El lunes 27 de enero de 2025, Nvidia perdió cerca de seiscientos mil millones de dólares de valor bursátil en una sola sesión, la mayor caída diaria que una empresa había registrado jamás. La causa no fue un producto fallido ni un escándalo. Fue una buena noticia sobre eficiencia: un laboratorio chino, DeepSeek, había publicado un modelo a la altura de la frontera con una fracción del cómputo de entrenamiento habitual. Si la inteligencia podía obtenerse con menos hardware, razonó el mercado, el mundo necesitaría menos hardware. A las pocas horas, Satya Nadella, cuya empresa gastaba decenas de miles de millones al año en GPU, publicó un diagnóstico de cuatro palabras con nombre decimonónico: «¡La paradoja de Jevons ataca de nuevo!».

Tenía razón, y el mercado terminó dándosela. Veinte meses después escasea la memoria, escasea el almacenamiento, y los chips que convierten electricidad en productos de matrices están reservados con años de antelación por las pocas empresas capaces de pagarlos. La eficiencia que debía aliviar la demanda la alimentó. Ese circuito merece una mirada más atenta que la de un gráfico bursátil, porque dice algo sobre el tipo de máquina que estamos construyendo y sobre el tipo de razonamiento que la construye.

I. Una máquina que solo multiplica

Un procesador gráfico se diseñó para sombrear píxeles: millones de cálculos pequeños e idénticos realizados a la vez y no uno tras otro. Esa misma propiedad lo volvió ideal para las redes neuronales, cuya operación central es la multiplicación de matrices enormes. Como escribí a propósito del perceptrón, las GPU no hicieron posible el aprendizaje profundo; los algoritmos existían desde hacía décadas. Lo hicieron lo bastante barato como para intentarlo, y luego lo bastante barato como para escalarlo.

Lo que la GPU hace, lo hace con una especialización extrema. Un acelerador moderno realiza del orden de mil billones de multiplicaciones de baja precisión por segundo, y casi cada decisión de ingeniería en él, desde la memoria apilada junto al chip hasta la precisión de su aritmética, está al servicio de esa única operación. No razona, no recuerda, no desea. Multiplica, suma y mueve números entre la memoria y las unidades aritméticas, y la mayor parte de su costo se va en moverlos.

Nada de esto descalifica lo que corre encima. Un sistema hecho de multiplicaciones puede producir conductas útiles, como un sistema hecho de neuronas que disparan o no disparan produce las nuestras. Pero la palabra IA nos invita a imaginar una mente dentro de la máquina, y el hardware cuenta una historia más llana. Lo que hemos construido es una capacidad descomunal para un tipo de cálculo, y hemos acordado llamar inteligencia a su resultado cuando rinde bien en las pruebas que elegimos. La capacidad es una relación medida entre un sistema y una tarea. La inteligencia, sea lo que resulte ser, es una afirmación sobre lo que hay detrás de la medida. La GPU vende lo primero y recibe el crédito de lo segundo.

II. El motor felicífico

Jeremy Bentham propuso en 1789 que las cuestiones morales podían resolverse con aritmética. Placeres y dolores tenían dimensiones medibles (intensidad, duración, certeza, proximidad, extensión), y el acto correcto era el que producía la mayor suma. Llamó al método cálculo felicífico. Su poder venía de reducirlo todo a una sola cantidad que pudiera compararse y maximizarse. Sus críticos, empezando por John Stuart Mill, heredero del propio Bentham, objetaron que algunos bienes difieren en clase y no solo en cantidad: «es mejor ser un Sócrates insatisfecho que un tonto satisfecho». Un solo escalar no puede contener esa frase.

El entrenamiento de una red neuronal es un cálculo felicífico en el sentido más literal que la expresión haya tenido nunca. Cada modelo se moldea con una función de pérdida, un único número que mide cuán equivocado está, y todo el aparato de GPU, memoria y energía existe para empujar ese número hacia abajo. Lo que la pérdida no mide, el entrenamiento no lo ve. No es un defecto exclusivo del aprendizaje automático; es el precio de optimizar. Solo puede maximizarse lo que antes se redujo a una cantidad.

