Goldman advierte que el mercado de IA es una goma estirada

Goldman Sachs estratega Rich Privorotsky emitió una nota de advertencia sobre el mercado de inteligencia artificial, caracterizando su estado actual como una 'goma' estirada que enfrenta una creciente tensión por tendencias divergentes. El análisis, detallado el 23 de junio de 2026, destaca una creciente disparidad entre las previsiones de gasto de capital en aumento de los principales proveedores de nube y la rápida disminución del costo de desarrollar software de IA en plataformas alternativas. Esta dinámica se reflejó en la acción temprana del mercado, ya que Intel Corp. (INTC) subió un 16.38% a $140.94, mientras que Goldman Sachs (GS) cotizaba a $1,106.37, un aumento del 0.66%, a las 09:56 UTC de hoy. Los comentarios de Privorotsky señalan preocupación por la sostenibilidad de las valoraciones actuales a medida que cambian las economías subyacentes.

Contexto — por qué esto importa ahora

El actual ciclo de inversión en IA, que comenzó en serio con la comercialización de grandes modelos de lenguaje a finales de 2022, se ha basado en gastos de capital en constante aumento para la infraestructura de computación. Precedentes históricos, como la construcción de infraestructura de la burbuja de las puntocom de 1999-2000 y el ciclo de gasto de capital 5G de 2018-2020, demuestran que los ciclos de demanda de hardware a menudo alcanzan su punto máximo justo cuando la capa de software se vuelve más eficiente y accesible. El desencadenante de la actual revisión es una confluencia de anuncios de gasto récord por parte de los llamados hyperscalers—Amazon Web Services, Microsoft Azure y Google Cloud—que coinciden con la maduración de modelos de IA de código abierto y herramientas de desarrollo que reducen la dependencia de plataformas propietarias y costosas. Este desacoplamiento de la inversión en hardware de la innovación en software crea la tensión fundamental que identificó Privorotsky.

El contexto macroeconómico para este cambio incluye un entorno de tasas de interés estabilizándose, con el rendimiento del Tesoro a 10 años rondando el 4.3%. Esto proporciona cierta certeza para la financiación de infraestructura a largo plazo, pero también aumenta la tasa mínima para proyectos que requieren un capital inicial masivo. La cadena de catalizadores es directa: los compromisos a varios años de los hyperscalers para construir centros de datos y adquirir semiconductores avanzados como los GPUs H100 y B200 de Nvidia han impulsado las valoraciones de los fabricantes de chips, mientras que simultáneamente financian el desarrollo de herramientas que podrían erosionar su poder de fijación de precios. Esto crea un ciclo autolimitante donde el éxito de la inversión genera alternativas competitivas.

Datos — lo que muestran los números

Los datos del mercado ilustran el intenso enfoque en la infraestructura de IA. El aumento intradía de Intel del 16.38% llevó su precio de acción a un máximo de $141.45, reflejando un aumento de capitalización de mercado de más de $20 mil millones en una sola sesión. Este movimiento supera significativamente al sector tecnológico más amplio y a las ganancias más modestas del S&P 500 en lo que va del año. El rendimiento de las acciones de Goldman Sachs, un aumento del 0.66% a $1,106.37, subraya la recepción del mercado a su perspectiva analítica frente a las jugadas directas en la tendencia.

Las previsiones de gasto de capital de los hyperscalers han escalado dramáticamente. Las proyecciones de gasto agregado para 2026 de los tres principales proveedores de nube ahora superan los $180 mil millones, un aumento interanual de más del 25%. Este gasto está fuertemente orientado hacia la infraestructura optimizada para IA. Por el contrario, el costo de entrenamiento e inferencia para ciertos modelos de IA ha caído en picada. Los datos de referencia muestran que el costo para entrenar un modelo de lenguaje de última generación ha disminuido aproximadamente un 70% desde 2024 debido a mejoras algorítmicas y la disponibilidad de soluciones de hardware más eficientes y no propietarias. La divergencia es clara: los costos de entrada de capital están aumentando mientras que el valor de salida, en términos de capacidad de software accesible, se vuelve más barato de producir.

