La inteligencia artificial no es una empresa ni un sector — es una cadena de valor de varios eslabones, cada uno con sus propios ganadores, sus propios márgenes y su propio momento de inversión. Entender dónde está el dinero real requiere bajar del concepto al componente.
Este artículo mapea la cadena completa: desde el silicio hasta el modelo que responde tus preguntas.
Capa 1 — Infraestructura de cómputo: los chips
Es el eslabón más visible y el que más capital ha capturado. Los modelos de IA requieren miles de GPUs operando en paralelo durante semanas para entrenarse. NVIDIA controla aproximadamente el 80% del mercado de GPUs para IA con su arquitectura CUDA — una ventaja que tomó 15 años construir y que no se replica en 18 meses.
Pero el mercado se está segmentando:
- GPUs de entrenamiento (NVIDIA H100, B200): el producto más demandado del mundo en 2024-2025. Precio unitario: USD 30.000–40.000. Margen bruto de NVIDIA: 74%.
- ASICs propios (Google TPU, AWS Trainium, Meta MTIA): los hyperscalers están diseñando sus propios chips para inferencia. Más eficientes para tareas específicas, pero con ecosistema de software limitado.
- Competidores emergentes (AMD MI300, Intel Gaudi): AMD capturó ~10% del mercado en 2025. Aún lejos de NVIDIA, pero relevante como cobertura de cartera.
Capa 2 — Memoria: el cuello de botella que nadie menciona
Los chips de IA consumen memoria a una velocidad que la RAM convencional no puede seguir. La solución es la HBM (High Bandwidth Memory) — memoria apilada en 3D directamente sobre el chip, con anchos de banda de hasta 3,6 TB/s.
El duopolio de HBM es uno de los negocios más defensivos del ecosistema IA:
- SK Hynix: proveedor principal de HBM3E para NVIDIA. Tiene contratos de largo plazo y capacidad reservada hasta 2026.
- Samsung: segundo proveedor, con retrasos en certificación para H100. Recuperando terreno en 2025.
- Micron: tercer jugador, ganando cuota. Cotiza con descuento histórico respecto a sus pares coreanos.
Dato clave: cada GPU H100 lleva 80 GB de HBM3. Un cluster de 10.000 GPUs necesita 800 TB de HBM. La demanda es estructuralmente escasa.
Capa 3 — Interconexión: cómo hablan los chips entre sí
Un solo chip no entrena un modelo grande. Se necesitan miles de GPUs comunicándose a velocidades de cientos de gigabits por segundo. Esta capa de red es el silencioso gran ganador de la IA.
- InfiniBand (NVIDIA/Mellanox): el estándar de facto para clusters de IA. NVIDIA adquirió Mellanox en 2020 por USD 6.900 millones — hoy es una de las compras más visionarias de la década.
- Ethernet de alta velocidad (400G/800G): Arista Networks, Broadcom y Cisco son los principales beneficiarios. Los hyperscalers prefieren Ethernet por flexibilidad.
- Optical interconnects: la próxima frontera. Empresas como Coherent y II-VI están construyendo la infraestructura de interconexión óptica que los centros de datos de IA necesitarán a partir de 2026.
Capa 4 — Centros de datos: el ladrillo y el acero de la IA
Los modelos de IA se entrenan en centros de datos de escala hiperescalar. Microsoft, Google, Amazon y Meta están invirtiendo colectivamente más de USD 300.000 millones en capex de infraestructura en 2025-2026. Eso no se detiene con una recesión moderada — ya está comprometido.
Los beneficiarios no obvios de esta capa:
- REITs de centros de datos (Equinix, Digital Realty): no construyen los hiperescalares propios, pero sí alojan la infraestructura de IA de empresas medianas.
- Proveedores de refrigeración líquida (Vertiv, Eaton): los GPUs generan 10x más calor que los servidores convencionales. El aire ya no alcanza — se necesita refrigeración líquida directa al chip.
- Constructoras especializadas: Turner Construction, AECOM. Las obras de data centers tienen backlog de 24 meses.
Capa 5 — Energía: el límite físico de la IA
Este es el eslabón más subestimado y potencialmente el más importante para los próximos 5 años. Un cluster de 100.000 GPUs consume entre 300 y 500 megawatts de electricidad — equivalente a una ciudad mediana. La IA va a doblar el consumo eléctrico de los centros de datos para 2030.