Max Horkheimer le dio nombre a esa actitud en Eclipse of Reason (1947), traducido al español como Crítica de la razón instrumental: la razón que pregunta cómo alcanzar un fin con eficiencia y considera ajena a su competencia la pregunta de qué fines vale la pena alcanzar. Max Weber ya había descrito la misma deriva como la expansión de la racionalidad de medios y fines en instituciones que olvidan, poco a poco, para qué eran los medios. La GPU quizá sea el objeto más utilitarista de nuestro tiempo, en ese sentido preciso: un instrumento de competencia extraordinaria cuyo único valor incorporado es el rendimiento. El progreso medido como escala, el poder medido como operaciones por segundo, la inteligencia medida como puntaje en un benchmark. Cada una de estas medidas es legítima. Juntas forman un libro contable al que le falta una columna.

III. Una escasez hecha de abundancia

La columna que falta aparece primero como precio. La memoria que acompaña a un acelerador de IA, la memoria de alto ancho de banda o HBM, se fabrica con chips de DRAM apilados y consume cerca de tres veces la superficie de oblea por gigabyte que la memoria común. Cuando los tres fabricantes que producen casi toda la DRAM del mundo desviaron sus líneas hacia ella, el resto del mercado se quedó sin abasto. En 2026 la producción de HBM estaba vendida con un año de anticipación, y Bloomberg informó que algunos precios de memoria común superaban diez veces su nivel de enero de 2025. El almacenamiento de estado sólido siguió el mismo camino. Una computadora portátil, un teléfono, el servidor de imágenes de un hospital: todos compiten hoy por las mismas obleas que un clúster de entrenamiento, y pierden.

La segunda señal es la energía, y en América Latina también el agua. El informe Energy and AI de la Agencia Internacional de Energía estimó que los centros de datos consumieron unos 415 teravatios-hora en 2024, alrededor del uno y medio por ciento de la electricidad mundial, y proyectó cerca de 945 para 2030, más o menos lo que hoy consume Japón. Las cifras tienen márgenes de error amplios, como la propia agencia subraya; la dirección no. En Santiago de Chile, el proyecto de Google en Cerrillos tuvo que rediseñarse desde cero después de que un tribunal ambiental anulara parcialmente su aprobación en 2024 por los riesgos sobre el acuífero de una región que llevaba más de una década de sequía. La nube tiene una dirección postal, y esa dirección tiene vecinos.

La tercera señal es el tiempo. El silicio de una GPU puede funcionar muchos años, pero su vida económica es más corta, porque cada nueva generación vuelve menos competitiva la capacidad de ayer para el trabajo más exigente. Cuánto más corta es hoy una disputa contable de cientos de miles de millones de dólares: los grandes proveedores de nube deprecian sus servidores a cinco o seis años, mientras sus críticos sostienen que los aceleradores de frontera rinden dos o tres. Ambos pueden tener razón, porque un chip retirado del entrenamiento puede seguir sirviendo inferencia más barata. Pero la disputa misma es reveladora. Una industria construida sobre la medición no logra ponerse de acuerdo sobre cuánto dura su instrumento central.

Juntas, las tres señales dibujan el circuito. La infraestructura existe para acelerar el cómputo; la demanda de aceleración supera la oferta de memoria, almacenamiento, energía y chips; la respuesta es más capacidad, que eleva la demanda que debía satisfacer. Más capacidad se convierte en la solución de un problema creado en parte por el supuesto de que más capacidad es siempre la solución.

IV. Jevons en la bolsa

William Stanley Jevons advirtió el patrón en 1865. En The Coal Question observó que la máquina de vapor más eficiente de James Watt no había reducido el consumo británico de carbón; lo había multiplicado, porque el trabajo más barato encontraba nuevos usos más rápido de lo que se acumulaban los ahorros. «Es una completa confusión de ideas», escribió, «suponer que el uso económico del combustible equivale a un menor consumo. La verdad es exactamente la contraria». La paradoja de Jevons no es una ley; se cumple cuando la demanda es elástica y falla cuando se satura. La iluminación y el cómputo son los casos de manual donde se ha cumplido, y el mensaje de Nadella era una apuesta a que la IA se sumaría a ellos.

