Invertir con criterio exige algo previo a cualquier análisis: un marco mental sólido sobre la realidad que nos rodea. Construirlo es hoy más difícil que nunca. La revolución de la IA avanza a un ritmo vertiginoso, y el ruido de titulares —alimentado en parte por nuestra propia impaciencia como lectores, que pedimos respuestas cortas a problemas complejos— lo complica aún más.
En Quality Value queremos ayudar a construir ese marco. Por eso recurrimos a expertos y voces de primer nivel que conocen el cambio de primera mano. En marzo publicamos junto a Juan Ramón Rallo un informe sobre el impacto macroeconómico de la IA.
Hoy tenemos el honor de publicar el análisis de Pablo Martín, presidente y CEO de Izertis, una de las principales consultoras tecnológicas de España, sobre el impacto que la IA está teniendo en la economía real: en el día a día de los negocios.
Os animamos a leerlo con calma. No busca dar respuestas rápidas, sino provocar la reflexión desde la que cada uno pueda formar su propio criterio.
Durante los últimos dos años, pero especialmente en los últimos meses, se ha venido especulando de manera creciente sobre cuál será el ritmo de adopción real de la IA y, sobre todo, sobre el impacto que en todos los estamentos de nuestra sociedad tendrá dicha adopción.
Muchas de las hipótesis que se han ido vertiendo describen incluso distopías apocalípticas. La más sonada es el famoso informe Citrini (Citrini Research, ‘The 2028 Global Intelligence Crisis’), que se volvió viral a comienzos de 2026 y llegó a sacudir los mercados. Conviene aclarar que no es una predicción, sino un ejercicio teórico. Su argumento de fondo es sencillo: la inteligencia humana, que siempre ha sido el recurso más escaso y mejor pagado, empieza a perder su valor porque la IA la sustituye, cada vez mejor, en más y más tareas. De ahí nace lo que llama una «espiral de desplazamiento»: la IA mejora, las empresas necesitan menos gente, aumentan los despidos, los parados gastan menos, los márgenes se resienten, se invierte aún más en IA… y vuelta a empezar.
Lo más llamativo es dónde golpea. El empleo de «cuello blanco» supone la mitad del empleo en EE. UU. y cerca del 75% del gasto discrecional (los coches, las vacaciones, las cenas fuera, los colegios privados…), así que basta con que se destruya una pequeña parte para que el consumo se hunda. De ese desajuste sale el «PIB fantasma»: la productividad sube sobre el papel, pero los ingresos de las familias se desploman, llega una crisis financiera en cadena y, ya en 2028, el paro alcanza el 10,2% y la Bolsa cae cerca de un 38%. Por cierto, no conviene olvidar que todo esto es un ejercicio especulativo, criticado por no pocos economistas por apoyarse en supuestos extremos.
Por suerte, nada de esto se va a producir.
La IA tendrá una adopción mucho más lenta.
Siempre que ha surgido a lo largo de la historia una nueva tecnología o avance con capacidad de alterar la situación actual se produce el mismo ciclo de exageración: se tiende a sobrevalorar el impacto de ese avance tecnológico en el corto plazo y a infravalorar el que tendrá en el largo plazo.
Esta máxima se ha cumplido casi con exactitud en las anteriores revoluciones.
Si recordamos la exageración de los tiempos de la burbuja .com, se afirmaba continuamente que los negocios que no se digitalizaran inmediatamente no existirían. Es famosa la afirmación que en 1999 hizo Andy Grove, entonces presidente del consejo de administración de Intel:
«Dentro de un tiempo, digamos cinco años, no habrá empresas de internet. Habrá empresas que usen internet; todas las que operen usarán internet en sus operaciones, o quedarán marginadas» Andy Grove Ex-CEO Intel.
Por suerte, se equivocó. Si bien 25 años después gran parte de los negocios se han convertido en digitales, aún siguen existiendo negocios que no se han digitalizado en absoluto, y coexisten canales tradicionales con canales digitales.
