Más allá de Moore: la carrera completa que abarata la IA y abre oportunidades en 2026

Durante décadas, la Ley de Moore fue la regla de oro para medir el avance de la computación: cada dos años se duplicaba el número de transistores en un chip, y con ello el rendimiento por dólar. Pero en inteligencia artificial esa curva única ya no basta. El progreso en IA depende de una maraña de factores —chips, arquitecturas de modelo, software de servicio, redes, memoria— que avanzan cada uno a su ritmo y se multiplican entre sí. El resultado es una caída del coste de inferencia (el trabajo de generar respuestas) que, según Andreessen Horowitz, fue de unas diez veces al año entre 2021 y 2024, un factor 1.000 en solo tres años. Investigadores del MIT sitúan la tasa más reciente entre cinco y diez veces anuales, más rápido de lo que jamás logró el escalado de transistores.

¿Qué significa esto para el inversor de a pie? Que la vara de medir ya no es el precio por token —la unidad mínima de texto que procesa un modelo—, sino el coste de completar una tarea con una calidad aceptable. Un modelo más barato puede necesitar varios intentos o supervisión humana extra; uno más caro puede acertar a la primera. La clave está en el coste por tarea cualificada, y esa métrica es la que está redefiniendo quién gana y quién pierde en la cadena de valor de la IA.

En el frente del hardware, la semana pasada AMD y Cerebras anunciaron en el evento Advancing AI 2026 un sistema de inferencia conjunto que combina la plataforma Helios de AMD con el Wafer-Scale Engine de Cerebras. AMD se encarga del procesamiento inicial de las peticiones y del alto volumen, mientras Cerebras genera la respuesta final. Según las proyecciones de las compañías, esta arquitectura híbrida ofrece hasta cinco veces más tokens por segundo y por vatio que una configuración solo con Cerebras. Es un ejemplo de cómo la integración de sistemas añade una curva de eficiencia adicional a la ecuación.

Pero el software también corre por su cuenta. Esta misma semana, la empresa china Moonshot AI lanzó Kimi K3, un modelo de pesos abiertos que activa solo 16 de sus 896 componentes especializados por cada token procesado. La compañía estima que este diseño mejora la eficiencia de escalado en aproximadamente 2,5 veces respecto a su versión anterior, Kimi K2. Mientras tanto, Nvidia ha puesto en marcha la Open Secure AI Alliance, una coalición que aborda la seguridad de los agentes de IA desde la identidad, los permisos y las barreras de protección hasta los registros y la evaluación, extendiendo la estrategia de alianzas que ya inició con la Nemotron Coalition en la capa de modelos.

A medida que el coste por tarea cualificada se desploma, más flujos de trabajo se vuelven económicamente viables para automatizar o aumentar con IA. La oportunidad se expande desde la infraestructura y el software hasta la seguridad y las aplicaciones, que van de vehículos autónomos a asistentes personales. Sin embargo, el inversor debe vigilar la diferencia entre las pruebas de laboratorio y el mundo real: los benchmarks miden tareas en entornos controlados, pero los procesos de negocio valiosos cruzan sistemas, organizaciones y el mundo físico, y a menudo dependen de juicios subjetivos. El coste por tarea es una frontera útil, pero no una etiqueta de precio universal.