Las grandes tecnológicas aumentan el gasto en IA a medida que los modelos de razonamiento toman el control

Las mayores empresas tecnológicas aumentarán sus gastos en inteligencia artificial a más de 500.000 millones de dólares a principios de la próxima década, impulsadas en parte por DeepSeek y la metodología de IA más reciente de OpenAI. 

que Microsoft Corp., Amazon.com Inc. y Meta Platforms Inc., conocidos colectivamente como hiperescaladores, invertirán 371 000 millones de dólares en centros de datos de IA y recursos informáticos en 2025, lo que representa un aumento del 44 % respecto al año anterior. Para 2032, se espera que esta cifra alcance los 525 000 millones de dólares.

Históricamente, gran parte de la inversión en IA se destinaba a centros de datos y chips para entrenar o crear nuevos modelos de IA significativamente complejos. Ahora, las empresas quieren adoptar un enfoque diferente. Tras esto, se espera que las empresas tecnológicas dediquen mayor inversión a la inferencia, es decir, al proceso de ejecución de esos sistemas una vez entrenados.

Cómo DeepSeek y OpenAI están influyendo en las tendencias de gasto en IA

DeepSeek de China, OpenAI y varias otras empresas han introducido nuevos modelos de razonamiento, intensificando la competencia entre empresas que aún no han adoptado un enfoque similar.

Estos sistemas imitan la resolución de problemas humanos al tomar tiempo adicional para procesar y calcular las respuestas a las consultas de los usuarios.

El auge de DeepSeek, que afirmaba poder crear un modelo competitivo a un coste menor que el de algunos de sus principales competidores estadounidenses, generó inquietud sobre las fuertes inversiones en el desarrollo de IA en el sector tecnológico estadounidense. Como resultado, algunas empresas tecnológicas líderes prefieren sistemas de IA más eficientes que puedan funcionar con menos chips.

Sin embargo, los modelos de razonamiento también ofrecen nuevas oportunidades para obtener beneficios del software y posiblemente repercutir en mayores costos de desarrollo tras su implementación. Esto probablemente fomentará una mayor inversión en esta estrategia y aumentará el gasto en IA en general.

Mandeep Singh, analista de Bloomberg Intelligence, escribió: “El crecimiento del gasto de capital para la capacitación en IA podría ser mucho más lento que nuestras expectativas anteriores”

Sin embargo, señaló que el tremendo enfoque en DeepSeek probablemente alentará a las empresas tecnológicas a “aumentar las inversiones” en inferencia, convirtiéndolo en el segmento de mercado con la tasa de crecimiento más rápida en IA generativa.

Según informes, se prevé que más del 40 % del presupuesto de IA de los hiperescaladores se destine a entrenamiento este año; sin embargo, en 2032, ese porcentaje se reducirá a tan solo el 14 %. En cambio, casi la mitad del gasto anual en IA podría asignarse a inversiones basadas en inferencia.

Por otro lado, Singh escribió que Google, de Alphabet Inc., parece estar mejor posicionado para realizar este cambio rápidamente, gracias a sus chips internos que gestionan el entrenamiento y la inferencia. Otras empresas tecnológicas, como Microsoft y Meta, podrían no tener tanta flexibilidad debido a su gran dependencia de los chips de Nvidia Corp.

Cómo los modelos de razonamiento están transformando la IA con pensamiento lógico y estructurado

Los modelos de razonamiento son modelos de lenguaje especializados diseñados para resolver problemas mediante un razonamiento lógico explícito que han surgido como un nuevo paradigma en la IA, superando a los modelos de lenguaje natural convencionales en tareas desafiantes al descomponer los problemas, "pensar" antes de responder y mejorar iterativamente las soluciones.

Históricamente, los LLM de propósito general podían generar respuestas sencillas. Con la introducción de modelos de razonamiento, las respuestas siguen un proceso de pensamiento más estructurado, y se indica el proceso para llegar a esa respuesta. Sin embargo, mientras que algunos modelos muestran claramente su fase de razonamiento lógico, otros no.

La fase de razonamiento muestra cómo el modelo puede dividir el problema planteado en problemas más pequeños (descomposición), probar diferentes enfoques (ideación), elegir los mejores enfoques (validación), rechazar enfoques inválidos (posiblementetrac) y, finalmente, elegir la mejor respuesta (ejecución/solución).