Las startups de IA prometen márgenes altísimos. Pero un concepto de 160 años conocido como la Paradoja de Jevons podría estar arrastrándolas de vuelta a la Tierra.
Getty Images
En los últimos meses, Silicon Valley se ha enamorado de una teoría económica de 160 años de antigüedad de la era de los ferrocarriles y el carbón: la Paradoja de Jevons.
Originalmente aplicada a las máquinas de vapor y al consumo de energía, el concepto sostiene que las mejoras en eficiencia no reducen el uso de recursos. En cambio, lo incrementan al hacer que ese recurso sea más ampliamente usable. La dinámica, en la era de los ferrocarriles, se veía así: Las máquinas se vuelven más eficientes energéticamente, requiriendo menos carbón, pero la demanda de carbón aún explotó. ¿Por qué? Porque las mejoras en eficiencia impulsaron una adopción más amplia de las máquinas eficientes en energía.
Únete a más de 500.000 lectores que comienzan su día con Quartz.
Al suscribirte, aceptas nuestros Términos de servicio y Política de privacidad.
En nuestra propia era, la Paradoja de Jevons se aplica a la IAque, al igual que los ferrocarriles y las máquinas de vapor, requiere enormes cantidades de energía y, por lo tanto, depende del suministro de energía. Los promotores como el CEO de Microsoft $MSFT, Satya Nadella, sin embargo, tienden a eludir el lado energético de la ecuación, invocando la Paradoja de Jevons para sugerir más simplemente que, a medida que la IA se vuelve más barata y más eficiente, la demanda de ella explotará, no se contraerá, elevando así los beneficios.
Pero uno investigador de la industria argumenta que esta visión, aunque seductora, también es engañosa. En una influyente post en Substack, el analista independiente Dave Friedman argumenta que la Paradoja de Jevons no es una nota al pie en la economía de la IA, es toda la trama, y señala una restricción grave y creciente en lo que respecta a la rentabilidad de las empresas de IA.
¿Su argumento? Sí, la IA puede estar volviéndose gradualmente más eficiente. Al mismo tiempo, la creciente demanda está devorando cualquier ganancia de eficiencia. Y a menos que haya un avance masivo y revolucionario en la energía y el cómputo (o costos operativos y de hardware) requeridos para ejecutar la IA, no hay forma de que algunas empresas de IA resulten ser tan rentables como esperan los capitalistas de riesgo y las empresas de Wall Street.
El problema es más visible en el extremo inferior del espectro de capitalización de mercado, entre las startups. Como Friedman señala, las startups de IA son retratándose a sí mismos a los inversores como servicios de tipo software, conocidos como SaaS (software-as-a-service), un negocio de alto margen famoso y una fiebre del oro que es un recuerdo lo suficientemente reciente como para hacer que los corazones de los VC se aceleren.
Con el modelo de negocio SaaS, a las empresas no les cuesta mucho más atender a clientes adicionales, por lo que la tarifa de suscripción de cada cliente adicional se destina más o menos directamente a la línea de fondo. Las mejores jugadas de SaaS pueden tener márgenes tan altos como del 80 o 90%, colocándolas entre las mejores empresas del mundo en ese sentido y atrayendo capital como moscas a la miel.
Pero las startups de IA solo se parecen superficialmente a las empresas de software, argumenta Friedman, y eso se debe a la Paradoja de Jevons. Con las empresas de IA, a diferencia de las empresas Saas, los costos de energía y los costos relacionados con el uso no son fijos. Por lo tanto, atender a más clientes y ver una adopción más amplia no hace que la IA sea más barata. Los gastos escalan con el uso.
“Esta dinámica explica por qué tantas startups de IA parecen grandiosas en papel pero pueden nunca alcanzar márgenes de ganancia saludables,” dijo Friedman, asesor de startups y exanalista en Citigroup $C y Bloomberg, a Quartz. “Si tu producto principal se vuelve más caro de entregar cuanto más se usa, eso es un problema estructural, no un fallo temporal.”
En la opinión de Friedman, Silicon Valley está poniendo mal precio a la física. La gente está fingiendo que los costos de inferencia son ope, escribió en su publicación, refiriéndose a la forma en que algunas empresas representan las necesidades computacionales continuas de la IA como gastos fijos (o al menos semi-fijos) según la contabilidad de GAAP. En realidad, dice, tales costos aumentan con el uso, por lo que sería mejor entenderlos como COGS, o el costo de los bienes vendidos, que refleja más exactamente los costos por uso.
De hecho, en algunas otras industrias intensivas en energía, el uso de energía y los costos de cómputo se cuentan como COGS. La energía utilizada para fundir una tonelada de aluminio, por ejemplo, se atribuye directamente a esa tonelada y así incluido en COGS. The same is true of some tech businesses. AWS includes electricidad y refrigeración de servidores como COGS cuando están vinculados a la entrega de cargas de trabajo a los clientes.
Podría parecer un matiz contable menor, pero en la práctica, puede ser la diferencia entre una imagen precisa de la economía subyacente del negocio y una inexacta.
Peor aún, dijo Friedman, la confusión es generalizada, en parte debido a un factor distorsionador: los créditos de computación. Muchas startups de LLM están operando con infraestructura gratuita o muy descontada de grandes proveedores como AWS, Google $GOOGL y Microsoft. Eso puede ocultar cuánto cuesta realmente servir a los clientes y hace que los estados de resultados parezcan artificialmente saludables.
Históricamente, esto no es nuevo: desde las telecomunicaciones hasta la nube y la energía, los inversores han sobreestimado repetidamente los márgenes iniciales en despliegues pesados de infraestructura. Lo que hace que la IA sea diferente, dice Friedman, es la velocidad. “Un modelo innovador puede obsoletar toda tu pila de la noche a la mañana”, dijo a Quartz. “Y la comunidad de código abierto está produciendo esos avances más rápido que nunca.”
La dinámica es especialmente castigadora para las startups. Gigantes como Google y Microsoft poseen sus centros de datos, negocian la electricidad a tarifas industriales y han pasado décadas construyendo la infraestructura que impulsa la IA. Las startups, por el contrario, se ven obligadas a alquilar tales recursos, a menudo de los mismos incumbentes que esperan interrumpir. Eso los hace hipersensibles a la estructura de costos.
“Y además de eso, no tienen el colchón financiero para absorber golpes de margen de la misma manera que las grandes tecnológicas pueden", dijo Friedman. "Así que incluso si dos empresas están ejecutando el mismo modelo, la startup paga mucho más y lo siente más agudamente."
Eso no significa que estemos destinados a ver el fracaso masivo de startups de IA y LLM. Pero podría significar un reinicio. En opinión de Friedman, muchas startups de IA se verán obligadas a tomar decisiones incómodas: recortar las funciones más hambrientas de computación, aumentar los precios, o instalarse en operaciones de bajos márgenes de manera permanente.
“Sobrevivirán”, dijo Friedman, “pero no se verán como los negocios clásicos de SaaS con márgenes del 80-90%. Se parecerán más a empresas de infraestructura, donde las ganancias son más delgadas y el crecimiento lleva más tiempo.”
En otras palabras, la paradoja de Jevons en nuestra propia era podría significar más eficiencia y más demanda, pero para las startups, al menos, no necesariamente más dinero.
