Los cuellos de botella en la cadena de suministro de inteligencia artificial están redefiniendo el ritmo de expansión del sector tecnológico, según revelaron cinco ejecutivos clave durante el Milken Global Conference celebrado esta semana en Beverly Hills. Desde la escasez de chips hasta los límites energéticos y la posibilidad de que la arquitectura fundamental de la IA requiera una revisión completa, los líderes del sector abordaron los desafíos más apremiantes que enfrenta la industria en este momento crítico.
El panel incluyó a Christophe Fouquet, CEO de ASML; Francis deSouza, director de operaciones de Google Cloud; Qasar Younis, cofundador de Applied Intuition; Dimitry Shevelenko, director de negocios de Perplexity; y Eve Bodnia, fundadora de Logical Intelligence. Según informó TechCrunch, los participantes representan cada capa de la infraestructura que sostiene el desarrollo actual de inteligencia artificial.
Escasez de chips limita el crecimiento de la inteligencia artificial
Fouquet fue contundente al describir una “aceleración enorme en la fabricación de chips”, advirtiendo que el mercado permanecerá limitado por la oferta durante los próximos dos a cinco años. Esto significa que los gigantes tecnológicos como Google, Microsoft, Amazon y Meta no recibirán todos los semiconductores por los que están pagando, según declaró el ejecutivo de ASML.
DeSouza confirmó la magnitud del problema al revelar que Google Cloud registró ingresos superiores a $20,000 millones el trimestre pasado, con un crecimiento del 63%. Sin embargo, la cartera de pedidos comprometidos pero no entregados se duplicó en un solo trimestre, pasando de $250,000 millones a $460,000 millones. “La demanda es real”, afirmó el directivo con notable calma.
Para Younis, el cuello de botella en la cadena de suministro de inteligencia artificial proviene de otra fuente. Applied Intuition desarrolla sistemas de autonomía para vehículos, drones y equipos industriales, y su limitación principal no es el silicio sino los datos del mundo real. “Tienes que encontrarlo del mundo real”, explicó, añadiendo que ninguna cantidad de simulación sintética cierra completamente esa brecha.
Centros de datos espaciales como respuesta al problema energético
Más allá de los semiconductores, la energía emerge como el segundo gran obstáculo. DeSouza confirmó que Google está explorando seriamente centros de datos orbitales como respuesta a las limitaciones energéticas. “Tienes acceso a energía más abundante”, señaló, aunque reconoció que la disipación de calor en el vacío del espacio presenta desafíos técnicos significativos.
El ejecutivo argumentó que la estrategia de Google de co-diseñar toda su pila tecnológica —desde chips TPU personalizados hasta modelos y agentes— genera ventajas en eficiencia energética que las empresas que compran componentes estándar no pueden replicar. “Ejecutar Gemini en TPUs es mucho más eficiente energéticamente que cualquier otra configuración”, afirmó deSouza.
Fouquet coincidió en que el sector atraviesa un momento inusual de inversión masiva de capital impulsada por necesidad estratégica. Sin embargo, advirtió que más computación significa más energía, y la energía tiene un precio que eventualmente debe considerarse en la ecuación económica.
Modelos basados en energía como alternativa arquitectónica
Mientras la industria debate sobre escala y eficiencia dentro del paradigma de modelos de lenguaje grandes, Bodnia propone una dirección radicalmente diferente. Su empresa, Logical Intelligence, desarrolla modelos basados en energía que intentan comprender las reglas subyacentes de los datos en lugar de predecir tokens secuenciales.
Su modelo más grande tiene 200 millones de parámetros, comparado con los cientos de miles de millones en los LLM líderes, pero afirma que opera miles de veces más rápido. Además, el sistema está diseñado para actualizar su conocimiento conforme cambian los datos, sin requerir reentrenamiento completo. “Cuando conduces un automóvil, no estás buscando patrones en ningún lenguaje”, explicó Bodnia sobre la ventaja de su enfoque para aplicaciones físicas.
Agentes autónomos y controles de seguridad granulares
Shevelenko describió cómo Perplexity ha evolucionado desde un producto de búsqueda hacia lo que ahora denomina un “trabajador digital”. Perplexity Computer está diseñado como personal que un trabajador del conocimiento dirige, no simplemente como una herramienta. “Cada día despiertas y tienes cien empleados en tu equipo”, planteó sobre la oportunidad que representa.
Sin embargo, esta capacidad plantea cuestiones obvias de control. Shevelenko explicó que los administradores empresariales pueden especificar no solo qué conectores y herramientas puede acceder un agente, sino si esos permisos son de solo lectura o de lectura-escritura. Cuando el agente Comet toma acciones en nombre del usuario, presenta un plan y solicita aprobación primero, una fricción que considera esencial especialmente para organizaciones que protegen marcas construidas sobre la confianza del cliente.
Soberanía nacional y IA física
Younis ofreció quizás la observación más cargada geopolíticamente del panel: la IA física y la soberanía nacional están entrelazadas de formas que la IA puramente digital nunca estuvo. Los vehículos autónomos, drones de defensa y maquinaria agrícola se manifiestan en el mundo real de maneras que los gobiernos no pueden ignorar, planteando preguntas sobre seguridad, recopilación de datos y control dentro de las fronteras nacionales.
Fouquet complementó esta perspectiva señalando que el progreso de China en IA es real, pero está limitado por restricciones de hardware. Sin acceso a litografía ultravioleta extrema, los fabricantes de chips chinos no pueden producir los semiconductores más avanzados, y los modelos construidos sobre hardware más antiguo operan con una desventaja compuesta, independientemente de la calidad del software.
Los panelistas también abordaron el impacto generacional de estas tecnologías. DeSouza señaló que herramientas más poderosas podrían finalmente permitir a la humanidad abordar problemas de escala sin precedentes, desde enfermedades neurológicas hasta infraestructura climática. Younis destacó que en sectores como agricultura, minería y transporte de carga, la IA física no está desplazando trabajadores dispuestos sino llenando un vacío laboral que ya existe y solo se profundizará.
La industria enfrenta ahora un período de transición donde las limitaciones físicas de fabricación de chips y suministro energético podrían determinar qué empresas y países liderarán la próxima fase de desarrollo de inteligencia artificial. Los próximos dos a cinco años revelarán si las inversiones masivas actuales en capacidad de manufactura pueden cerrar la brecha entre demanda y oferta, o si los cuellos de botella persistirán y redistribuirán el poder de mercado. Mientras tanto, arquitecturas alternativas como los modelos basados en energía podrían ganar tracción si las limitaciones de recursos se mantienen.