Un informe de la consultora McKinsey & Company destaca la inquietud generalizada sobre la inteligencia artificial (AI, por sus siglas en inglés), señalando las desorbitadas sumas que se invierten en infraestructura para respaldarla, a la vez que advierte que las previsiones de demanda futura se basan en meras conjeturas.
El auge de la inversión en AI ha cobrado impulso durante el último año, aproximadamente, hasta el punto de que McKinsey estima que los centros de datos equipados para gestionar cargas de trabajo de AI podrían requerir hasta 7,9 billones de dólares en gastos de capital para 2030 para satisfacer la demanda.
Usamos “estimaciones” porque el mismo informe admite que nadie está realmente seguro de cuál será ese nivel de demanda de AI o, como dice el informe: “La falta de claridad sobre la demanda futura dificulta los cálculos precisos de inversión”.
¿Seguirán los hiperescaladores asumiendo la carga de los costes?, pregunta McKinsey, o ¿se sumarán las empresas, los gobiernos y las instituciones financieras con nuevos modelos de financiación? ¿Seguirá aumentando la demanda de centros de datos, impulsada por el aumento del uso de la AI, o disminuirá a medida que los avances técnicos hagan que la AI consuma menos recursos?
Una pregunta que no se plantea en el informe: ¿Qué sucede si la AI resulta ser útil para ciertas tareas específicas, pero no la solución mágica de propósito general que muchos líderes corporativos creen que automatizará muchos de sus procesos de negocio y les permitirá ahorrar considerablemente en costos, principalmente al eliminar a los trabajadores humanos?
Por ejemplo, un documento de trabajo publicado a principios de este mes reveló que la IA generativa no ha tenido un impacto significativo en los ingresos ni en las horas registradas en ninguna ocupación hasta la fecha, a pesar de los miles de millones invertidos en la creación y el entrenamiento de los modelos.
En cuanto a las proyecciones numéricas reales para la IA, el informe pronostica que la demanda global de capacidad de cómputo podría casi triplicarse para 2030, y que aproximadamente el 70 % de esa demanda provendrá de las cargas de trabajo de IA. Sin embargo, esto depende de dos factores: si las empresas pueden convertir la IA en algo con un impacto real en el negocio y si los avances tecnológicos mejoran significativamente la eficiencia de cómputo.
El primero generaría una mayor demanda de infraestructura, pero el segundo tendería a disminuirla, a menos que, como argumenta McKinsey, las mejoras en la eficiencia se vean compensadas por un mayor uso en el mercado de la IA en general, lo que se conoce como la paradoja de Jevons.
Para cubrirse, la compañía ha previsto tres escenarios para 2030: desde una “demanda limitada”, pasando por una “demanda continua”, hasta una “demanda acelerada”.
El primero supondría 78 GW adicionales de capacidad, con un gasto de capital total de 3,7 billones de dólares, mientras que el escenario intermedio implica 124 GW de capacidad, con un total de $5.2 billones de dólares. (El gasto de capital adicional necesario para las aplicaciones de IT tradicionales ascendería a 1,5 billones de dólares, lo que se traduciría en un gasto total de casi 7 billones de dólares, como se menciona en el título del informe).
Por otro lado, la demanda acelerada de AI pondría en funcionamiento 205 GW adicionales de capacidad, con un coste de $7.9 billones de dólares en gasto de capital solo para IA.
