historial. En Meta y en Microsoft, la inversión en bienes de capital se acerca al 55% de las ventas. En Alphabet ronda el 44%. En Amazon, que siempre fue más intensivo en capital por su negocio logístico, llega al 26% pero también marca un máximo. Para que nos hagamos una idea: durante años estas compañías invertían entre el 10% y el 20% de sus ventas, y lo pagaban cómodamente con el flujo de caja libre que les sobraba. Ahora la cifra se ha duplicado o triplicado. Como dice Evans, están desafiando la gravedad financiera. Y la gravedad financiera, desgraciadamente, siempre acaba ganando.
¿Qué significa esto para una cartera? Significa que el perfil de riesgo de las mayores empresas del mundo —las que pesan como una losa en cualquier índice global— está cambiando bajo nuestros pies. Pasan de ser negocios capital-light, predecibles, con flujos de caja como un grifo, a ser negocios que queman capital a una velocidad de vértigo apostando por un futuro que todavía no está escrito. No digo que sea malo. Digo que es distinto, y que el inversor que tenga estas posiciones en cartera (que somos casi todos, vía índices) debería ser consciente de que el contrato implícito ha cambiado.
Y la presión sobre el balance es tan fuerte que aparece la ingeniería financiera para sostenerla. Evans dedica una lámina a OpenAI intentando entrar en el club de los que despliegan capital a escala industrial: acuerdos para construir más de 30 gigavatios de capacidad por 1,4 billones de dólares, o quizá 600.000 millones para 2030, con una aspiración de levantar un gigavatio de capacidad nueva cada semana a unos 20.000 millones por gigavatio. Son números que, dicho con suavidad, todavía no cuadran con los ingresos. Other people's balance sheets, lo llama Evans —los balances de otros— junto con ingresos circulares y mucho mantener platos girando en el aire a la vez. Cuando una empresa que aún no gana dinero compromete cifras así, conviene recordar que la financiación de proyectos tiene sus propias leyes, y ninguna de ellas perdona el optimismo.
Eso sí, mientras tanto, la demanda es real. Aquí no hay engaño.
Los ingresos mensuales declarados de OpenAI y Anthropic crecen de una forma que cuesta encontrar precedentes en la historia empresarial. OpenAI ronda los 2.000 millones de dólares mensuales y Anthropic, partiendo más tarde, cruza por encima en los últimos meses hasta superar los 3.000 millones. Son curvas que prácticamente despegan del eje. Ahora bien, Evans pone una nota al pie honesta que conviene no perder de vista: estos son ingresos «anualizados», calculados sumando las últimas cuatro semanas y multiplicando por trece, con cifras redondas reportadas sin fechas precisas. Es decir, hay que tomarlos con cierta cautela. La demanda existe y es brutal. Pero el modelo de negocio, advierte, no está ni de lejos en equilibrio.
¿Y dónde está el problema del equilibrio? En que la eficiencia de inferencia —el coste de hacer funcionar estos modelos— está cayendo a un ritmo de entre 50 y 100 veces por año, mientras se construye un modelo de frontera nuevo cada seis a nueve meses. Tienes, a la vez, una demanda que se dispara, unos costes que se desploman y una carrera tecnológica que obliga a reinvertir constantemente para no quedarte atrás. Evans hace aquí una analogía que me parece luminosa: las redes móviles en 2010 son los modelos de lenguaje en 2026. Bits igual a tokens. Coste marginal. Tarifas opacas y mal alineadas con el valor. ¿Y cómo acabó aquello? Con tarifas planas, paquetes con límite, y una infraestructura que se volvió una commodity de la que el valor se lo llevaron otros. Sam Altman, no por casualidad, habla de un futuro en el que la inteligencia sea «una utility como la electricidad o el agua, y la gente la compre por contador». El problema, para sus accionistas, es que vender agua por contador no suele ser un gran negocio.
¿Tendrán los modelos poder de fijación de precios?