Se tiende a infravalorar el tiempo, el esfuerzo y la complejidad que exige cualquier cambio, incluso cuando acaba produciéndose. También se subestima su coste económico, el impacto cultural que implica y la capacidad real de las personas para adaptarse a transformaciones de gran alcance.
Creo sinceramente que con la actual revolución de la IA pasará algo similar. Se va a producir, y será una transformación aún mayor que las anteriores, pero ni será mañana, ni será tan fácil, ni tan económica.
Incluso puede que el modelo actual, basado en los LLM (Large Language Model), no sea el modelo definitivo que produzca esta gran revolución.
Hay cuatro factores que considero que actuarán como barreras en el desarrollo de la IA actual. Los voy a ordenar por orden de dificultad, del más sencillo al más complicado de solventar. Puede que haya más, pero considero que estos cuatro principales son suficientemente relevantes para que se cumpla mi hipótesis.
1.º Desarrollo tecnológico
Se está transmitiendo la idea de que todas las aplicaciones, soluciones y posibilidades que nos cuentan son realidades que ya existen, que su disponibilidad es inmediata, su coste marginal, su facilidad de uso increíble y el esfuerzo necesario para implantarlas, prácticamente inexistente.
Nada más lejos de la realidad. Muchas de las cosas existen, otras están en desarrollo y otras son simplemente ciencia ficción. Implantarlas en los sistemas actuales, o sustituirlos, supone un trabajo inmenso: caro, arriesgado y lleno de incógnitas por resolver.
A esto se suma el coste de los propios LLM. Nos hemos quedado con la sensación de que son casi gratuitos. Sin embargo, en los últimos meses hemos visto cómo se pasaba de esa aparente gratuidad inicial al alza de las suscripciones y, después, a cambios en las políticas de coste por tokens. El resultado ha sido un aumento muy significativo de los consumos y del gasto asociado en las empresas.
Algunas grandes empresas han tenido que bloquear el acceso a estos modelos a parte de sus organizaciones al no poder asumir actualmente en sus presupuestos estos costes más altos. No me refiero a pequeñas empresas, sino a corporaciones como Microsoft o Uber.
Pero el coste que nos están cobrando actualmente los LLM representa solo una fracción de su coste real. Se tendrían que multiplicar al menos por diez las tarifas actuales para cubrir la operación, amortizar las inversiones realizadas y sostener un retorno mínimo. Por lo tanto, podemos ver cómo los precios se multiplican por diez, porque es imposible seguir financiando pérdidas al volumen de consumo que la oferta subvencionada produce y va a producir.
Y, de nuevo, pensemos en la inversión en términos económicos y de todo tipo de recursos que supondrá a las organizaciones implementar todo esto.
Hay además un coste que pagará el propio consumidor de la IA. En muchos casos, el incremento que probablemente soportaremos en el precio de los tokens en los próximos años nos llevará a replantear qué tareas son eficientes, en términos económicos, para la IA, y cuáles pueden ser recuperadas por modelos más simples y humanos.
Es más, tengo serias dudas de que los actuales modelos LLM sean la solución adecuada para muchas tareas en términos de coste y eficiencia energética. Y, desde luego, me cuesta mucho ver una IAG (IA general) basada en ellos.
Por cierto, las afirmaciones que algunos de los líderes de esas empresas de IA hacen sobre sus capacidades presentes o futuras no deben ser creídas a pies juntillas. Por supuesto, tienen un fuerte conflicto de interés…
2.º Riesgo, regulación, legislación
En agosto de 2019 me adelantó un Waymo, un coche autónomo, en la autopista entre San Francisco y San José, California. Me dije:
«Ya está, ya es una realidad lo de los coches completamente autónomos, sin conductor».
Un año y medio antes me había comprado un vehículo de una prestigiosa marca alemana que, en su anuncio promocional en YouTube, conseguía ir desde San Francisco a Las Vegas sin que nadie tocara su volante.
Estamos en agosto de 2026 y en las calles europeas siguen sin circular coches autónomos. Solo en un puñado de ciudades de EE. UU. y China se permite la circulación de estos vehículos, y con bastantes limitaciones en cuanto a los destinos y tipos de servicios.
