Hace tres años, la inteligencia artificial era poco más que una curiosidad de sobremesa. Hoy es una partida de asignación de capital. Así arranca este Big Picture de Morgan Stanley Investment Management, firmado por Jitania Kandhari: desde el avance de 2017 (el Transformer de Google, cuando todo empezó a acelerarse) se han comprometido alrededor de 2,3 billones de dólares en IA, y el ritmo, sostiene el informe, se acelera en lugar de aplanarse. El reto para quien administra un patrimonio no es entender que la IA importa —eso ya lo intuimos todos—, sino construir marcos suficientemente precisos para actuar. Marcos, no pronósticos. Esa distinción, que parece de matiz, es en realidad el corazón del documento.
Morgan Stanley ordena su lectura en diez «verdades de inversión»; no las repasaré una a una, prefiero agruparlas, que es como se entienden.
Cuatro fuerzas que componen a la vez
La primera idea es que cuatro fuerzas —algoritmos, cómputo, talento y capital— están componiendo simultáneamente, sin precedente histórico. Los resultados son medibles: el consumo de tokens (las unidades básicas de texto que procesa un modelo) creció más de diez veces solo en 2025, y las capacidades estarían doblándose cada cuatro meses, lo que implicaría sistemas 250 veces más potentes en 2028 que hoy. Son cifras que marean, y conviene tomarlas con la prudencia de cualquier extrapolación exponencial (la historia está llena de curvas que parecían no tener techo hasta que lo tuvieron).
El cuello de botella que no se queda quieto
La segunda verdad me parece de las más útiles para un inversor. La Ley de Moore —ese principio de sesenta años según el cual cada dos años el cómputo se abarataba y mejoraba— ha dejado de cumplirse. No es una pausa: es que la física se ha terminado. ¿Y qué ocurre entonces? Que el cuello de botella empieza a migrar por la cadena de suministro: primero los chips, luego la energía, después la memoria, más tarde las redes y finalmente la refrigeración. Cada migración convierte el insumo commodity de ayer en el activo escaso de mañana. La memoria, de hecho, está infraabastecida hasta finales de 2026, y Morgan Stanley calcula entre 75 y 100 exabytes de demanda incremental en 2027, con una nueva duplicación en 2028. Para el inversor, la oportunidad no está en adivinar quién fabrica el mejor chip, sino en identificar qué capa se vuelve indispensable antes de que lo haga el consenso.
Cuando el cómputo se convierte en ingresos
La tercera idea es elegante: los centros de datos han dejado de ser centros de coste para convertirse en fábricas, y su producto son los tokens, que se cotizan en dólares por millón, como la electricidad por kilovatio-hora. La métrica decisiva, dice el informe, es tokens por vatio: inteligencia producida por unidad de energía consumida. Y hay un matiz que un inversor debería interiorizar: la demanda no crece de forma lineal. La IA generativa estableció la línea base; la IA de razonamiento exigió unas mil veces más cómputo; la IA agéntica —sistemas que actúan, no que solo responden— requiere del orden de un millón de veces más que el modelo conversacional original. Cada fase amplía el mercado en lugar de sustituirlo. Buen recordatorio de por qué la factura energética se ha vuelto, sobretodo en Estados Unidos, un asunto de primer orden.
«La métrica técnica más importante de esta nueva economía es tokens por vatio, la medida de la inteligencia producida por unidad de energía consumida.»
De responder a actuar
La cuarta verdad es la transición agéntica: la IA pasa de esperar a que le pregunten a ponerse a trabajar por su cuenta. Algunos ingenieros ya gestionan cuatro o más agentes a la vez, delegando en lugar de programar. Y lo más subestimado es lo que ocurre cuando los agentes empiezan a transaccionar —ejecutar compras y liquidar pagos de forma autónoma—, algo que favorece a los raíles de pago sin autorización humana ni horario. No es asunto menor, y abre una pregunta que ninguna ley ha resuelto: ¿quién responde cuando el que actúa no es una persona, sino un agente?
