Hay gestores que aciertan con la tesis y quiebran por la financiación. En su último análisis de YouTube, Juan Ramón Rallo repasa el caso de Leopold Aschenbrenner, un inversor alemán que logró rentabilidades cercanas al 1.500% en menos de dos años apostando por la inteligencia artificial y que, sin embargo, vio cómo su fondo perdía un 67% en apenas un par de meses. El motivo no fue una mala selección de compañías, sino un apalancamiento descontrolado.
Aschenbrenner trabajó en OpenAI hasta 2024 y, según explica Rallo, fundó un fondo de cobertura tras publicar un ensayo muy comentado sobre la explosión de la capacidad computacional de la IA. La tesis central es que la demanda de chips, memoria y centros de datos crecerá mucho más rápido que la oferta, lo que presionará los precios al alza y beneficiará a los proveedores de esos insumos. Al mismo tiempo, muchos servicios de software quedarían expuestos a una competencia cada vez más barata y eficiente por parte de la inteligencia artificial.
De OpenAI a una apuesta por los cuellos de botella
Rallo sostiene que el fondo de Aschenbrenner aplicó esa visión con posiciones largas en compañías ligadas a memoria, almacenamiento, centros de datos, energía y semiconductores, además de posiciones cortas en determinadas empresas de software. La particularidad es que evitaba las apuestas más obvias: según el vídeo, el fondo ni siquiera estaba largo en Nvidia y al parecer mantenía posiciones cortas sobre el fabricante de GPU. La estrategia buscaba cuellos de botella poco visibles para el resto del mercado.
El resultado inicial fue espectacular. En menos de dos años, el fondo alcanzó una rentabilidad acumulada cercana al 1.500% y llegó a gestionar 450 millones de dólares con un equipo muy reducido. Sin embargo, Rallo apunta que el conjunto del sector de inteligencia artificial no se revalorizó dieciséis veces en ese periodo. La clave de aquel retorno extraordinario no estaba únicamente en la tesis, sino en la financiación.
El apalancamiento que convirtió las ganancias en riesgo letal
El fondo recurrió a deuda para reforzar sus apuestas. Según Rallo, se estima que el apalancamiento llegó a situarse en torno a cuatro veces: por cada dólar propio, había tres dólares prestados. Eso multiplica tanto las ganancias como las pérdidas. Una rentabilidad subyacente del 400% se convierte en un 1.600% con esa palanca, pero una caída media del 25% en cartera basta para liquidar por completo el capital propio.
A partir de junio, los temores sobre una posible subida de tipos de interés por parte de la Reserva Federal golpearon al sector. Muchas posiciones largas cayeron entre un 20% y un 40%, mientras que algunas posiciones cortas se revalorizaron. El fondo recibió presión por ambos lados y los financiadores activaron los margin calls para proteger el capital prestado.
Puedes tener una magnífica tesis de inversión, pero si la has financiado mal, el mercado te puede terminar barriendo.
— Juan Ramón Rallo
Esos ajustes de márgenes obligaron al fondo a vender activos en el peor momento. Rallo explica que muchos valores terminaron cediendo entre un 30% y un 40% durante el episodio, pero las liquidaciones forzosas se ejecutaron antes, con caídas de apenas un 10% o un 15%. El resultado final fue una pérdida del 67% del capital de los partícipes entre junio y julio. Pese al golpe, quienes habían entrado desde el inicio aún conservaban ganancias.
Los margin calls y el derrumbe del 67%
La ironía del caso, según el vídeo, es que la tesis de Aschenbrenner no era necesariamente errónea. Muchas de las empresas que el fondo tuvo que vender se estabilizaron y rebotaron con fuerza durante agosto, con subidas del 20%, 30% o 40%. Rallo apunta que la propia venta forzada estaba retroalimentando las caídas: cada liquidación empujaba los precios a la baja y provocaba nuevos ajustes. Cuando el fondo dejó de vender, el mercado tocó suelo y volvió a subir.
El presentador también destaca una diferencia clave: el fondo mantenía participaciones en Anthropic, un laboratorio de inteligencia artificial no cotizado. Al no negociarse en bolsa, no experimentó ajustes de margen y no tuvo que ser liquidado. En cambio, las posiciones cotizadas sí quedaron expuestas a la volatilidad diaria y a la falta de liquidez. Rallo concluye que la falta de liquidez te mata rápido, una expresión que resume por qué una buena idea puede fracasar por una financiación frágil.
Una lección para navegar la volatilidad de la IA
No es la primera vez que el apalancamiento descarrila una tesis rentable. El uso de deuda en carteras concentradas amplifica la exposición a los vaivenes de los tipos de interés. Cuando el coste del dinero sube, los financiadores se vuelven más restrictivos y las posiciones con plusvalías latentes pueden convertirse en una fuente de liquidación inmediata. En el caso del fondo de Aschenbrenner, las ventas forzadas amplificaron la caída y, al retirarse, permitieron una recuperación posterior.
El análisis no plantea que la inteligencia artificial sea una burbuja, sino que cualquier transición de este calado vendrá acompañada de periodos de pánico y de euforia. Rallo advierte de que un inversor apalancado difícilmente podrá resistir los momentos de desconfianza, incluso cuando su tesis sea correcta. La gestión del riesgo y la liquidez importan tanto como la elección de los activos.
La lección final es incómoda. Si alguien que conoce la industria desde dentro no pudo resistir el apalancamiento, cualquier inversor minorista con una tesis parecida debería preguntarse cuánta deuda está dispuesto a tolerar. Rallo cierra con una idea directa: los errores ajenos permiten aprender sin pagar el precio completo. La clave no esta en saber si la IA es una burbuja, sino en si la estructura de financiación permite sobrevivir a un ciclo adverso.
Puedes ver el análisis completo en el vídeo original de Juan Ramón Rallo en YouTube.