¿Qué sucede? ¿Por qué si la tecnología está disponible desde hace años no se está aplicando ya? Parte de la explicación está en el punto anterior: aunque la tecnología existe, no tiene la madurez suficiente para todos los casos de uso posibles.
Pero lo más importante es que existen barreras de tipo legal y regulatorio que dificultan o impiden su adopción. A ello se suman riesgos de distinta naturaleza que obligan a actuar con más cautela. Por eso, que una tecnología esté disponible no significa necesariamente que pueda implantarse de forma inmediata.
Un gran banco no puede permitirse conectar modelos de IA que reescriban su software sobre sus sistemas legacy sin realizar millones de análisis, pruebas y ensayos sobre lo que sucede. Y todo esto con una férrea supervisión humana.
Los sistemas críticos de las eléctricas, las centrales nucleares, las salas de emergencias hospitalarias y los quirófanos, las infraestructuras militares y de defensa, los cuerpos de seguridad, las agencias de inteligencia, los satélites… ¿de verdad es tan sencillo trasladar esto a un modo pilotado por IA?
Harán falta muchos años para evaluar todos los riesgos asociados a cada caso de uso y se autorice su implantación en determinadas infraestructuras críticas.
3.º Disponibilidad de infraestructuras
Para ejecutar toda esta IA se necesitan enormes centros de datos equipados con grandes sistemas de computación, que requieren infinidad de procesadores especializados, chips de memoria y sistemas de almacenamiento.
Todos esos componentes deben fabricarse, y la capacidad de producción, en algunos casos, ya está tensionada al máximo. Es posible construir nuevas fábricas de integrados, pero ampliar de forma drástica la producción no depende solo de levantar más plantas. Toda la cadena de suministro está sometida a una fuerte presión, y desarrollar esa capacidad industrial llevará años.
Esos procesadores se instalan en centros de datos que aún no existen y que también hay que construir.
¿Se puede? Por supuesto, pero de nuevo es tarea de años.
Y lo más importante: para que todo esto funcione se necesitan cantidades inimaginables de energía eléctrica. Energía que no existe, que hay que producir.
Además, buena parte de ese suministro deberá ser energía de base: estable, continuo y garantizado las 24 horas del día, los 365 días del año. No puede depender de horarios, de la climatología, de tensiones en la cadena de suministro ni de una fuerte volatilidad de precios a largo plazo.
La energía perfecta para este caso es la nuclear. Gran parte de Europa ha renunciado a ella. Podemos construir toda esa energía que queramos, pero queremos que sea renovable, no contaminante y barata.
Pues sí, poder se puede; pero es tarea de muchos, muchos años.
La inversión en el desarrollo tecnológico de la propia IA se vuelve irrelevante si se compara con la que será necesaria para las infraestructuras de cómputo donde esa IA deberá correr en el futuro.
Nadie es capaz de calcular el volumen exacto que deberá ser invertido en los próximos años en energía, centros de datos, fábricas de chips y otras infraestructuras necesarias. Pero todos los actores coinciden en la magnitud del desafío: hablamos de trillones de dólares, billones en términos europeos.
No es que no haya capital en el mundo que financie el desarrollo de estas infraestructuras. Cuando una inversión demuestra un potencial de retorno sobre el capital adecuado al riesgo, ese capital aparece.
Es aquí donde surge el meollo del problema: todavía no sabemos cuál es el retorno real de esas infraestructuras. Ni siquiera podemos calcularlo.
Por eso, buena parte de esa inversión sigue teniendo un componente altamente especulativo.
Actualmente, las empresas que están contratando esa capacidad de cálculo para procesar la IA, y que es lo que justifica todas estas inversiones, lo hacen asumiendo grandes pérdidas: el negocio no es rentable actualmente. No ganan dinero, ni parece que vayan a hacerlo en cantidad suficiente como para justificar, a medio plazo, el capital asignado.
Todas las demás infraestructuras dependen de que se siga solicitando capacidad de cómputo a pérdidas. En algún momento alguien dirá que no puede seguir inyectando capital sin tener un retorno asegurado razonable.