El foso ya no es el código
Llegamos a una idea que me interesa especialmente, porqué conecta con algo muy antiguo. ¿Dónde reside la ventaja competitiva de una empresa de software cuando construirlo cuesta hoy una fracción de lo que costaba? La respuesta de Morgan Stanley son las tres D: Data, Domain, Distribution (datos, dominio y distribución).
Replicar una funcionalidad que antes exigía meses y cientos de millones puede hacerse hoy en días. Pero replicar una red construida durante dos décadas, no. El foso nunca fue el software: fue lo que el software acumuló con el tiempo. La IA no ha cambiado esa lógica; la ha afilado. Para el inversor, la consecuencia es distinguir entre las empresas que la IA potencia y las que quedan expuestas, sobretodo en el software vertical, a una competencia nativa en IA. El mercado no siempre lo distingue bien.
Del software a las máquinas
Hay una sexta idea que no quiero saltarme: la inteligencia sale del software para entrar en máquinas que se mueven, construyen y transportan. Si la IA digital automatizó el trabajo del conocimiento, la IA física —vehículos autónomos, robótica, drones— promete automatizar la economía real. Un dato que da la escala: los ingresos del vehículo definido por software se duplicaron de 500 millones de dólares en 2021 a 1.000 millones en 2024, con objetivo de 2.000 millones en 2027. No es una vertical de nicho: es una capa horizontal que atraviesa hardware, software, sensores y energía.
Un ciclo de capital de espectro completo
La séptima verdad es, para mí, la que mejor ordena todo lo demás: la IA no es una historia sectorial, sino un ciclo de capital que atraviesa activos y sectores. El informe lo dibuja como una pila (stack) de tres capas.
En la base, la infraestructura, intensiva en capital y de la que todo lo demás depende; en el medio, los modelos (entrenamiento, inferencia, orquestación), donde la competencia es más fluida; y arriba, las aplicaciones, divididas entre la IA agéntica y la IA física. El activo escaso se desplaza según por dónde vaya el cuello de botella. Para un patrimonio, la lectura es directa: la IA es un tema transversal, con implicaciones para la construcción de cartera, la selección de gestores y la asignación de capital a largo plazo. No se resuelve comprando «una acción de IA».
Dos arquitecturas, una carrera
La octava verdad sube el tema a la geopolítica, que es donde se pone serio. Emergen dos ecosistemas: el estadounidense, un motor de innovación caro y muy intensivo en capital, cuya principal restricción ya no son los semiconductores sino la energía; y el chino, obligado por los controles de exportación a volverse eficiente y de bajo coste, apoyado en el código abierto y en una cadena de suministro asiática. Y aquí el dato que a mí más me hizo levantar la ceja: pese a gastar solo el 18% de lo que han invertido los hiperescaladores americanos, los modelos chinos ya rinden en línea con sus pares estadounidenses, con un rezago que se ha estrechado a alrededor de un mes.
El gráfico lo cuenta bien: la serie roja (China) arranca por detrás de la azul (Estados Unidos) y acorta distancia lanzamiento tras lanzamiento. ¿Significa esto que China «gana»? No lo sé, y el informe tampoco lo afirma. Lo que sí sostiene, y me parece razonable, es tratar el avance chino como un supuesto de base y no como un riesgo lejano. Porque cuando una carrera tecnológica se vuelve asunto de seguridad nacional, históricamente dura más y atrae más capital que una carrera puramente comercial.
Capacidades que avanzan, gobernanza que no
La novena verdad es incómoda: las capacidades corren más deprisa de lo que la política pública puede responder, y son empresas privadas —no gobiernos— quienes deciden qué países y compañías pueden desplegar según qué modelos. Regulación privada de infraestructura pública, sin mandato democrático. La mitad del mercado empresarial sigue, además, con ciberseguridad heredada frente a amenazas que operan a velocidad de máquina. Desgraciadamente, esta es la clase de asimetría que no cotiza hasta el día en que cotiza de golpe.