Esta es, para mí, la pregunta central de toda la presentación, y la que más debería interesar a cualquiera que invierta en este sector. El software clásico era un negocio maravilloso porque combinaba poco capital, efectos de red y monopolios de margen alto. ¿Será así con los modelos de lenguaje? ¿O serán intensivos en capital, sin efectos de red, una commodity de margen bajo?
El gráfico de dispersión es elocuente. Mide la puntuación agregada en benchmarks de los modelos de frontera de OpenAI, Anthropic, Google, Meta y los laboratorios chinos a lo largo del tiempo. ¿Y qué se ve? Que todos suben juntos, casi pegados, desde puntuaciones por debajo de 10 en 2022 hasta acercarse a 60 en 2026. No hay un ganador que se despegue. No hay nadie que abra una brecha insalvable. Para la mayoría de los usos generales y de consumo, los modelos son muy parecidos entre sí. Y lo decisivo, subraya Evans, es que no hay efectos de red: que yo use ChatGPT no hace que el modelo sea mejor para ti, ni te ata a él, ni te impide cambiarte mañana a otro. En el software clásico, los efectos de red eran el foso. Aquí, de momento, no aparecen por ningún lado.
Si los modelos son commodities y no tienen efectos de red, entonces —y esta es la tesis provisional de Evans, que él presenta con la humildad de quien sabe que pueden ser las respuestas equivocadas aunque sean las preguntas correctas— los modelos acabarán siendo simplemente infraestructura, y la innovación, y con ella el valor, se moverá hacia arriba en la pila: hacia las aplicaciones, las herramientas, los casos de uso concretos. El chat, dice, es una interfaz terrible. El uso general necesita «apps». Y los laboratorios no pueden construir todas las apps del mundo.
Aquí Evans trae la analogía que más me hace pensar como inversor: la de las redes móviles.
A la izquierda, el tráfico global de datos móviles crece de forma explosiva entre 2010 y 2025: la gente consume cantidades ingentes de datos, vídeos, aplicaciones, todo lo que quieras. A la derecha, el índice MSCI de las acciones de las operadoras de telecomunicaciones se queda plano como una mesa durante exactamente el mismo periodo. ¿Qué nos dice esto? Que las redes móviles son una industria de un billón de dólares, sí, pero todos los casos de uso y toda la captura de valor —WhatsApp, Instagram, Uber, Netflix en el móvil— los construyeron otros. Las operadoras pusieron la tubería y se quedaron con la tubería. El valor se fue río arriba, hacia las aplicaciones. La infraestructura de red, concluye Evans, rara vez captura el valor que se construye encima de ella.
¿Es ese el destino de los grandes laboratorios de IA? No lo sabemos. Puede que esta vez sea diferente —de hecho, siempre es diferente, y luego siempre rima—. Pero la pregunta está bien planteada, y como inversores conviene tenerla muy presente. Si tienes en cartera, vía índices, a las empresas que están gastando cientos de miles de millones en construir esta infraestructura, lo que estás haciendo implícitamente es apostar a que esta vez sí capturarán el valor de la pila. Es una apuesta legítima. Pero es una apuesta, y el gráfico de las telecos es el recordatorio incómodo de que no siempre sale bien.
Despliegue: una milla de ancho, un dedo de profundidad
Pasemos del capital al uso real. Porque una cosa es construir la infraestructura y otra muy distinta es que la gente la use de forma que justifique la inversión. Y aquí los datos de Evans son, a la vez, espectaculares y matizados.
ChatGPT declara más de 900 millones de usuarios activos semanales. La curva sube desde cero a finales de 2022 hasta el infinito y más allá. Es, sin exagerar, una de las adopciones de producto más rápidas de la historia. Y sin embargo, el subtítulo que pone Evans contiene toda la sustancia: solo el 5% paga. Novecientos millones de personas lo usan, y apenas uno de cada veinte abre la cartera. Es un dato que invita a pensar. La adopción es masiva; la monetización, de momento, anémica.
