Hay una idea que recorre todo este informe de Man Group y conviene tenerla clara desde el principio: nadie está discutiendo que la inteligencia artificial sea transformadora. Lo que los autores —Paul Kedrosky (MIT Institute for the Digital Economy), junto a Sumant Wahi y Alex Preston, de Man Group— ponen en duda es otra cosa, mucho más incómoda para los mercados. La tecnología es real y ha venido para quedarse; el problema es la arquitectura financiera que se ha levantado encima de ella, que crece a un ritmo que ninguna curva de adopción creíble puede sostener. Su veredicto es deliberadamente seco: cada vez parece más una cuestión de cuándo, y no de si, estalla la burbuja.
Un boom construido sobre el apalancamiento, no sobre la adopción
El argumento de partida es histórico. Ferrocarriles, electrificación, radio, fibra óptica, las puntocom: en todas las grandes revoluciones tecnológicas la tecnología acabó sobreviviendo, pero el ciclo de financiación se rompió porque las expectativas iban por delante de lo que la industria podía cumplir. La IA, dicen los autores, encaja en ese patrón. Las valoraciones al alza justifican más capex; el capex creciente se lee como señal de demanda futura explosiva; y esa señal, a su vez, refuerza las valoraciones. Es un bucle que se retroalimenta solo. El día que la curva de ingresos no se empina a tiempo, el bucle se rompe.
El problema de la recursión entre hiperescaladores
Lo que hace especialmente peligroso este ciclo es su estructura cerrada. Un puñado de mega-capitalizaciones —Microsoft, NVIDIA, Amazon, Meta, Google, OpenAI y Anthropic— actúan a la vez como proveedores, clientes, inversores y validadores unos de otros. Microsoft "invierte" en OpenAI a través de créditos de computación en la nube, una moneda que no sirve para nada fuera de ese circuito. Lo mismo con Amazon y Anthropic.
El resultado es que el crecimiento de ingresos puede parecer espectacular simplemente porque cada nodo del bucle paga al siguiente. La demanda se vuelve circular y se divorcia del mercado real. De ahí surgen dos riesgos sistémicos que Man Group subraya: la demanda reflexiva (si una sola empresa frena su inversión, los ingresos caen en todo el clúster) y la capacidad mal valorada (las decisiones de capex se basan en señales internas, no en validación independiente del mercado). Visto empresa a empresa, cada decisión de invertir parece racional; vista en conjunto, el comportamiento es profundamente irracional, con una duplicación masiva de modelos casi idénticos peleándose por los mismos recursos escasos (memoria HBM, capacidad eléctrica, espacio de centro de datos).
Dónde vive de verdad el apalancamiento
Al principio del ciclo, los hiperescaladores financiaban el capex con su propia caja, lo que ponía un límite natural al crecimiento. Eso cambió en 2025: el gasto en centros de datos se disparó y absorbió una porción cada vez mayor de los beneficios.
Figura 1. Gasto trimestral en capex de los gigantes de la IA — Fuente: Man Group (cuentas de las respectivas compañías, a 31 oct 2025).
El gráfico no deja lugar a dudas: el capex trimestral combinado de Google, Meta, Amazon y Microsoft pasa de cifras modestas en 2020 a rozar los US$100.000 millones por trimestre en 2025, con una pendiente que se vuelve casi vertical en los últimos trimestres. Ese salto tuvo dos efectos. Primero, las tecnológicas empezaron a buscar capital no dilutivo, justo cuando el private credit —una clase de activo de billones de dólares— estaba ansioso por prestar a buenos riesgos. Segundo, apareció una plantilla de financiación replicable.
La plantilla que prendió la mecha
Esa plantilla es la financiación basada en activos (asset-based financing): se usan los propios proyectos como colateral en una estructura legal donde los ingresos que generan pagan la deuda. Es habitual en el inmobiliario comercial y ahora se aplica a los centros de datos mediante titulizaciones (ABS). Con un supuesto desfase de más de US$2 billones entre las fuentes de financiación actuales y los planes de construcción, no hacía falta más para encender el fuego.
Figura 2. Crecimiento de las titulizaciones (ABS) ligadas a centros de datos — Fuente: BofA Global Research (datos de 2025, a 15 oct 2025).
La figura muestra la emisión anual de ABS desglosada por tipo de activo. Durante años predominaron las torres de telefonía (cell tower) y la fibra, con volúmenes pequeños; pero en 2025 la barra se dispara muy por encima de cualquier ejercicio previo, y lo hace dominada por el segmento de centros de datos (data centre), que aparece como el tramo más grande con diferencia. Es la prueba visual de la tesis: el buildout de IA se está desplazando hacia la deuda. El ejemplo que citan es el proyecto Hyperion de Meta, de US$30.000 millones, donde solo el 20% del coste figura en el balance de Meta y el resto vive en un vehículo separado. Así, los hiperescaladores empujan los pasivos hacia fuera: vehículos de propósito especial, fondos de infraestructura, crédito privado, balances de aseguradoras e incluso, indirectamente, ETFs de REITs de centros de datos.
