La IA es una cadena de valor, no una única forma de inversión. La exposición puede estar en el núcleo, donde modelos y plataformas convierten la inteligencia en productos, o más lejos, en semiconductores, centros de datos, equipamiento de red y energía. Cada capa se beneficia de la IA de forma distinta: algunas mediante una monetización previsiblemente duradera; otras a través del ciclo de inversión o de escaseces temporales.

Las valoraciones combinan cada vez más flujos de caja con una prima de opcionalidad. Los casos más sólidos suelen ser negocios donde el potencial de la IA se apoya sobre flujos de caja existentes y resilientes. Los más arriesgados son aquellos en los que la mayor parte de la valoración depende de que esa opción se materialice rápido: demanda sostenida, poder de fijación de precios o escasez que puede no durar.

Los principales riesgos son la concentración, la circularidad y la posibilidad de que los modelos se encuentren con el «muro». Gran parte del ecosistema depende de pocos compradores y de bucles de inversión que se refuerzan mutuamente. La cuestión de fondo es si los modelos de frontera siguen avanzando hacia la inteligencia artificial general (AGI), o acaban mostrando rendimientos decrecientes al agotarse el stock disponible de conocimiento humano.

Dónde se encuentra la exposición a la IA

Ganar exposición a la IA exige mirar más allá de los modelos y plataformas que convierten la inteligencia en productos. Alrededor de ese núcleo están los sistemas que hacen posible la escala: semiconductores, nube, redes, centros de datos, refrigeración, equipamiento eléctrico y generación de energía.

Algunas empresas tienen flujos de caja resilientes y, además, una opción de IA; otras, más ligadas al ciclo de inversión, capturan valor mediante cómputo, infraestructura o electricidad más que mediante software y distribución.

La pregunta no es solo cómo posicionarse en la IA. Es qué exposición ofrece cada capa y qué está pagando el mercado: flujos de caja, escasez o la opción de que la IA llegue a ser mucho mayor de lo que justifican los beneficios actuales.

La opcionalidad entra en las valoraciones

Una acción expuesta a la IA puede verse como la suma de dos elementos: flujos de caja más una opción sobre beneficios futuros ligados a la IA. El componente de flujos de caja es lo que el negocio puede generar sin hipótesis heroicas. La opción es lo que los inversores pagan por si la IA amplía el mercado potencial, eleva márgenes o cambia el perfil de crecimiento.

Esto se parece más a una opción real que a una opción bursátil tradicional. Una call cotizada tiene un vencimiento; la opcionalidad de una acción normalmente no. Muchos valores de IA se comportan como una especie de bonos convertibles sobre beneficios futuros de IA: parte flujo de caja, parte participación en un escenario de mayor potencial. La mejor versión es un negocio sólido con potencial de IA añadido. La más frágil es una valoración que solo funciona si la opción se materializa rápido.

Las distintas capas de la IA

La IA se entiende mejor como un stack tecnológico que como un sector. En el centro está la inferencia: modelos utilizados en flujos de trabajo y aprendizaje. En el siguiente nivel están las plataformas y la infraestructura en la nube, que distribuyen la IA y financian gran parte de la inversión. Después vienen semiconductores y redes, la capa de cómputo. Más lejos están los habilitadores físicos: centros de datos, refrigeración, equipamiento eléctrico y generación.

El mapa de la cadena de valor debe leerse de dentro hacia fuera. Las capas interiores están más cerca de la monetización y de la relación con el cliente. Las exteriores pueden beneficiarse de cuellos de botella, pero su perfil económico puede ser más cíclico.

Riesgo financiero: concentración y circularidad

El primer riesgo financiero es la concentración. El gasto en IA depende de un número reducido de grandes compradores. Su escala es una fortaleza: pueden financiar programas de infraestructura que pocos podrían intentar. Pero también crea dependencia. Si cambian sus presupuestos, arquitecturas o prioridades, toda la cadena de valor lo nota.

El segundo es la circularidad. Partes del ecosistema se venden entre sí, se financian entre sí o validan sus propias hipótesis de crecimiento. Algo de circularidad es normal al inicio de un ciclo tecnológico, cuando hay que construir infraestructura antes de que la demanda final sea visible. La cadena se vuelve frágil cuando el bucle depende más de la confianza que de los retornos para el usuario final.

Por eso importa menos cuánto se gasta en IA que cuánto valor se crea: quién paga, qué retorno obtiene y cómo se captura ese valor a lo largo de la cadena.

Riesgo tecnológico: los modelos chocan con el muro

El mayor riesgo no es el precio, la regulación o las restricciones energéticas. Esos factores importan, pero son de segundo orden. La pregunta central es si los modelos de frontera siguen mejorando a un ritmo que justifique la escala de inversión.

El «muro» es la posibilidad de que los modelos empiecen a agotar la parte más accesible del conocimiento generado por humanos, mientras el aprendizaje por refuerzo y los datos sintéticos no aportan suficiente impulso adicional. En ese escenario, la inteligencia artificial general (AGI) queda fuera de alcance. Los modelos mejoran, pero cada generación requiere más cómputo, energía y capital para ganancias menores. La IA sigue siendo útil, pero la curva se aplana, y los mercados prestan más atención a precios, utilización y márgenes.

En el escenario alternativo, se alcanza algo parecido a la AGI. Si los modelos pueden generar nuevo conocimiento, acelerar la ciencia y mejorar la infraestructura que los rodea, el sistema deja de depender solo de escalar conocimiento humano existente. Puede empezar a ayudar a resolver sus propias restricciones: energía, chips, software, automatización e investigación.

Esa es la pregunta binaria detrás del muro: rendimientos decrecientes sobre el conocimiento existente o rendimientos exponenciales derivados de la creación de nuevo conocimiento.

Lecciones de la era puntocom

La lección de la era puntocom no es que haya que evitar las tecnologías revolucionarias. El potencial de Internet era real. El error fue asumir que el éxito de la tecnología garantizaba su monetización.

Pero la analogía es imperfecta. Internet se construyó sobre protocolos abiertos que se convirtieron en una plataforma relativamente estable para aplicaciones: pública, interoperable y accesible. La IA es distinta. Los modelos de frontera son en su mayoría privados, intensivos en capital y evolucionan continuamente. La capa base no es solo infraestructura; es parte del producto y de la frontera competitiva.

Con Internet, la pregunta era sobre todo qué se construiría encima de la red. Con la IA, la pregunta es además en qué se convertirá la propia capa fundacional. 

Posicionamiento por capas

Los distintos niveles cumplen funciones distintas. Los estratos centrales pueden ofrecer mejor protección a la baja cuando la opcionalidad de IA se apoya en negocios diversificados y flujos de caja saludables. Las capas intermedias ofrecen más apalancamiento directo al ciclo de inversión, pero con mayor ciclicidad. Las partes periféricas pueden beneficiarse de cuellos de botella, pero no deben confundirse con captura de valor permanente.

La pregunta adecuada no es «¿es esta una acción de IA?». Es: ¿Cuánto de su valoración se explica por sus flujos de caja, cuánto por su valor como opción y qué tiene que salir bien para que ambos elementos sean ciertos?

Tribuna elaborada por Fernando de Frutos, CIO de Mora Capital Group