TL;DR:
- Dwarkesh Patel sostiene que el precio del cómputo puede multiplicarse por diez porque los ingresos de los laboratorios crecen 10 veces al año y la capacidad instalada solo se triplica.
- Su cifra ancla: si un ingeniero de software de nivel humano cupiera en el equivalente a un H100, esa tarjeta debería rentarse en más de 250,000 dólares anuales, unas 15 veces el precio spot de hoy.
- Dario Amodei manejó el mismo escenario del billón de dólares en ese podcast en febrero, pero para explicar por qué Anthropic no compra más cómputo: si falla por un año, quiebra.
Dwarkesh Patel publicó el miércoles 29 de julio de 2026 un texto que, según aclara en la primera línea, escribió en dos horas cronometradas. En menos de un día se convirtió en la discusión económica de Silicon Valley. El planteamiento es corto: si los ingresos de los laboratorios de inteligencia artificial siguen multiplicándose por diez cada año mientras la capacidad de cómputo solo se triplica, algo tiene que ceder. Patel apuesta a que lo que cede es el precio. La cifra que resume todo el argumento aparece en el subtítulo: si un ingeniero de software de nivel humano corriera en el equivalente a una sola tarjeta H100, al valor de mercado que hoy tiene ese trabajo esa tarjeta debería rentarse en más de 250,000 dólares al año, unas 15 veces el precio spot actual.
"Conforme los modelos de IA se vuelven más inteligentes, monetizarán mejor la misma cantidad de cómputo", escribió Patel.
Solo tres cosas pueden cerrar la brecha entre 10x y 3x
El punto de partida de Patel es Anthropic. La empresa ha multiplicado por diez sus ingresos año con año y él estima que cerrará 2026 entre 100,000 y 150,000 millones de dólares. Para que la línea siga recta, en 2027 tendría que llegar al billón, es decir, a un millón de millones de dólares. Patel no defiende que vaya a pasar; pregunta qué tendría que ser cierto para que pasara.
Ahí entra la aritmética. Si el cómputo de un laboratorio se triplica cada año pero sus ingresos se multiplican por diez, solo hay tres salidas, y Patel las enumera así:
- que los márgenes del laboratorio suban,
- que el precio del cómputo suba,
- que el laboratorio dedique una porción cada vez mayor de su cómputo a inferencia en lugar de entrenamiento.
La tercera, argumenta, es la que ningún laboratorio quiere. Gastar la mayor parte del cómputo en atender clientes equivale a admitir que ya no vale la pena entrenar modelos más grandes, y convierte al laboratorio en un proveedor de nube cualquiera. La primera tampoco alcanza: para que los márgenes cargaran solos con el salto, tendrían que llegar a mediados de los noventa por ciento hacia finales del año próximo, algo que el propio Patel califica de disparatado. Queda la segunda.
El billón de dólares lo puso Amodei, en el podcast de Dwarkesh
Esta es la parte que casi nadie recuperó en el hilo de reacciones. La cifra del billón no salió de un blog de dos horas: la puso Dario Amodei, CEO de Anthropic, en el propio podcast de Patel el viernes 13 de febrero de 2026, y la usó para justificar lo contrario de lo que el blog propone ahora.
Amodei explicaba entonces por qué Anthropic gasta menos que sus rivales en centros de datos. Su razonamiento: reservar y construir un centro de datos toma de uno a dos años, y para cuando esté listo la facturación podría rondar el billón si la curva aguanta. El problema es qué pasa si no aguanta.
"Si mis ingresos no son de un billón de dólares, si son incluso de 800,000 millones", dijo Amodei, no existe fuerza ni cobertura financiera en la Tierra que impida la quiebra si compró esa cantidad de cómputo.
Y remató, según recogió Fortune, que si se equivoca por un solo año en la tasa de crecimiento, o si el crecimiento resulta de 5 veces al año en vez de 10, la empresa quiebra. Por eso, dijo, prefiere aceptar el riesgo de quedarse corto ante la demanda antes que el de comprometerse con cómputo que no podrá pagar. En noviembre Anthropic anunció 50,000 millones de dólares en infraestructura en Estados Unidos, con centros en Texas y Nueva York, una fracción de los 200,000 millones de capex anual de Amazon o los 185,000 millones proyectados por Alphabet.
El mismo número, entonces, sostiene dos lecturas opuestas: para Amodei es la razón para no firmar contratos gigantes de cómputo; para Patel es la razón por la que ese cómputo se va a encarecer.
La oferta de chips no se puede acelerar antes de 2030
La otra mitad del argumento es la de suministro, y ahí Patel se apoya en datos de Epoch AI. El organismo calculó en mayo que el parque mundial de cómputo para IA se triplicó en 2025 medido en H100 equivalentes, hasta unos 20 millones de unidades vendidas de forma acumulada. También estimó que OpenAI, Anthropic y xAI juntos usaban entre 20% y 30% del total mundial al cierre de ese año, con menos de 4 millones de H100 equivalentes entre los tres.
Patel desarma ese triple anual en tres factores que se multiplican entre sí:
- 1.4x por la ley de Moore,
- 1.2x por construcción de nuevas fábricas, un frente que él considera embotellado al menos hasta 2030 por la disponibilidad de equipos de litografía EUV,
- 1.8x porque la IA le está quitando obleas de nodo avanzado al resto de la electrónica, un margen que se agota hacia finales de 2027, cuando la IA pase de 60% a 86% del nodo N3.
