Según arXiv q-fin, un estudio reciente examina cómo cuatro factores transforman la estructura del sector de inteligencia artificial entre 2026 y 2030. El análisis se centra en el alza de precios de memorias DRAM y HBM, la disponibilidad de modelos abiertos de alto rendimiento como GLM-5.2, avances en la eficiencia de inferencia que se acercan al límite de Shannon, y la entrada de empresas como Meta y xAI en la reventa de infraestructura computacional adquirida antes de que se reajustaran los precios de la memoria. Se desarrolla una nueva métrica económica: el costo por petabyte de ancho de banda entregado, independiente del modelo, que permite comparar el costo de desplegar inferencias. Este indicador revela que la brecha entre nuevos entrantes y actores establecidos no se cierra: la depreciación acelerada de las flotas de hardware se transmite a los líderes del mercado, con una ampliación de hasta 3,2 veces en 2026, 1,9 veces en 2027 y una reampliación hacia 3 a 4 veces entre 2029 y 2030. El costo de entrenamiento se divide en dos niveles: un segmento de lujo que alcanza entre 18 y 38 mil millones de dólares por ejecución de frontera en 2030, y un segmento masivo en el que el costo de entrenamiento se reduce hacia 5 millones de dólares, gracias a técnicas como el aprendizaje por reforzamiento y la distilación. La viabilidad financiera de estas inversiones depende de un crecimiento anual del consumo de tokens de aproximadamente el doble, manteniendo precios premium. Los indicadores públicos de demanda de tokens exageran el volumen real de demanda monetizable, y todos los pronósticos anteriores al segundo trimestre de 2026 se basan en una etapa anterior del mercado, cuando la prioridad era maximizar tokens, no minimizarlos. Un análisis de punto de equilibrio por "vintage" indica que las flotas de 2026 y 2028-29 son vulnerables a un solo escenario de precios, mientras que la de 2027 mantiene robustez. Aunque las empresas que construyen chips personalizados eliminan el margen comercial, no logran reducir el exceso de precios en memorias. Los resultados muestran que el 25% de estos proyectos son exitosos, el 34% se sitúan en un nivel medio y el 41% terminan en pérdidas, una situación que podría mejorarse con mecanismos de evaluación en fases. La solución china LineShine LX2, que utiliza memorias domésticas en arquitectura estándar, logra separar su curva de costo de la crisis de precios en memorias. Los escenarios de evolución del mercado se distribuyen en cinco categorías: oligopolio rotativo (25%), colapso de la commodificación (25%), absorción por efecto de Jevons (20%), redefinición en niveles de sistema (18%) y bifurcación geopolítica (12%). La sostenibilidad actual del modelo depende de la demanda real de ancho de banda, la adherencia a precios premium y el control sobre flotas históricas.
Para el lector peruano, este panorama sugiere que las inversiones en tecnología de inteligencia artificial deben considerar no solo el crecimiento de la demanda, sino también la volatilidad de los costos de hardware y la necesidad de eficiencia en el uso de recursos. En un contexto donde la capacidad de procesamiento se vuelve clave, los pequeños y medianos negocios deberían evaluar si pueden acceder a infraestructura flexible, con precios estables y bajo consumo de energía. La historia de China demuestra que la autogestión de cadenas de suministro puede reducir dependencia de mercados internacionales. Este análisis es relevante para el Perú, que busca fortalecer su posición en tecnologías emergentes, pero que aún depende en gran medida de importaciones de hardware. Una estrategia de desarrollo local, combinada con una visión de eficiencia en el uso de recursos, podría convertirse en un diferenciador sostenible.