Tras el GPT-6, ¿vuelve a tener sentido la historia del despegue de la potencia de cálculo?

Tras el lanzamiento de GPT-6 Astra el 3 de septiembre, los valores de semiconductores y memoria repuntaron primero. El 4 de septiembre, el SOXX subió un 3,5 % en una sola jornada, Micron aumentó un 6,1 % y SanDisk se disparó un 11,9 %; el 7 de septiembre, el KOSPI de Corea del Sur escaló un 4,61 %, Samsung Electronics subió un 5,7 % y SK hynix aumentó alrededor de un 8 %.
Antes de esto, la preocupación por el sobrecalentamiento del gasto de capital en IA y el pico de demanda de potencia de cálculo había hecho fluctuar a los sectores relacionados durante bastante tiempo. MarketWatch llegó a describir esta subida como que Astra «reavivó el comercio de chips de memoria».

Tae Kim, autor de «The Nvidia Way» y exreportero de tecnología de Barron's, ofreció una explicación más radical: la IA podría estar entrando en la cuarta ronda de crecimiento exponencial de la demanda de potencia de cálculo en los últimos cuatro años.

Las tres primeras rondas vinieron del chatbot, el razonamiento y el agente de codificación, mientras que la cuarta podría ser el uso del ordenador, que Astra se centró en mostrar esta vez. La lógica de Kim es que el chatbot permitió que cientos de millones empezaran a consumir potencia de razonamiento, el razonamiento requirió más cómputo para cada respuesta y el agente de codificación transformó el modelo de «responder una vez» a trabajar de forma continua durante decenas de minutos o incluso horas. Ahora, el uso del ordenador amplía los agentes que funcionan de forma continua de los programadores a los trabajadores del conocimiento comunes que usan Excel, Blender, CAD, Power BI y navegadores.

Kim lleva mucho tiempo centrado en Nvidia y en las inversiones en semiconductores, y su boletín Key Context se centra en juicios de inversión tecnológica, con artículos recientes que se inclinan positivamente hacia la infraestructura de IA.

Por lo tanto, «la cuarta ronda de crecimiento exponencial» es principalmente una hipótesis de inversión propuesta por los alcistas de la potencia de cálculo de IA, no una regla industrial ya validada. Sin embargo, su momento es bastante sutil.

Antes del lanzamiento de Astra, el paradigma de los agentes acababa de pasar por una ronda de escepticismo sobre «la capacidad chocando contra un muro»: las tareas cortas se volvían cada vez más potentes, pero una vez que entraban en entornos de software reales, de varios pasos y a largo plazo, la fiabilidad disminuía notablemente, lo que también condujo a las dudas antes mencionadas sobre el pico de demanda de potencia de cálculo. Si el techo de capacidad del agente no se puede romper, la historia del crecimiento continuo de la potencia de cálculo se vuelve insostenible.

¿Puede Astra romper realmente este techo?

Cada jornada laboral humana corresponde a 3,1 jornadas laborales de agente

Las tres primeras rondas de «crecimiento exponencial» de la potencia de cálculo de IA se refieren al aumento significativo de la cantidad de cómputo que un usuario puede consumir cada vez que cambia el paradigma de uso en los últimos años.

ChatGPT llevó el razonamiento al mercado principal por primera vez; los modelos de razonamiento empezaron a estar dispuestos a realizar cálculos internos más largos para una sola pregunta; para cuando llegó el agente de codificación, una simple instrucción podía desencadenar un bucle continuo de leer código, modificar, probar, comprobar errores y volver a modificar.

Al mismo tiempo, los agentes han empezado a romper la limitación física de que «una persona solo puede trabajar 8 horas al día».

