Las grandes tecnológicas aumentan el gasto en IA a medida que los modelos de razonamiento toman el control
- Gigantes tecnológicos como Microsoft, Amazon y Meta incrementarán su gasto en IA a más de 500 mil millones de dólares anuales para la próxima década.
- La inversión en IA se está desplazando del entrenamiento de modelos hacia la inferencia, lo que podría representar casi el 50% de los presupuestos de IA para 2032.
- Los modelos de razonamiento de DeepSeek y OpenAI están transformando la IA al mejorar la eficiencia y reducir la dependencia de chips costosos.
Las mayores empresas tecnológicas elevarán sus gastos en inteligencia artificial a más de 500.000 millones de dólares a principios de la siguiente década, impulsados en parte por la metodología de IA más reciente de DeepSeek y OpenAI.
Microsoft Corp., Amazon.com Inc. y Meta Platforms Inc., colectivamente conocidas como hiperscaladores, se proyecta que gastarán 371.000 millones de dólares en centros de datos de IA y recursos de computación en 2025, un aumento del 44% con respecto al año anterior. Para 2032, esta cifra se espera que se dispare a 525.000 millones de dólares.
Históricamente, gran parte de la inversión en IA se ha destinado a centros de datos y chips para entrenar o crear modelos de IA significativamente nuevos y complejos. Ahora, las empresas quieren tomar un enfoque diferente. Siguiendo esto, se espera que las empresas tecnológicas muevan más gasto a la inferencia o el proceso de ejecutar esos sistemas después de haber sido entrenados.
Cómo DeepSeek y OpenAI están dando forma a las tendencias de gasto en IA
DeepSeek de China, OpenAI y varias otras empresas han introducido nuevos modelos de razonamiento, intensificando la competencia entre las empresas que aún no han adoptado un enfoque similar.
Estos sistemas imitan la resolución de problemas humana tomando tiempo adicional para procesar y calcular respuestas a las consultas de los usuarios.
El auge de DeepSeek, que afirmó que podía crear un modelo competitivo a un costo más bajo en comparación con algunos de sus principales competidores de EE. UU., generó preocupaciones sobre las fuertes inversiones en desarrollo de IA en el sector tecnológico de EE. UU. Como resultado, algunas empresas tecnológicas líderes prefieren sistemas de IA más eficientes que puedan ejecutarse en menos chips.
Sin embargo, los modelos de razonamiento también presentan nuevas oportunidades para beneficiarse del software y posiblemente desplazar más costos de desarrollo después de que el modelo se lance. Esto probablemente fomentará más inversión en esta estrategia y aumentará el gasto en IA en general.
Un analista de Bloomberg Intelligence, Mandeep Singh, escribió: “El crecimiento del gasto de capital para el entrenamiento de IA podría ser mucho más lento de lo que nuestras expectativas anteriores.”
Sin embargo, señaló que el tremendo enfoque en DeepSeek probablemente animará 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 los informes, se anticipa que más del 40% de los presupuestos de IA de los hiperscaladores este año se destinarán al entrenamiento; sin embargo, en 2032, ese porcentaje caerá a solo el 14%. En contraste, casi la mitad de todo el gasto anual en IA podría asignarse a inversiones impulsadas por la inferencia.
Por otro lado, Singh escribió que Google de Alphabet Inc. parece estar mejor posicionado para hacer este cambio rápidamente, gracias a sus chips internos que manejan el entrenamiento y la inferencia. Otras empresas tecnológicas, como Microsoft y Meta, pueden no tener tanta flexibilidad porque han dependido tanto de los chips de Nvidia Corp.
Cómo los modelos de razonamiento están remodelando la IA con pensamiento estructurado y lógico
Los modelos de razonamiento son modelos de lenguaje especializados diseñados para resolver problemas mediante un razonamiento lógico explícito que han emergido como un nuevo paradigma en la IA, superando a los LLM convencionales en tareas desafiantes al descomponer problemas, “pensar” antes de responder y mejorar iterativamente las soluciones.
Históricamente, los LLM de propósito general podían generar respuestas simples. 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 descomponer el problema planteado en problemas más pequeños (descomposición), probar diferentes enfoques (ideación), elegir los mejores enfoques (validación), rechazar enfoques inválidos (posiblemente retrocediendo) y finalmente elegir la mejor respuesta (ejecución/resolución).
Si estás leyendo esto, ya vas por delante. Mantente así con nuestro boletín.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
Nellius Irene
Nellius es graduada en Administración de Empresas y Tecnología de la Información con cinco años de experiencia en la industria de las criptomonedas. También es egresada de Bitcoin Dada. Nellius ha contribuido a publicaciones mediáticas líderes, incluyendo BanklessTimes, Cryptobasic y Riseup Media.