Esto hará que todos se centren en la búsqueda de esa rentabilidad, lo que seguramente ralentizará el ritmo de adopción de esta IA «gratis» actualmente. Cuando el precio de los tokens suba hasta cubrir los costes y el rendimiento de capital, la demanda bajará hasta encontrar el equilibrio.
Las expectativas de retorno que se están generando sobre la IA son totalmente irracionales. Llevo meses advirtiendo, a todo el que quiera oírme, que no invierta en IA salvo que lo haga con un enfoque marcadamente especulativo y consciente del altísimo riesgo que está asumiendo.
Pero claro, cuando todo el mundo sabe esto, todos invierten en ello, y además las rentabilidades que se están obteniendo en los mercados son ilusorias: ¿quién es el que se atreve a sostener la tesis contraria?
No es que estas empresas o activos no tengan valor: es una cuestión de precio. Una compañía puede ser fantástica y, al mismo tiempo, convertirse en una pésima inversión si su valoración carece de sentido. De eso se trata: de comprar buenos activos a precios razonables. Actualmente, en el mercado de la IA hay activos buenos y malos, pero resulta casi imposible encontrar unos u otros a valoraciones sensatas. No digo baratas; digo, simplemente, razonables.
Estamos ante la mayor burbuja de la historia.
Mayor aún que la burbuja de internet.
No es que esto carezca de sentido: la IA será un gran negocio en algún momento. Pero, ahora mismo, lo es sobre todo para quienes crean y colocan el producto en el mercado, y para los bancos de inversión. Quienes mantengan las inversiones realizadas a estos precios seguramente perderán muchísimo dinero.
*Nota: si el artículo te está aportando, al final tienes las últimas tesis que hemos publicado en abierto en el research.
4.º Sobre la cultura y las personas
Lo más difícil de gestionar en este mundo son las personas. No hay nada con un nivel de complejidad tal como el ser humano.
Cuando, hace años, hablábamos de la transformación digital, decíamos que el problema principal para su implantación no era la tecnología, ni los presupuestos, ni cualquier otra razón, sino el cambio cultural y la adaptación de las personas.
Pues ahora nos encontramos ante un cambio mucho más profundo que el que planteamos hace una década. Es necesario replantear todos los modelos de negocio, abordar una reingeniería a fondo de los procesos, sustituir a muchas personas que, por diversas razones, no podrán adaptarse, incorporar nuevos perfiles con roles distintos, algunos difíciles de encontrar, y, sobre todo, acometer un reskilling completo de quienes continúen en las organizaciones.
¿Cuánto tiempo creemos que nos tomará esto en una gran multinacional o en la administración pública de un país?
¿De verdad que alguien cree que esta es una tarea que, además de titánica, no sea labor de muchísimos años?
Habrá que formar perfiles para roles que no existen, diseñar itinerarios formativos, negociar el cambio, vencer las resistencias. En definitiva: si la metamorfosis digital era muy difícil, la adopción profunda de la IA es un reto extraordinario.
La paradoja de Jevons
La paradoja de Jevons es un fenómeno económico en el que un aumento en la eficiencia del uso de un recurso provoca un aumento en su consumo total, en lugar de su reducción. Fue formulada en 1865 por el economista inglés William Stanley Jevons en su libro ‘The Coal Question’ (El problema del carbón).
Jevons notó que las máquinas de vapor de James Watt gastaban menos carbón por unidad de trabajo, pero que esto hizo que usar carbón fuera tan rentable que la industria lo adoptó en masa, y el consumo total creció con rapidez.
¿Por qué ocurre?
Por un menor coste relativo: hacer que un recurso sea más eficiente, abaratando su uso, reduce el coste final de los bienes y servicios que dependen de él.
Por una mayor demanda: al bajar el precio o el coste de uso, la demanda por parte de los consumidores y las empresas sube de forma notable, superando el ahorro inicial logrado por la eficiencia.
Y por expansión tecnológica: permite que nuevos usuarios o industrias que antes no podían pagar el recurso ahora comiencen a usarlo masivamente.