El 6 de septiembre, OpenAI acaba de revelar un conjunto de datos internos. A mediados de agosto de este año, entre los investigadores de la empresa, los del percentil 50 utilizaban agentes de codificación para consumir cantidades de razonamiento equivalentes a más de 600 dólares al día según los precios de la API pública; los investigadores del percentil 90 superaban los 7000 dólares al día. Según la recopilación de datos de OpenAI de Business Insider, el valor medio en julio era solo de unos 162 dólares, lo que representa un aumento de casi 3,7 veces en poco más de un mes. Figura: A mediados de agosto, cada jornada laboral humana en el departamento de investigación de OpenAI corresponde a 3,1 jornadas laborales de agente; la cantidad media de razonamiento utilizada por los investigadores al día supera los 600 dólares según los precios de la API.

Esto convierte el uso interno en precios de API, lo que se acerca más a la «intensidad de razonamiento de un solo usuario».

Antes de junio, el tiempo total de ejecución de todos los agentes del departamento de investigación de OpenAI no había superado las horas de trabajo de los propios investigadores; a mediados de agosto, cada jornada laboral humana corresponde a 3,1 jornadas laborales de agente. Cada vez más investigadores también ejecutan varios agentes simultáneamente.

Esto significa que, tras el paradigma de los agentes, empiezan a surgir múltiples «procesos digitales» capaces de trabajar en paralelo detrás de un solo usuario, ya sin la limitación física de la «velocidad de entrada humana». Ahora una persona puede mantener tres o cuatro agentes trabajando de forma continua, e incluso permitir que los agentes creen subagentes.

La unidad de medida de la demanda de potencia de cálculo puede cambiar así a: cuántos agentes se ejecutan simultáneamente detrás de un usuario y cuántas horas trabajan estos agentes al día.

El uso del ordenador amplía el espacio de trabajo

Aunque el agente de codificación crece rápidamente, sigue teniendo un límite claro; la mayoría de los que ejecutan múltiples tareas de agentes siguen siendo programadores, que son solo una pequeña parte de la población mundial de trabajadores del conocimiento.

El uso del ordenador amplía aún más el espacio. Tras el lanzamiento de Astra, Kim realizó una prueba él mismo. Antes no sabía usar Blender, así que pidió a Astra que investigara el transbordador espacial, abriera Blender y completara el modelado 3D en un Mac. Unos 10 minutos después, se creó un modelo giratorio.

El diálogo ordinario sigue aproximadamente «entrada---razonamiento---salida»; el agente de codificación se convierte en «leer código---razonar---modificar---probar---volver a razonar»; el uso del ordenador evoluciona aún más a «mirar la pantalla---entender la interfaz---decidir acciones---ejecutar---esperar resultados---volver a observar---validar---corregir errores».

Una tarea que a un humano le lleva diez minutos puede implicar docenas de rondas de comprensión visual, razonamiento e invocación de herramientas detrás de la IA.

Una vez que esta capacidad entre en Excel, Salesforce, SAP, Power BI, Photoshop, CAD y varios sistemas empresariales internos, la base de usuarios potenciales se amplía a casi todos los trabajadores del conocimiento que se sientan frente a un ordenador.

Este es el núcleo de lo que Kim denomina la «cuarta ronda de demanda»:

El agente de codificación quiere consumir el tiempo de ordenador de los programadores, mientras que el uso del ordenador pretende consumir el tiempo de ordenador de todos los trabajadores de oficina.

Pero hasta ahora, esto sigue siendo solo una posibilidad.

OpenAI no ha revelado el volumen de tareas de uso del ordenador tras el lanzamiento de Astra, ni ha publicado curvas diarias de uso de tokens por usuario, utilización de GPU o rendimiento de razonamiento. Por lo tanto, no se puede demostrar de forma definitiva que «Astra haya provocado la cuarta ronda de crecimiento de la potencia de cálculo».

¿Ha empezado realmente a endurecerse la potencia de cálculo?

Tras el lanzamiento de Astra, Tencent Technology observó que algunas comunidades de desarrolladores informaron de una retroalimentación difícil de cuantificar pero digna de mención: la experiencia del usuario parecía empezar a diferir según la región y la cuenta.