Métrica	Línea base 2024	Nivel a mitad de 2026	Cambio
Capex de los 3 principales hyperscalers	~$144B	>$180B	+25%+
Costo de entrenamiento de modelos de IA (Índice)	100	~30	-70%

Análisis — lo que significa para los mercados / sectores / tickers

El efecto inmediato de segundo orden es una bifurcación dentro del sector tecnológico. Las empresas de equipos de capital de semiconductores y los diseñadores de chips con exposición a la demanda de hyperscalers, como AMD y Broadcom, pueden seguir viendo fortaleza en los pedidos a corto plazo. Sin embargo, las empresas cuyas valoraciones dependen de una escasez perpetua de computación de IA, incluidas algunas empresas de chips de IA puras, enfrentan un riesgo elevado si la comoditización del software se acelera. El entorno de desarrollo más barato beneficia a las empresas de software empresarial y a las startups que ahora pueden construir características avanzadas de IA sin una propiedad masiva de infraestructura, potencialmente impulsando sectores como SaaS y ciberseguridad.

Una limitación clave de la tesis de la 'goma' es el potencial de avances imprevistos en IA que demanden hardware aún más potente y especializado, reajustando la curva de costos. Las tendencias actuales en computación cuántica-híbrida y arquitecturas neuronales de próxima generación sugieren que la demanda de hardware podría aumentar nuevamente. Los datos de posicionamiento indican que los fondos institucionales de solo compra siguen estando fuertemente ponderados en acciones de semiconductores, mientras que los fondos de cobertura han comenzado a construir posiciones cortas en empresas percibidas como excesivamente dependientes del gasto de hyperscalers que carecen de cronogramas de monetización claros. El flujo se está rotando hacia empresas que construyen aplicaciones de IA con modelos de ingresos claros frente a aquellas que venden herramientas de infraestructura.

Perspectivas — qué observar a continuación

El principal catalizador para poner a prueba la analogía de la goma será la próxima ronda de informes de ganancias de los hyperscalers, comenzando con Alphabet el 23 de julio, seguido de Microsoft y Amazon a finales de julio y principios de agosto. Los inversores examinarán la rentabilidad de las divisiones de nube y la orientación de gasto de capital en busca de signos de desaceleración o cautela. Los niveles clave a observar incluyen el índice Nasdaq-100 manteniéndose por encima de 19,500 y el Índice de Semiconductores de Filadelfia (SOX) manteniendo soporte en su media móvil de 100 días.

Los próximos eventos de la industria incluyen la exposición tecnológica Computex Taipei a principios de junio, donde a menudo se presentan nuevas arquitecturas de chips, y la Conferencia Allen & Co. en Sun Valley en julio, un lugar para la negociación de grandes medios y tecnología que podría señalar tendencias de consolidación. Una ruptura por debajo de $130 para Intel o un fracaso de Nvidia para mantener su impulso por encima de $120 señalaría un posible cambio en el sentimiento. La reacción del mercado a estos eventos determinará si la goma se recupera con fuerza o continúa estirándose.

Preguntas Frecuentes

¿Qué significa la teoría de la goma de IA para los inversores minoristas?

La teoría sugiere que los inversores minoristas deben diferenciar entre las empresas que construyen infraestructura de IA y aquellas que la utilizan para crear productos. Mientras que las acciones de infraestructura son volátiles y están vinculadas a ciclos de gasto de capital, las empresas centradas en aplicaciones pueden ofrecer un crecimiento más estable a medida que las herramientas de IA se vuelven más baratas. Los portafolios minoristas concentrados en ETFs de semiconductores pueden necesitar reequilibrarse si el gasto de hyperscalers alcanza su punto máximo, enfatizando la importancia de la diversificación a lo largo de la cadena de valor de IA en lugar de apostar únicamente por el hardware.