Quién paga la cuenta de ChatGPT

Hoy en día ya es normal abrir ChatGPT varias veces al día. Lo usamos para trabajar, estudiar, resumir PDFs, escribir correos, revisar código… y a veces para cosas mucho más personales: hablar de sentimientos, dudas, dilemas. Para muchos se ha vuelto una mezcla rara entre herramienta de trabajo y amigo sabio que siempre tiene una opinión.

Y no somos pocos. OpenAI publicó que más de 800 millones de personas usan ChatGPT cada semana. Otras empresas de IA tampoco se quedan atrás: Anthropic con Claude, más orientado a empresas y Google con Gemini, que ya se usa para responder preguntas y generar imágenes en varios productos.

En la pantalla parece solo un chat cualquiera como si fuera una conversación de WhatsApp. Pero detrás de cada respuesta hay algo mucho menos ligero: edificios enormes llenos de computadoras carísimas que consumen cantidades absurdas de energía. Y una apuesta económica histórica: cientos de miles de millones de dólares invertidos en infraestructura de IA.

La pregunta es inevitable:
Si todos chateamos con estos modelos de IA como si nada, ¿quién está pagando la cuenta… y es rentable esta apuesta?

ChatGPT o Gemini no son magia. Son programas llamados modelos de lenguaje (Large Language Models, LLMs) entrenados con cantidades ridículas de texto: libros, artículos, páginas web, posts en redes sociales… prácticamente todo lo que pudieron encontrar.

La idea central de como funcionan es sorprendentemente simple:

El modelo aprende a predecir la siguiente palabra en un texto.

Eso es todo.
Pero lo hace millones y millones de veces, leyendo más texto del que podríamos leer en varias vidas. Mientras más texto y más cómputo se le da al modelo durante su entrenamiento, mejor se vuelve para detectar patrones, contextos y relaciones entre palabras. A esto en el mundo de la IA le llaman “scaling”: escalar los modelos (más parámetros), los datos (más texto) y el cómputo (más chips) para lograr más capacidad.

Cuando OpenAI entrenó la primera versión de ChatGPT lanzó en 2022, usó una cantidad absurda de texto. Fueron alrededor de 45 petabytes de datos. Si todo eso lo imprimiéramos en libros físicos, estaríamos hablando de más de 90 mil millones de libros, suficientes para llenar casi cien veces el Estadio Azteca.

Detrás de la “inteligencia” aparente del modelo no hay una conciencia, sino un sistema estadístico muy avanzado que aprendió, a fuerza de ver ejemplos, qué palabras suelen seguir a otras en distintos contextos. Lo sofisticado está en la escala y la infraestructura necesaria para que todo esto funcione.

Entrenar uno de estos modelos no se puede hacer en una laptop ni en una sola computadora poderosa. Si intentaras entrenar un modelo así en un solo chip especializado, te tardarías siglos. Literalmente, más de 300 años.

Por eso el entrenamiento se reparte en miles de chips trabajando en paralelo, la mayoría fabricados por empresas como Nvidia, instalados en edificios gigantes que conocemos como centros de datos. Son bodegas llenas de racks, cables, ventilación industrial y servidores que no se apagan nunca.

En esos centros de datos pasa dos cosas:

1. Se entrenan los modelos (la etapa de “enseñarles” con todo ese texto).

2. Viven los modelos ya entrenados, listos para responder cuando tú escribes “explícame esto como si tuviera 10 años”.

Cada vez que le haces una pregunta a ChatGPT, tu mensaje viaja a uno de estos centros de datos, un modelo gigantesco procesa tu texto en segundos y te regresa una respuesta. Ese cálculo no es gratis: cada interacción implica usar chips muy caros, energía eléctrica y toda una infraestructura de red.

Por eso las empresas de IA han tenido que invertir cantidades astronómicas en:

• Construir centros de datos nuevos

• Llenarlos de chips especializados

• Adecuar la infraestructura eléctrica y de enfriamiento para mantenerlos funcionando

Solo en 2025, la inversión mundial en infraestructura para IA —principalmente centros de datos y chips— se estima alrededor de 315 mil millones de dólares. Y las proyecciones de consultoras como McKinsey hablan de inversiones acumuladas que podrían acercarse a los 7.9 billones de dólares (trillions en inglés) en los próximos años.

Para ponerlo en contexto:
El PIB de México (todo lo que produce el país en un año) es alrededor de 1.8 billones de dólares. Es decir, la apuesta en infraestructura de IA compite, en tamaño, con economías completas.

Esta historia ya suena familiar. La última vez que Estados Unidos apostó tanto a infraestructura tecnológica fue con la construcción masiva de redes e infraestructura de Internet en los años noventa, lo que terminó en la famosa burbuja “dotcom” del año 2000.

Hoy vemos algo parecido, pero con una diferencia importante:
Durante varios años, las empresas de “big tech” (Google, Amazon, Meta, Microsoft) financiaron gran parte de esta inversión con su propio flujo de efectivo, no solo con deuda. Estaban reinvirtiendo las ganancias de sus otros negocios en construir la “autopista de cómputo” para la IA.

Eso, en teoría, hacía el riesgo más manejable: si la apuesta salía mal, dolía, pero no necesariamente detonaba una crisis bancaria global.

El problema es que en 2025 la factura empezó a crecer demasiado.
En algunos casos, la inversión en IA llegó a consumir alrededor del 90% de los ingresos de estas empresas. En ese punto, ya no era sostenible pagar todo con caja propia: varias empezaron a recurrir más agresivamente a deuda para seguir levantando centros de datos y comprando chips.

Se estima que la deuda asociada a infraestructura de IA creció más de 100% en un año, hasta llegar a decenas de miles de millones de dólares. Y aquí se prende el foco rojo:

Si los ingresos relacionados con la IA no crecen al ritmo esperado,
las empresas podrían quedarse con una montaña de deuda difícil de pagar.

¿Estamos ya en una burbuja? Es pronto para decirlo.
La escala de inversión es enorme, y la narrativa de “la IA lo va a transformar todo” justifica casi cualquier gasto… hasta que deja de hacerlo.

Más que entrar en pánico, vale la pena saber qué señales observar el próximo año:

• Empresas recortando inversiones en centros de datos.

• Bancos preocupados por su exposición a proyectos de infraestructura de IA.

• Gobiernos interviniendo para rescatar proyectos de cómputo que no despegaron.

Mientras tanto, cada vez que abras ChatGPT para pedirle que mejore un correo o te explique un concepto, quizá valga la pena recordar algo:

Detrás de esa respuesta instantánea no solo hay un modelo “inteligente”.
Hay montañas de libros virtuales, edificios llenos de chips y una apuesta económica gigantesca que todavía no sabemos si será la mejor inversión de nuestra era… o la próxima gran burbuja tecnológica.