Algunos desarrolladores de la región Asia-Pacífico informaron de que recientemente las respuestas de ChatGPT y Codex se han ralentizado, y la estabilidad de las tareas complejas no es tan buena como la de las cuentas de EE. UU. La comunidad ha dado en llamar a esta experiencia «atontamiento».

Al menos parte de esto no es del todo subjetivo.

El 4 de septiembre, la página de estado oficial de OpenAI informó de una degradación del rendimiento de los servicios en la región Asia-Pacífico, que afectaba a múltiples productos, incluidos ChatGPT, Work y Codex Cloud. Cuatro días después, OpenAI anunció un acuerdo plurianual con el operador de centros de datos respaldado por Nvidia, Firmus, para obtener potencia de cálculo dedicada de dos centros de datos en Malasia.

Del mismo modo, actualmente no hay evidencia de que OpenAI haya reducido los presupuestos de razonamiento del modelo para los usuarios de Asia-Pacífico o haya cambiado a modelos más débiles debido al aumento de carga de Astra.

El llamado «atontamiento» en la región Asia-Pacífico puede mezclar al menos tres factores diferentes: problemas de infraestructura y enrutamiento regionales, control de riesgos y límites de velocidad a nivel de cuenta, y programación dinámica de recursos durante los períodos pico. Estos pueden manifestarse en el lado del usuario como un rendimiento más lento, mayores tasas de fallo, interrupciones en la invocación de herramientas e incluso peores respuestas finales para tareas complejas.

Sin embargo, esta retroalimentación sigue proporcionando otra forma de observar la presión sobre la potencia de cálculo de la IA.

A medida que los modelos se vuelven cada vez más capaces de consumir cómputo de forma continua, la escasez de suministro puede manifestarse primero como fluctuaciones en la latencia, las tasas de fallo y la calidad del servicio entre diferentes regiones y cuentas.

El problema es que este juicio carece actualmente de un conjunto de los datos más críticos:

Si existen diferencias estables en la latencia del primer token, el tiempo total de razonamiento, las tasas de éxito de las herramientas y las tasas de finalización de tareas finales para el mismo modelo, el mismo paquete y la misma tarea en diferentes regiones.

Hasta que se obtengan estos datos, el «atontamiento» solo puede ser una pista, no una evidencia de escasez de potencia de cálculo.

Figura: El 8 de septiembre, un usuario compartió un aviso de GPT-6 Astra que indicaba «capacidad completa», afirmando que sus cuatro cuentas no podían funcionar con normalidad y que el sistema sugería cambiar a otros modelos. Tibo bromeó en un retuit diciendo «estamos de vuelta», viendo la «carga completa del modelo» como una señal de demanda renovada de IA.

El mercado de capitales ha vuelto a apostar

Aunque la curva real de uso de potencia de cálculo tras el lanzamiento de Astra no se ha hecho pública, el mercado de capitales ya ha operado con la historia de que «la demanda de IA aún no ha tocado techo».

MarketWatch informó de que, tras el lanzamiento de Astra, el ETF iShares Semiconductor subió alrededor de un 3,5 %, con empresas relacionadas con la memoria como Samsung, SK hynix y Kioxia con un rendimiento aún más fuerte. Los medios extranjeros incluso describieron directamente esta ronda de actividad del mercado como que Astra «reavivó el comercio de chips de memoria».

En particular, el aspecto más llamativo de esta subida no es Nvidia, sino la memoria.

Si el uso del ordenador se convierte realmente en una carga de trabajo sostenida para ejecutar agentes, el aumento necesario no será solo en cómputo de GPU. Contextos más largos, caché KV, agentes concurrentes, máquinas virtuales, navegadores y entornos de software pueden seguir impulsando la demanda de HBM, DRAM, CPU, redes y almacenamiento.

Por lo tanto, la reciente negociación en el mercado de capitales no se trata del todo de que «GPT-6 sea más potente»; la lógica principal sigue siendo: ¿llevará un modelo más inteligente a que los usuarios estén dispuestos a comprar más cómputo?