Multiplicados dan justo el triple. Y el tercer factor, el único elástico de los tres, se acaba solo. Es la diferencia que Patel marca frente a la apuesta Simon-Ehrlich de los años ochenta, el caso clásico donde el ingenio humano derrumbó el precio de un canasto de metales: la oferta de silicio de nodo avanzado no absorbe choques de demanda como lo hace una mina de cobre. Del lado físico, el cuello de botella ya se ve en cosas menos glamorosas que los chips, como la pelea por contratar electricistas que sostienen la construcción de los campus.
Zuckerberg dijo el miércoles que le sobran ofertas por su cómputo
Patel escribe que el precio spot ya subió más de 40% desde el piso de febrero, y que la tarifa que pagan los laboratorios es todavía más alta porque ellos no pueden operar con instancias spot: necesitan seguridad para los pesos de sus modelos y escala suficiente. Epoch, por su lado, recoge un cálculo de SemiAnalysis de alrededor de 30% de alza en el precio por hora de GPU en lo que va del año.
El ejemplo más caro está a la vista. En junio, una enmienda al registro bursátil de SpaceX reveló que Google pagará 920 millones de dólares al mes por acceso a unas 110,000 GPUs de Nvidia entre octubre de 2026 y junio de 2029, según reportaron TechCrunch y CNBC. Un vocero de Google Cloud le dijo a CNBC que se trata de capacidad puente para atender la demanda de Gemini Enterprise. Anthropic firmó algo parecido semanas antes: 1,250 millones de dólares mensuales por todo el centro Colossus 1 de Memphis. Patel calcula que la tarifa de Google equivale a unas dos veces el precio spot por hora de esas mismas tarjetas.
Dilis Salazar
Y el miércoles 29, el mismo día del blog, Mark Zuckerberg puso el dato desde el otro lado del mostrador. En la llamada de resultados de Meta, según la transcripción publicada por Investing.com, respondió a un analista que le preguntó por qué recibe ofertas para vender cómputo mientras compra capacidad a terceros.
"No hay ni de cerca suficiente cómputo para toda la demanda", dijo Zuckerberg.
Agregó que por eso les llegan muchas ofertas por el cómputo que ya tienen, aunque prefieren usarlo internamente porque vender todo por una ganancia de corto plazo sería una tontería. En X, el periodista Tae Kim citó una frase suya del mismo tramo: las ofertas llegan con una prima significativa sobre lo que Meta pagó por ese cómputo. Es, palabra por palabra, el mecanismo que describe el blog.
Los inversionistas se fueron a discutir la depreciación
La reacción más citada del jueves fue la de Gavin Baker, de Atreides Management, quien escribió que se consideraba alcista y ni siquiera él daba por hecho que el precio de rentar cómputo siguiera subiendo, aunque reconoció que Patel está capturando el ánimo que se respira esta semana en Silicon Valley.
Talia Goldberg, de Bessemer Venture Partners, llevó el argumento al balance contable: si el dinero por unidad de cálculo crece más rápido que la mejora del hardware, las GPUs viejas dejan de depreciarse. Un H100 que en 2028 se rente 15 veces más caro sería un activo que se aprecia, y las nubes públicas los cargan en libros con depreciación lineal a cinco o seis años. Dan McAteer propuso la métrica que se desprende de todo esto, la inteligencia por unidad de cómputo, con la analogía del rendimiento por litro de un motor de combustión.
El contrapeso lo puso Joe Weisenthal, de Bloomberg: se puede creer que los ingresos de OpenAI y Anthropic van hacia arriba y seguir siendo bajista, porque ese dinero tiene que salir del bolsillo de alguien. El mercado le dio la razón esa misma tarde. Meta reportó ingresos por 60,800 millones de dólares, 28% más que un año antes, pero su flujo de caja libre se desplomó 91% hasta 784 millones y la acción perdió cerca de 9%. En Londres, el fondo de cobertura Situational Awareness, de 20,000 millones de dólares, buscaba capital tras las pérdidas de la caída de julio en acciones de IA, según el Financial Times.
Preguntas rápidas sobre el precio del cómputo
¿Cuánto cuesta hoy rentar un H100?
El texto de Patel no da el precio spot, pero se desprende de su propia cuenta: si 250,000 dólares al año representan 15 veces el precio actual, hoy la renta ronda los 2 dólares la hora. En su ejemplo del efecto Alchian-Allen, Patel usa un precio futuro ilustrativo de 20 dólares por hora.
¿Anthropic ya factura un billón de dólares?
No. La última cifra que la propia empresa divulgó fue de 47,000 millones de dólares de tasa anualizada a mediados de mayo de 2026, frente a unos 9,000 millones al cierre de 2025. El billón es un escenario hipotético para 2027, no una proyección oficial de la compañía.
¿Por qué no se fabrican más chips y ya?
Patel apunta a dos límites. La construcción de nuevas fábricas está embotellada al menos hasta 2030 por el suministro de equipos de litografía EUV. Y el margen de quitarle obleas avanzadas a otros productos se agota hacia finales de 2027, cuando la IA pase de 60% a 86% del nodo N3.
Para el mercado hispanohablante la discusión llega por una sola puerta. En México, España y América Latina prácticamente nadie fabrica chips ni opera centros de datos de frontera: se compran tokens, licencias y suscripciones. Si Patel acierta, ese ajuste no se ve en una nota bursátil sino en la factura mensual del API, y las aplicaciones que hoy funcionan porque la IA sale barata, generación de video en volumen, automatizaciones de bajo valor, contenido desechable, son las primeras que dejan de cuadrar. Patel lo dice con todas sus letras: usar GPUs para hacer videos cortos de relleno se va a quedar sin presupuesto mucho antes que cualquier otra cosa.