El desajuste que nadie está mirando
Aquí está, para Man Group, la "bomba de relojería". Quienes prestan a estos proyectos —bancos, aseguradoras, fondos de pensiones, vehículos de crédito privado— creen estar financiando infraestructura de larga duración, comparable al inmobiliario comercial, con modelos que asumen vidas útiles de entre siete y quince años, flujos estables y colateral recuperable. Pero la vida económica efectiva de un chip GPU o ASIC es de aproximadamente un año. Un centro de datos lleno de NVIDIA H100 de 2024 ya está en desventaja frente a otro con chips Blackwell de 2025. Conclusión: los calendarios de amortización son demasiado largos, los valores de colateral en caso de impago son ilusorios y los supuestos de flujo de caja son frágiles. Los inversores de capital riesgo y venture lo entienden y se cubren con horizontes cortos y retornos tipo equity; los prestamistas, no.
El abismo entre coste e ingreso
El dato más demoledor es el de la economía unitaria. La demanda de tokens crece con fuerza, sí, pero no lo bastante rápido para compensar el desplome del coste por unidad.
Figura 3. El coste por token cae exponencialmente — Fuente: Man Group (Epoch AI, Artificial Analysis; escala logarítmica).
El gráfico, en escala logarítmica, dibuja una nube de puntos que desciende de forma sostenida a lo largo de los años, reflejando cómo el precio por token se hunde por las mejoras de eficiencia. Man Group cuantifica la pendiente: las ganancias de eficiencia abaratan los tokens más de un 70% al año. Eso significa que, para que los ingresos simplemente no caigan, la demanda de tokens tendría que aumentar más de un 225% cada año. Y a esto se suma el desfase de fondo que da título a una de las secciones del informe: del orden de US$200.000 millones de capex frente a unos US$12.000 millones de ingresos. Históricamente las burbujas estrechaban ese hueco a medida que la adopción alcanzaba a la inversión; en la IA está ocurriendo lo contrario, con los hiperescaladores duplicando pedidos de GPU mientras el crecimiento de ingresos se estanca.
Hay además un matiz técnico relevante: el entrenamiento (training) ha dejado de ser un motor de crecimiento para convertirse en un centro de coste con rendimientos decrecientes, mientras que la inferencia —la otra mitad de la carga— está dominada hoy por usos difíciles de monetizar (juego de rol y entretenimiento conversacional) o muy sensibles al precio (asistencia a la programación). Y los modelos chinos y de pesos abiertos ya rozan el 25% de cuota en algunos segmentos, erosionando los fosos defensivos y presionando precios y márgenes.
Cómo se deshace el nudo
Man Group no anticipa un colapso súbito, sino una meseta en el capex de los hiperescaladores como punto de partida. A partir de ahí plantea varios escenarios: que un solo gigante recorte sus pedidos de GPU un 20-30% y la onda se propague mecánicamente; que el exceso de construcción quede al descubierto cuando la utilización siga baja; que se rompa el bucle recursivo; o —el más detallado— el estrés del crédito privado. En este último, los autores esperan que "el ajuste de cuentas llegue en el año tres": para entonces, los primeros centros de datos estarán dos generaciones tecnológicas por detrás, los precios de los tokens habrán caído más de un 90% respecto a los supuestos iniciales, y lo que los acreedores creían que valía 70-80 céntimos por dólar podría valer 20-30, o menos. No sería una crisis de liquidez, sino de solvencia: los activos están deteriorados, no temporalmente estresados. La primera oleada de impagos, calculan, llegaría en 2027-2028.
Ya hay una señal temprana: Microsoft ha dado marcha atrás en su compromiso de cubrir todas las necesidades de cómputo de OpenAI y deja entrar a Oracle y a proveedores neo-cloud. Que el abanderado original de la IA se vuelva más selectivo es, para Man Group, "altamente significativo".
El criterio de Maya
Lo más valioso de este informe no es la palabra "burbuja" —que vende titulares— sino el lugar donde sitúa el riesgo. Su tesis central es que la exposición a la IA está migrando desde los balances de las tecnológicas hacia instituciones que no se ven a sí mismas apostando por ciclos de GPU: utilities, aseguradoras, operadores de centros de datos, crédito privado, pensiones y vehículos minoristas. Esa "migración silenciosa del riesgo" es, dicen, el rasgo distintivo de esta burbuja.
Y ahí conviene poner el acento, porque es donde toca de cerca al inversor de a pie. Cuando el riesgo de un activo de cíclica corta (chips que se deprecian como teléfonos, no como edificios) se empaqueta con la duración larga de la deuda y se distribuye a través de productos "alternativos" que entran en planes de jubilación, el problema deja de ser solo de Silicon Valley. La lección no es huir de la tecnología —los propios autores insisten en que muchas grandes compañías sobrevivirán y prosperarán—, sino entender qué se tiene de verdad en cartera y por qué vía. Saber distinguir entre la empresa que resuelve un problema económico real y el vehículo que se limita a monetizar los desequilibrios temporales de la fase de construcción es, exactamente, el tipo de análisis para el que existe una metodología disciplinada de gestión del riesgo. La euforia se contagia; el escrutinio del colateral, no.