La carrera por liderar la inteligencia artificial generativa está entrando en una territorio incómodo: el de la economía real. A medida que los modelos crecen y se despliegan a escala global, el coste de entrenarlos, servirlos y mantenerlos “siempre disponibles” se dispara. En ese contexto, una columna publicada en enero de 2026 en The New York Times plantea un escenario inquietante: si el ritmo de gasto no se corrige (o no llega nueva financiación), OpenAI podría tensionar su liquidez hasta el punto de “quedarse sin efectivo” hacia mediados de 2027.
Más allá del titular, el debate de fondo es estructural: la IA de frontera no se comporta como el software clásico. No basta con “escalar servidores”; hay que asegurar acceso continuado a GPU/accelerators, red de alta capacidad, almacenamiento masivo, energía, centros de datos y talento, además de asumir un coste variable recurrente por cada consulta. La industria se está dando cuenta de que el cuello de botella no es solo técnico: también es financiero.
Por qué la IA quema caja más rápido que otros negocios digitales
Hay tres motores principales detrás de los números que se manejan en el mercado:
- Coste de cómputo (entrenamiento e inferencia): entrenar modelos grandes exige semanas o meses de clústeres especializados. Pero, una vez en producción, el gasto no desaparece: la inferencia a escala (usuarios, empresas, APIs) consume GPU de forma continua.
- Infraestructura “física”: la IA empuja a compromisos de capacidad (energía, racks, redes) con horizontes de varios años, lo que puede convertir parte del gasto en “semifijo”.
- Competencia y presión de precios: cuando aparecen modelos alternativos y la oferta se amplía, el mercado tiende a comprimir márgenes. La empresa debe vender más… para ganar lo mismo, con un coste unitario que no siempre cae al mismo ritmo.
Las cifras que circulan: gasto, pérdidas y el calendario de la rentabilidad
En los últimos meses han ganado peso varias estimaciones publicadas a partir de documentos y proyecciones internas divulgadas por medios. Entre ellas, destaca un marco de previsiones donde el consumo de caja y las pérdidas operativas crecerían de forma pronunciada durante la segunda mitad de la década, incluso con un fuerte aumento de ingresos. En paralelo, también se han publicado métricas de “tasa anualizada” de ingresos que sugieren que el negocio ya no es pequeño, pero sigue lejos de compensar la intensidad de inversión y el coste variable de la IA a gran escala.
Tabla: radiografía rápida del “gap” entre ingresos y gasto (según estimaciones publicadas)
| Indicador (referido en informes) | Magnitud | Qué sugiere |
|---|---|---|
| Consumo de caja 2025 (estimación) | ~8.000 M$ | La IA de frontera ya opera con gasto anual de “gran tecnológica” |
| Pérdidas operativas proyectadas (segunda mitad de la década, escenario citado) | decenas de miles de M$ anuales | El coste sube más rápido que el margen, incluso creciendo en ventas |
| Punto de rentabilidad estimado en proyecciones citadas | cerca de 2029–2030 | El modelo se apoya en financiación sostenida durante años |
| Ingresos en tasa anualizada (dato reportado en 2025) | ~13.000 M$ (con expectativas de subir) | Hay tracción comercial, pero no necesariamente “calidad de margen” suficiente |
Estas cifras no son “contabilidad auditada” (OpenAI no cotiza y no publica estados financieros comparables a los de una empresa pública), pero sí permiten entender por qué algunos analistas hablan de un riesgo de liquidez si no se mantiene el acceso a capital.
La otra cara: financiación, valoraciones y el incentivo a seguir gastando
El sector se está moviendo con una lógica casi de infraestructuras: quien tenga más cómputo y mejor producto capta más usuarios; quien capta más usuarios, justifica más cómputo. En ese círculo, la financiación actúa como combustible.
OpenAI ya ha cerrado rondas relevantes en los últimos años y, según información publicada, incluso habría explorado levantar “decenas de miles de millones” con valoraciones extraordinariamente altas. Ese tipo de operaciones, si se materializan, cambian por completo el escenario de “quedarse sin caja”: el riesgo deja de ser la falta de demanda y pasa a ser el precio del capital (dilución, condiciones, dependencia de socios estratégicos) y la necesidad de demostrar que el negocio puede sostenerse sin financiación perpetua.
Qué tendría que pasar para que el escenario “mid-2027” fuera real
Para que OpenAI se viera realmente contra las cuerdas en 2027 deberían coincidir varios factores:
- Que el coste por servir IA no baje al ritmo previsto, por ejemplo si la demanda crece más deprisa que las mejoras de eficiencia (modelos, cuantización, caching, hardware).
- Que el precio de mercado de la IA se comprima, especialmente en APIs y en planes de consumo, mientras los costes de cómputo y energía se mantienen altos.
- Que se frene el acceso a capital o se encarezca (mercados de crédito más duros, inversores más exigentes, menor apetito por “crecimiento a pérdidas”).
- Que aumenten los compromisos de capacidad (data centers, energía, hardware) que “rigidicen” el gasto y reduzcan margen de maniobra.
Dicho de otra manera: no se trata solo de cuánto ingresa, sino de cuánto le cuesta generar cada unidad de servicio… y de cuánta inversión necesita por adelantado para seguir siendo competitiva.
Qué debería vigilar un lector financiero a partir de ahora
Sin necesidad de acceder a cifras internas, hay varios “indicadores proxy” que ayudan a seguir la historia:
- Evolución del mix de ingresos (empresa vs consumo, contratos plurianuales, estabilidad).
- Señales de disciplina de producto (modelos más eficientes, segmentación por coste, límites, precios).
- Acuerdos de infraestructura (capacidad de cómputo asegurada, dependencia de un único proveedor, compromisos a largo plazo).
- Movimiento de rondas y valoraciones (si suben, el mercado compra la narrativa; si se frenan, el listón de exigencia aumenta).
Conclusión: el “problema OpenAI” es, en realidad, el “problema IA”
La advertencia sobre una posible falta de caja en 2027 funciona menos como predicción exacta y más como recordatorio: la IA generativa no está demostrando únicamente quién programa mejor, sino quién financia mejor una infraestructura que se parece cada vez más a energía + centros de datos + semiconductores… con software encima.
Si la próxima fase de la IA va a convivir con costes masivos, la ventaja competitiva ya no será solo el modelo: será la capacidad de convertir ese modelo en un negocio con márgenes defendibles.