El problema: la red eléctrica no está lista. En Estados Unidos, los proyectos de data centers esperan hasta 7 años para conectarse a la red en ciertos estados.
- Utilities con exposición a data centers (Constellation Energy, Vistra, NRG): las empresas de energía cerca de grandes clusters de IA tienen contratos de suministro de largo plazo con precios premium.
- Energía nuclear: es la única fuente que combina densidad energética, continuidad 24/7 y cero emisiones. Microsoft firmó un PPA de 20 años con Constellation para reactivar Three Mile Island. Amazon compró un campus entero cerca de una planta nuclear en Pennsylvania.
- Transformadores de alta tensión (Eaton, ABB, Hubbell): el cuello de botella físico más concreto. El tiempo de entrega de transformadores de alta tensión pasó de 12 a 36 meses. No hay forma de acelerar la producción — requieren manufactura especializada.
Capa 6 — Software de infraestructura: el sistema operativo de la IA
Entre el hardware y el modelo existe una capa de software que pocos inversores conocen pero que tiene los mejores márgenes del ecosistema.
- CUDA (NVIDIA): el lenguaje de programación de GPUs. Es el mayor foso competitivo de NVIDIA — más que el hardware mismo. Tiene 15 años de adopción, millones de desarrolladores formados, y es prácticamente imposible de reemplazar en el corto plazo.
- Orquestación de clusters (CoreWeave, Lambda Labs): cloud especializado en GPUs para empresas que no pueden pagar los precios de AWS.
- MLOps y monitoreo (Weights & Biases, DataBricks, Snowflake): las herramientas para gestionar el ciclo de vida de los modelos en producción.
Capa 7 — Modelos fundacionales: donde está el riesgo más alto
OpenAI, Anthropic, Google DeepMind, Meta AI, xAI. Estos son los que construyen los modelos que usa el mundo. Pero para el inversor público, la exposición directa es limitada — la mayoría son privados o están dentro de conglomerados.
La dinámica competitiva es brutal: los modelos se deprecian rápido, el costo de entrenamiento es enorme, y la diferenciación es difícil de sostener cuando el open source (Llama, Mistral) avanza a la misma velocidad. El riesgo de comoditización es real en esta capa.
Capa 8 — Aplicaciones: donde la IA se convierte en ingresos
La capa más amplia y más difícil de evaluar. Incluye desde Salesforce y ServiceNow (IA empresarial) hasta empresas de nicho que automatizan procesos específicos. La regla del mercado: las aplicaciones de IA que tienen datos propietarios + flujo de trabajo crítico + alto costo de cambio son las que construyen valor durable.
El mapa de inversión: qué está caro y qué no
| Capa | Empresas clave | Valuación relativa | Tesis |
|---|---|---|---|
| Chips | NVDA, AMD | Premium justificado | Monopolio de facto en GPUs de IA |
| Memoria HBM | SK Hynix, Micron | Atractiva (Micron especialmente) | Duopolio con demanda estructural |
| Interconexión | Arista, Broadcom | Razonable | Infraestructura inevitable |
| Centros de datos | Equinix, Vertiv | Moderada | Backlog visible de 2+ años |
| Energía | Constellation, Vistra | Descuento histórico | El cuello de botella más subestimado |
| Modelos | MSFT (OpenAI), GOOGL | Cara en múltiplos | Riesgo de comoditización |
La conclusión que pocos quieren escuchar
Los mejores retornos de la revolución de la IA no van a venir del modelo que más titulares genera. Van a venir de los transformadores de alta tensión, de la memoria HBM, de los cables de fibra óptica y de las plantas nucleares que mantienen todo encendido. La historia del oro de California la escribieron los que vendieron las palas.
La cadena de valor completa es la estrategia. Concentrarse solo en los modelos es apostar al ganador de una carrera que todavía no terminó.
Cómo analizarlo en AsesorIA
En la herramienta de análisis fundamental de AsesorIA podés ingresar cualquiera de los tickers mencionados (NVDA, MU, ANET, VRT, CEG) y obtener en 40 segundos precio, márgenes, crecimiento, P/E vs sector y señal IA. El análisis técnico complementario te da el timing de entrada.
Herramienta gratuita
Probá el análisis en AsesorIA
Análisis fundamental + técnico en menos de 40 segundos, con datos en tiempo real.