Esta observación de Jevons sobre el aumento del consumo de carbón ha podido replicarse constantemente en otros casos, cada vez que una mejora productiva ha logrado reducir notablemente el coste de los bienes o servicios.
La paradoja de Jevons puede ayudarnos a explicar por qué la inteligencia artificial, como herramienta de productividad radical, no tiene por qué reducir la demanda de servicios tecnológicos. Al contrario: puede impulsar que áreas como el desarrollo de software crezcan de forma exponencial y que el tamaño total de este mercado aumente, en lugar de contraerse.
Por supuesto, puede haber quien, aceptando esto, afirme que, no obstante, la totalidad del trabajo necesario para prestar esos servicios, no solo una parte, pase a ser producido por la IA. Según esta tesis, aunque el tamaño del mercado creciera de forma exponencial, no habría negocio ni para consultoras ni para humanos, porque el 100 % del trabajo lo realizaría la IA.
Esto último es, hoy, del todo imposible, incluso en un horizonte a medio plazo. Por eso, la reducción del esfuerzo de producción que permite la IA hará crecer la demanda de servicios y, en consecuencia, también el trabajo para las consultoras.
El error, por tanto, está en pensar que más productividad equivale necesariamente a menos mercado. La historia económica demuestra, una y otra vez, que cuando una tecnología abarata de verdad una actividad, no siempre la reduce: muchas veces la multiplica. Y la inteligencia artificial, al menos en esta fase, parece encajar mucho más en esa lógica que en la de una sustitución total e inmediata.
Podcast Quality Value
Con Pablo Martín Preside y CEO de Izertis
Ampliamos todos estos puntos con Pablo en el podcast de Quality Value. Una conversación de más de una hora donde entramos en el detalle de cada uno de los temas que ha tratado en este artículo.
Tesis recientes: software de calidad a precios razonables
Compartimos la visión de Pablo, y nuestra cartera lo refleja. No cubrimos semiconductores ni infraestructura de IA: cotizan a múltiplos que no sabemos justificar. Sí estudiamos de cerca empresas de software que creemos capaces de mantener sus ventajas competitivas y capturar la demanda creciente que la IA generará sobre sus productos y servicios — la paradoja de Jevons que describe Pablo, aplicada a la inversión.
El mercado ha pasado todo el año castigando a estos negocios por miedo a la IA. Pero algo está cambiando: empieza a premiar con fuerza a las que, con toda la narrativa en contra, siguen presentando buenos resultados.
Es el caso de SAP y Atlassian —ambas en la cartera de Quality Value—, que se han revalorizado un +30% en poco más de dos semanas y un +35% en una sola sesión tras presentar resultados.
En la publicación de la semana pasada explicamos este fenómeno y desvelamos todas las empresas que tenemos en cartera, con foco en las de software donde el mercado empieza a reconocer valor y donde aún vemos recorrido:
Interesante perspectiva sobre el futuro de la IA. Desde luego la mayor productividad generada de manera más accesible generará una mayor demanda, y ello, junto a las limitaciones temporales y regulatorias, hará que tardemos en ver los efectos reales de la IA. Sin embargo, no creo que tengamos que infravalorar las capacidades de la IA ni compararla con el resto de avances tecnológicos. Este progreso deja de sustituir capacidades físicas o de mejorar la productividad en todo tipo de tareas para sustituir capacidades mentales en su totalidad (si se logra la IA general) y su impacto será mucho más difícil de asumir que otros avances. Habrá que ver cómo avanza esta “burbuja” y si explota o no antes de que podamos ver a dónde llega todo esto.
Hay mucho hype. La IA existe hace mucho tiempo, además de los LLMs existen sistemas de Machine Learning Clásico que se usan en casos de uso y cuyo consumo energético y computacional es menor.
Se mete mucha narrativa al respecto, a favor, o en contra, lo que hay real son los números, se habla poco de ROIs. Los LLMs por su naturaleza, fallan. No es algo que diga yo, lo dice Anthropic, OpenAI.... cuando tienen videos, papers... en el que aparecen, entre otros términos como alucinaciones.