¿Por qué? Porque el uso es, como dice Evans con una imagen preciosa, una milla de ancho y un dedo de profundidad. La mayoría de la gente lo prueba, lo usa de vez en cuando para una consulta puntual, y poco más. Según los datos del propio OpenAI, menos de mil prompts al año —menos de tres al día— significa que no es una herramienta esencial diaria para al menos el 80% de los usuarios. Lo usan, sí. Pero no lo necesitan.
El gráfico de uso por cohortes lo confirma. Entre los adultos estadounidenses, el uso semanal de chatbots de IA generativa ronda el 48%, pero el uso diario apenas llega al 13%. Entre los más jóvenes —de 13 a 17 años, de 14 a 29— el uso diario sube, hasta el 26% en una de las encuestas, pero el patrón se mantiene: mucha gente lo usa alguna vez, bastante menos lo convierte en hábito diario. Es el clásico vaso medio lleno o medio vacío. Hay un enorme entusiasmo experimental, y una brecha considerable entre «lo probé la semana pasada» y «no puedo vivir sin esto». Evans la llama la «brecha de capacidad»: la distancia entre el uso actual y el potencial.
Y aquí Evans introduce el marco mental que, a mi juicio, da más profundidad a todo el análisis. ¿Cómo se despliega siempre una tecnología nueva? Primero la absorbemos: hacemos las cosas de siempre, pero mejor, con la herramienta nueva. Después, quizá, innovamos: hacemos cosas que solo son posibles con la nueva tecnología. Y finalmente, a veces, disrumpe: se redefine la pregunta entera. Lo difícil, lo lento, es pasar de la primera fase a las siguientes. Por eso lo primero que se automatiza siempre son los casos de uso obvios.
¿Y cuál es el caso de uso obvio que está despegando antes que ningún otro? La programación. El gráfico de gasto empresarial anualizado en IA, con datos de a16z, no deja lugar a dudas: la barra de «Coding» —escribir código— se eleva hasta unos 3.000 millones de dólares, mientras que las siguientes categorías (legal, soporte, administración médica, búsqueda) se quedan todas por debajo de los 500 millones. Es un cambio generacional en el desarrollo de software. Mark Zuckerberg lo resume así en otra lámina: cada vez vemos más ejemplos de una o dos personas construyendo en una semana algo que antes habría llevado a docenas de personas varios meses. Escribir código se ha vuelto mucho más rápido y barato. Lo cual, dicho sea de paso, abre una pregunta nada trivial: ¿los modelos reemplazan al software, o hacen que haya muchísimo más software? Evans, con buen criterio, no la responde.
En la empresa, la realidad es más lenta y más prosaica. El software empresarial siempre lo es.
Las tasas de adopción de casos de uso empresariales, con datos de Bain a lo largo de tres trimestres, muestran un patrón muy revelador. En la función de software, la adopción total ronda el 73%, pero buena parte sigue en fase de desarrollo o piloto, no en producción real. Y a medida que bajamos por las funciones —servicio al cliente, marketing, gestión del conocimiento, operaciones, IT, ventas, finanzas, recursos humanos, legal— las cifras descienden y la proporción que está realmente en producción es siempre menor que la que está «probando». Todo el mundo tiene un piloto. Bastante menos gente tiene algo funcionando de verdad. El software empresarial lleva tiempo, y viene con decepciones tempranas. Quien haya vivido un despliegue de un ERP sabe perfectamente de qué hablamos.
Esto, para el inversor, es una dosis sana de realismo. La narrativa de mercado tiende a comprimir el tiempo: como si la productividad de la IA fuera a materializarse en los resultados del próximo trimestre. La realidad de los datos de Bain sugiere lo contrario: los pilotos son baratos de empezar y caros de convertir en producción, y entre la promesa y el beneficio contable hay un trecho largo, lleno de fricción organizativa. No es que la IA no vaya a transformar la empresa. Es que lo hará a la velocidad a la que las organizaciones humanas son capaces de cambiar, que es lenta.