Iván Illich, desde Cuernavaca, había formulado en 1974 una versión más incómoda de la misma intuición. En Energía y equidad sostuvo que, pasado cierto umbral de energía por persona, la velocidad deja de liberar y empieza a organizar la vida de todos alrededor de quienes pueden pagarla: el automóvil veloz que alarga las distancias para el peatón. Illich hablaba de transporte, pero el argumento se traslada sin esfuerzo a una economía en la que el cómputo de unos pocos fija el precio de la memoria de todos.

Así que la pregunta de cuándo termina el ciclo no puede responderse solo con eficiencia. La eficiencia por operación ha mejorado enormemente y seguirá mejorando: aritmética de menor precisión, modelos más dispersos, destilación en redes más pequeñas, chips diseñados para inferencia y no para entrenamiento. Pero las ganancias fáciles quedaron atrás. El escalado de Dennard, la regla que permitía encoger transistores sin aumentar la potencia por área, se agotó a mediados de los años 2000, y el crecimiento de los cálculos por julio que documentó Jonathan Koomey, la ley de Koomey, se ha desacelerado desde entonces. El piso físico, el límite de Landauer sobre la energía necesaria para borrar un bit, está muy por debajo del hardware actual, así que queda margen. Un cerebro humano funciona con unos veinte vatios, lo que prueba que existen equilibrios muy distintos entre potencia y capacidad sin decirnos cómo construirlos.

Ni siquiera un avance decisivo terminaría el ciclo por sí solo. Si el chip de mañana entregara diez veces más cómputo por vatio, la lógica de Jevons dice que gastaríamos el ahorro en diez veces más cómputo. El ciclo termina de una de dos maneras. O bien se impone una restricción que el dinero no disuelve (una red eléctrica que no puede ampliarse, agua que una región no puede ceder, un capital que deja de esperar retorno), o bien cambia la demanda porque alguien decide que cierto cómputo no vale la pena.

V. Lo que elegimos calcular

Ese segundo final es el que la razón instrumental no alcanza, porque no es una pregunta sobre medios. La eficiencia como logro técnico pregunta cuánto cómputo podemos obtener por vatio. La eficiencia como decisión social pregunta qué cálculos merecen el vatio, y esa pregunta no tiene función de pérdida. Exige un valor que no sea el rendimiento: para qué sirve una tarea, quién paga sus subproductos, qué otra cosa podrían haber hecho la oblea y el megavatio.

He defendido antes el modelo menos potente que sirve a la pregunta: un modelo pequeño en una portátil, suficiente para casi todo lo que le pedimos, frente a un sistema de frontera cuyo alcance rara vez usamos. Era una preferencia personal. A escala de una industria se vuelve una prueba de si un sistema organizado en torno a resultados medibles puede reconocer los costos que deja fuera de la métrica. Charles Goodhart advirtió que una medida convertida en objetivo deja de medir bien. La economía de las GPU es una demostración enorme del corolario: un objetivo perseguido a suficiente escala empieza a fijar los precios de todo lo que lo rodea, incluida la memoria de la computadora de un escolar y el agua de un municipio que tuvo la mala suerte de quedar junto a un centro de datos.

Bentham, por voluntad propia, fue disecado tras su muerte, y su esqueleto, vestido con su ropa y coronado por una cabeza de cera, sigue sentado en una vitrina del University College de Londres. El autoícono debía mostrar que una vida podía ser útil hasta el final. Muestra también otra cosa: una filosofía tan segura de su suma que nunca preguntó para qué era la suma. Las máquinas que estamos construyendo harán esa suma más rápido que nada antes. Si la harán hacia algo que valga la pena desear nunca fue una pregunta que las máquinas pudieran responder.

Lecturas recomendadas