De los telegramas a los tokens
La décima verdad es la que más me gusta, porqué es puro sentido histórico. La sensación de construir infraestructura por delante de su demanda no es nueva: se ha repetido en cada gran ciclo de comunicaciones durante 170 años. El telégrafo submarino del siglo XIX es el primer ejemplo: enviar un mensaje entre Australia y el Reino Unido llegó a costar tres semanas de salario medio; entre 1866 y 1900 el precio cayó de 1,09 a 0,30 dólares por mensaje y el volumen se multiplicó por once (de 5,8 a 63,2 millones de mensajes), hasta rozar los 212 millones hacia 1930. La fibra óptica repitió el patrón con la Ley de Telecomunicaciones estadounidense de 1996: los operadores pasaron de 30 a 711 en cuatro años y el coste de la llamada de larga distancia bajó de 0,75 a 0,55 dólares por minuto (0,10 en algunas rutas). Lo que parecía sobreinversión resultó ser el cimiento de internet. La diferencia con la IA, según Sam Altman, es la velocidad: el coste de los tokens cayó diez veces en un solo año, 2025. El telégrafo tardó décadas en abaratarse; la fibra, una década; la IA, un año. El punto de inflexión de la adopción quizá no tarde diez años. Quizá tarde dos.
Sería irresponsable no mirar el escenario adverso
Hasta aquí la tesis optimista. Pero el propio informe —y esto le honra— dedica una sección a qué podría salir mal, con cuatro riesgos que suscribo enteros. El primero, que la convergencia se estanque: las leyes de escalado podrían estar aplanándose, y si la AGI (inteligencia artificial general) tarda más de lo esperado, el capital desplegado hoy podría dejar activos varados a escala extraordinaria. El segundo, la brecha entre capacidad y monetización: las métricas se aceleran, pero la productividad todavía no se ve en los datos; si esa brecha no se cierra, el ciclo de capital se da la vuelta. El tercero, la fiabilidad: en un chatbot, una alucinación produce una frase equivocada; en un agente que ejecuta tareas, una acción equivocada, con consecuencias reales (un solo fallo sonado en una institución sistémica podría desencadenar una intervención regulatoria que frene la adopción durante años). Y el cuarto, el que más me preocupa: concentración disfrazada de diversificación. El ecosistema parece amplio (semiconductores, nube, modelos, aplicaciones, sistemas físicos), pero las correlaciones son profundas —los hiperescaladores invierten en laboratorios cuyos ingresos vuelven a sus propias nubes, y la fabricación avanzada de semiconductores sigue concentrada en una sola geografía—. Un shock geopolítico o un recorte brusco de inversión no golpea una capa: las atraviesa todas a la vez.
Y esto, ¿qué significa para tu patrimonio?
Pensemos en lo que un inversor de largo plazo puede llevarse de todo esto. Lo primero, que la IA no se juega comprando «la acción ganadora»: es un tema transversal, y quien lo trate como una apuesta concentrada estará asumiendo, sin saberlo, justo el riesgo que el informe subraya al final —esa concentración disfrazada de diversificación—. Lo segundo, que la humildad no es aquí una cortesía retórica, sino una herramienta de trabajo. El propio Morgan Stanley cierra con una nota de humildad: nadie tiene experiencia desplegando IA a esta escala, y el sello de una buena inversión no es la certeza sobre los resultados, sino la disciplina de usar marcos lo bastante rigurosos como para actualizarlos cuando llegan nuevos datos.
Así pues, en BISSAN llevamos años diciendo algo parecido con otras palabras: el futuro no nos pertenece, y una cartera bien construida no es la que acierta el nombre de moda, sino la que sobrevive a equivocarse. La IA es, probablemente, el ciclo de capital más importante de nuestra generación. Precisamente por eso pide marcos, no titulares. ¿Tiene sentido? A mí me lo parece. El tiempo dirá.