Cambio: qué se rompe y qué moats se evaporan
Y llegamos a la tercera pregunta, la más especulativa y, para mí, la más fértil intelectualmente. ¿Qué cambia de verdad? Evans aborda esto con una humildad que conviene subrayar. Cita a Yogi Berra —«es difícil hacer predicciones, sobretodo sobre el futuro»— y nos invita a imaginar que en 1997 alguien preguntara «¿qué cambiará internet?». La respuesta honesta entonces, como ahora, era: nadie lo sabe.
Pero sí podemos buscar patrones en la historia, que es lo que Evans hace mejor que nadie. Su tesis es que la automatización hace una de varias cosas, y conviene preguntarse cuál aplica a cada caso. A veces un trabajo entero resulta ser, simplemente, una tarea que se puede automatizar.
El gráfico de los ascensoristas en Estados Unidos es una pequeña lección de historia económica. Llegó a haber casi 95.000 personas cuyo trabajo era manejar la palanca del ascensor. Y entonces, en 1950, Otis lanzó el ascensor automático «Autotronic», y todo ese trabajo se convirtió, literalmente, en un botón. La curva se desploma desde su pico hasta casi desaparecer en cuarenta años. A veces, eso es lo que pasa: una profesión entera resulta ser una sola tarea, y la tarea se automatiza, y se acabó.
Pero ojo, porque ese no es el caso más frecuente. Con más asiduidad, el trabajo no desaparece: cambia. Evans muestra cómo el porcentaje de contables y auditores sobre el empleo total estadounidense se mantuvo notablemente estable a lo largo del siglo XX, a pesar de la calculadora, a pesar del ordenador, a pesar de la hoja de cálculo. La pregunta clave —y la que él insiste en formular— es si la automatización solo genera elasticidad de precios y excedente del consumidor, o si desbloquea tipos de trabajo completamente nuevos. Cuando el código de barras automatizó la gestión de inventario en los supermercados, el resultado no fue menos trabajo: fue que las tiendas pasaron a poder gestionar cinco veces más referencias de producto. La tarea se volvió «gratis» y eso desbloqueó algo que antes era imposible.
Aquí está, creo yo, el núcleo de lo que Evans quiere que nos preguntemos, y traducido al lenguaje de la inversión es oro puro. Cuando una tarea se vuelve gratis, hay que hacerse cuatro preguntas: ¿es esto solo elasticidad de precios y excedente del consumidor? ¿Qué tareas se vuelven gratis y qué desbloquea eso? ¿Era esa base de costes tu foso defensivo? ¿Qué era imposible que ahora se vuelve barato? Esa tercera pregunta —¿era el coste de esa tarea tu moat?— es la que debería quitar el sueño a más de un consejo de administración. Internet eliminó los costes de distribución física que protegían a muchas industrias de la competencia: los CDs, la imprenta, los cables, las tiendas. Y al eliminarlos, expuso a la competencia a sectores enteros —música, periodismo, televisión, comercio— que creían que su foso era su producto cuando en realidad su foso era el coste de distribuirlo.
¿Qué industrias están hoy protegidas por una base de costes —papeleo, trabajo aburrido, tareas tediosas— que la IA puede ahora automatizar hasta llevarla a cero? Esa es la pregunta del billón de dólares, y es exactamente la pregunta que un inversor de largo plazo debe hacerse sobre cada sector que tiene en cartera. Lo aburrido se va a automatizar. ¿Qué negocios dependen de que lo aburrido sea caro?
Evans cierra con la dosis de humildad que recorre toda la presentación, y que es la razón por la que merece la pena. Trae el gráfico de los valores de mercado en un cambio de plataforma —el valor privado de OpenAI y Anthropic frente a la capitalización conjunta de todas las salidas a bolsa de empresas respaldadas por capital riesgo en Estados Unidos durante la burbuja puntocom de 1995-2000—.