Aquí es también donde esta ronda de historias de infraestructura de IA difiere más del software tradicional.

Cuanto más optimizado esté el software tradicional, menos recursos de servidor puede necesitar un solo usuario.

Por el contrario, la IA generativa puede exhibir la «paradoja de Jevons» opuesta: cuanto más eficiente sea el modelo y mayor sea la tasa de éxito de las tareas, más dispuesta estará la gente a delegar más trabajo, más largo y más complejo a la IA, lo que en última instancia conduce a un aumento del consumo total de potencia de cálculo.

Sin embargo, es importante ser cauteloso, ya que el mercado de capitales también tiene su propio «trasero».

La infraestructura de IA ya ha experimentado una ronda de crecimiento y ajuste significativos antes de esto, y los valores de semiconductores también han sufrido un retroceso notable este año debido al sobrecalentamiento del gasto de capital y la disminución del flujo de caja libre de los proveedores de nube. Por lo tanto, los pocos días de rebote provocados por Astra solo pueden indicar que los inversores están empezando a apostar de nuevo, pero no es suficiente para demostrar que la cuarta ronda de demanda de potencia de cálculo haya surgido realmente.

Un cálculo económico

El juicio de Kim depende en última instancia de tres preguntas más prácticas.

La primera sigue siendo la fiabilidad.

Las operaciones empresariales reales no son una demostración única. Si un agente puede operar ERP, modelos financieros o software de ingeniería de forma continua durante varias horas y mantener la corrección cuando aparecen ventanas emergentes, cambios de permisos y actualizaciones de datos es una cuestión completamente diferente.

La segunda es el coste.

En el futuro, ¿cuánto costará realmente completar el trabajo equivalente a una hora de uso humano del ordenador antes del uso del ordenador?

Si la IA puede completar una tarea de 50 dólares para un empleado por 10 dólares, la demanda puede explotar fácilmente; si cuesta 100 dólares, el potencial de mercado es completamente diferente.

La cifra de 600 dólares al día de OpenAI indica que, si bien los agentes pueden crear una enorme demanda, también sugiere que este modo de trabajo puede seguir siendo muy caro hoy en día.

La tercera pregunta: ¿El uso del ordenador acabará eliminando parte de su propia demanda?

Actualmente, los modelos necesitan mirar pantallas y encontrar botones porque el software existente está diseñado para humanos. Una vez que Salesforce, Microsoft, Adobe o los sistemas empresariales internos empiecen a abrir directamente API, MCP e interfaces de agente, muchas tareas ya no necesitarán simular acciones de ratón y teclado.

El resultado más probable es una fusión del uso del ordenador y el uso de herramientas: donde haya interfaces estructuradas, se llamarán directamente; para los sistemas antiguos sin interfaces o difíciles de modificar, continuarán las operaciones visuales.

Por lo tanto, el mercado realmente abierto por el uso del ordenador puede no ser «hacer que la IA haga clic en los ordenadores como los humanos para siempre», sino más bien a través de este enfoque de «mi amo humano me autorizó a hacer clic en tu software, así que no puedes controlarme», permitiendo que los agentes rompan el ecosistema de aplicaciones existente. Los agentes pueden finalmente entrar en los últimos grandes entornos de trabajo que la automatización no podía cubrir anteriormente.

Esta es también la parte a la que Kim se refiere como la «cuarta ronda de crecimiento exponencial» que realmente vale la pena verificar: «¿Es el uso del ordenador un trampolín, o es realmente otro cambio de paradigma?»

Después del GPT-6, ¿vuelve a ser coherente la historia de la potencia de cálculo que se volvió cada vez más difícil de articular debido a que los agentes chocaban contra muros?

El mercado de capitales ha vuelto a apostar.

Tras la explosión de la IA generativa, el mercado sigue abofeteando a los bajistas del «crecimiento de la potencia de cálculo». ¿Será esta vez diferente?