Escalar modelos de inteligencia artificial cada vez más grandes se ha convertido en la obsesión de los laboratorios estadounidenses, una carrera que, según un informe filtrado del Tesoro de EE.UU., amenaza con inflar una burbuja financiera comparable a la de las puntocom. La lección para founders es demoledora: la verdadera ventaja competitiva no está en perseguir la inteligencia artificial general, sino en construir sistemas pequeños, especializados y económicamente sostenibles. Vamos a los datos.
La burbuja de los modelos gigantes: la advertencia del Tesoro
El documento, al que ha tenido acceso el medio NOTUS, dibuja un escenario inquietante. Los analistas del Tesoro comparan la situación actual con la crisis del 2000, señalando la naturaleza circular de las inversiones: OpenAI, Anthropic y otros pesos pesados se financian unos a otros mediante complejas operaciones de deuda y participaciones cruzadas, mientras queman cientos de miles de millones de dólares en entrenar modelos cada vez más mastodónticos. El problema no es técnico, sino de modelo de negocio: alquilar el acceso por token a esos grandes modelos de lenguaje no cubre los costes; las empresas subsidian el uso empresarial para ganar cuota de mercado.
A ese ritmo, el burn rate de los grandes laboratorios es insostenible. El informe del Tesoro va un paso más allá y advierte de que, a diferencia de la era puntocom, el sector de la IA está mucho más entrelazado con la economía real: se estima que un tercio del mercado bursátil estadounidense tiene alguna vinculación con la industria de la inteligencia artificial. Un tropiezo en la hoja de ruta de la IA podría arrastrar a todo el sistema financiero.
La obsesión por construir un modelo que lo sepa todo está generando una fragilidad que ningún founder sensato querría para su proyecto.
Mientras tanto, los precios de las acciones de los fabricantes de chips de IA se han resentido esta misma semana, ante las dudas de los inversores sobre el tamaño real y el ritmo real del boom.
El contraataque de los modelos abiertos desde China
Y entonces aparecen los laboratorios chinos. Modelos como los de DeepSeek, Alibaba y ByteDance han demostrado que se puede alcanzar un rendimiento muy cercano al de los grandes modelos estadounidenses a un coste muchísimo menor, usando menos recursos y liberando pesos abiertos. Esta es la competencia que ningún incumbent quiere ver: productos más baratos, suficientemente buenos para la mayoría de las tareas empresariales, que van escalando posiciones mientras los líderes se refugian en la gama más alta, aplicaciones de ultra rendimiento que pocos necesitan.
Es el clásico dilema del innovador de Clayton Christensen. Howard Yu, profesor del IMD Business School, lo resume así: “Aparece un producto más barato, de calidad inferior al principio, pero suficientemente bueno para los clientes que el líder pasa por alto… y entonces empieza a escalar”. Las empresas, cada vez más, están usando modelos open-source de menor tamaño para el 90% de sus procesos, desde la clasificación de tickets hasta la generación de informes, y reservan los modelos frontera solo para tareas complejas de razonamiento.
Además, algunas grandes corporaciones están desarrollando sus propios modelos e infraestructuras de código abierto como sistema de respaldo, sobre todo después de que el gobierno de Trump haya demostrado que puede cortar el acceso a estos modelos de forma arbitraria. La supuesta “fosa competitiva” alrededor de los laboratorios estadounidenses se parece cada vez más a un castillo de naipes.
La ventana de oportunidad para las startups: pequeño y enfocado
Aquí es donde entra la lección para cualquier founder que esté dando sus primeros pasos en inteligencia artificial o planee integrarla en su producto. La carrera por la AGI es una partida de póquer con fichas prestadas en la que las startups nunca deberían sentarse. En cambio, la demanda real del mercado premia la eficiencia, la especialización y el control de costes.
Pensemos en una startup que quiera automatizar la revisión de contratos legales. No necesita un modelo con 500.000 millones de parámetros capaz de escribir poesía en sánscrito; le basta con un modelo de lenguaje pequeño, afinado con datos jurídicos, que ejecute en local y con costes de inferencia casi nulos. Eso le permite un runway más largo, iteraciones más rápidas y una propuesta de valor clara para despachos de abogados que no quieren depender de una API de un tercero que cambia los precios cada trimestre.
Georg Zoeller, antiguo responsable de seguridad en Facebook, lo pone en términos de maratón contra sprint: “Está claro que quemar todo tu capital al principio de la carrera, con una eficiencia mínima, para hacer explosiones cada vez más grandes, no es una estrategia ganadora”. Aplicado al ecosistema emprendedor, la moraleja es doble: no hipoteques tu startup por montarte en la ola de la IA más grande, y construye sobre infraestructuras abiertas que te den independencia y margen de maniobra.
El riesgo de ‘too big to fail’ y la pérdida de rumbo ético
El análisis del Tesoro no se queda en lo financiero. Los expertos advierten de que, si los grandes laboratorios siguen entrelazándose con la administración y las empresas críticas, podrían acabar siendo declarados demasiado grandes para caer. La administración Trump ya ha propuesto que el gobierno tome participaciones en compañías de IA, lo que añade otra capa de riesgo sistémico.
Mientras, la seguridad brilla por su ausencia. El AI Safety Index 2026 del Future of Life Institute, publicado esta semana, revela que los principales laboratorios —Anthropic, OpenAI, Google DeepMind y Meta— han rebajado o abandonado sus promesas de pausar el desarrollo si se alcanzan determinados umbrales de peligro. Todos han dado marcha atrás en sus prohibiciones de uso militar para buscar contratos de defensa, y el panel de expertos denuncia un patrón de “objetivos móviles” que socava cualquier marco de seguridad real.
Para el emprendedor que observa desde fuera, la conclusión es nítida: un ecosistema donde los grandes actores compiten por ser los primeros en llegar a una meta mal definida, ignorando tanto los números rojos como los protocolos de seguridad, no es un modelo a imitar sino una señal de alarma. La próxima gran oportunidad en IA no la va a construir quien se gaste más dinero, sino quien entienda mejor el problema concreto de su cliente y use la tecnología de forma sensata y sostenible.
🚀 Hoja de Ruta para Emprender
- Domina lo pequeño antes de soñar con lo grande: Si construyes una solución de IA, empieza con un modelo de lenguaje pequeño y código abierto (como los de DeepSeek o Mistral). Afínalo con datos propios y mide el retorno antes de escalar.
- Independízate de las APIs de terceros: Evita depender de un único proveedor de IA que puede cambiar precios o cortar el acceso. Las opciones open-weight te dan control, reducen costes y protegen tu runway.
- Resuelve un problema de nicho, no el problema de la inteligencia universal: La gran mayoría de los procesos empresariales se pueden cubrir con modelos especializados. Diseña tu propuesta de valor alrededor de un caso de uso concreto, no de una promesa mesiánica.
- Cuida la caja como si estuvieras en 2001: El contexto de burbuja aconseja levantar capital con cabeza. Alarga tu runway todo lo posible y no quemes efectivo en costes de inferencia inflados. La rentabilidad por cliente es el mejor escudo.