Y la conclusión es deliciosamente ambigua: «esto es totalmente diferente»... como siempre. El mercado, los mercados de capital y la oportunidad son todos diferentes esta vez. Pero siempre es diferente. Para cada nueva plataforma —internet, internet móvil, IA generativa— olvidamos cuántas ideas fracasaron y qué poco claro estaba todo. ¿Recuerda alguien Pointcast, VRML, WAP, i-mode? Eran, en su momento, el futuro inevitable. Como decía el guionista William Goldman sobre Hollywood, y Evans lo aplica a la tecnología: «nadie sabe nada».
A veces el software se come el mundo, y a veces solo lo mordisquea. Uber transformó los taxis, pero Airbnb no acabó con los hoteles. La pregunta de qué pasará tiene, para Evans, una respuesta honesta de dos partes: o «nadie lo sabe», o «¿qué pasó la última vez que todo cambió?». Presume incertidumbre radical. Pregúntate qué pueden hacer tú y tus competidores con esto, y si esto puede desbloquear o romper algo crucial en tu modelo de negocio. No hay más certezas, y quien te las venda, miente.
¿Y esto qué significa para tu patrimonio?
Permíteme aterrizar todo esto, que al fin y al cabo es lo único que importa cuando uno gestiona el dinero de familias con horizonte de décadas.
Primero, la concentración. Las mayores empresas del índice mundial son, hoy, las que más capital están quemando en esta apuesta. Si tienes una cartera indexada global —y la mayoría lo tenemos, en mayor o menor medida—, estás expuesto a esta ola te guste o no. Eso no es ni bueno ni malo en sí mismo: es un hecho que conviene mirar de frente. El perfil de riesgo de esas empresas ha cambiado, de generadoras de caja predecibles a apostadoras intensivas en capital. La diversificación por estrategias y la planificación que defendemos en BISSAN existen precisamente para que ninguna apuesta concreta —por convincente que parezca su narrativa— determine el destino de un patrimonio familiar.
Segundo, la paciencia. Los datos de Evans gritan una cosa por encima de todas: la adopción es real, masiva y rápida; pero la monetización, los márgenes de equilibrio y la captura de valor están todavía por demostrar, y tardarán años en resolverse. El mercado tiende a pagar hoy por un futuro que llegará —si llega— mucho más despacio de lo que descuentan las cotizaciones. El factor más importante a la hora de invertir no es acertar con la tecnología ganadora; es el comportamiento del inversor durante el largo y accidentado trecho entre la promesa y el beneficio. Y ese comportamiento se gestiona con un plan, no con titulares.
Y tercero, la humildad. La gran virtud de Evans es que, teniendo todos los datos para construir una narrativa triunfalista o catastrofista, hace ninguna de las dos cosas. Mira, mide, contextualiza en la historia y reconoce que no sabe cómo acaba. Esa es exactamente la postura que recomiendo ante esta ola: ni euforia ni pánico, sino estudio sereno y un plan que aguante tanto el escenario en el que la IA cumple todas sus promesas como aquel en el que se queda, como las telecos, poniendo la tubería para que otros se lleven el agua. El tiempo dirá por dónde acaba.
Este artículo es un comentario divulgativo de BISSAN sobre la presentación «AI eats the world» de Benedict Evans (mayo de 2026), cuyos datos, gráficos y fuentes (Companies, US Census, MSCI, Ericsson, ArtificialAnalysis, a16z, Bain, OpenAI, NVCA, BLS) pertenecen al autor original. No constituye asesoramiento financiero ni una recomendación de compra o venta de ningún valor. Las rentabilidades pasadas no garantizan rentabilidades futuras. Cualquier decisión de inversión debe enmarcarse en una planificación patrimonial individualizada y en un análisis de idoneidad. BISSAN es una EAF (Empresa de Asesoramiento Financiero) registrada.