El shock petrolero de 1973 cuadruplicó los precios y reescribió las reglas de la industria automotriz
La crisis del petróleo de 1973 sirve como un precedente crítico sobre cómo la escasez de energía puede derrocar el dominio industrial. Tras el embargo petrolero de la OPEP, los precios del crudo se dispararon más de cuatro veces en un solo año, volviendo obsoleto el modelo de negocio de la industria automotriz de Detroit. El mercado estadounidense, entonces dominado por "muscle cars" de gran motor como el Ford Mustang, se construyó bajo la suposición de gasolina barata. Los consumidores valoraban la potencia, y la eficiencia del combustible era una consideración secundaria.
Este shock de precios creó una oportunidad masiva para los fabricantes de automóviles japoneses. Toyota, centrándose en su modelo Corolla, priorizó la economía de combustible por encima de todo. Esto no fue solo un giro de producto; fue una ventaja fundamental en la filosofía de producción. El enfoque orientado a la eficiencia permitió a las marcas japonesas capturar el 25% del mercado estadounidense en una década, demostrando que en un mundo con restricciones energéticas, la eficiencia supera a la fuerza bruta.
La IA se enfrenta a una demanda de energía de 100 GW, replicando la historia
Hoy, la industria de la inteligencia artificial se encuentra en su propia "era de los muscle cars". Durante los últimos años, una feroz carrera armamentista por la potencia computacional ha visto a gigantes tecnológicos invertir miles de millones en GPUs de NVIDIA, construyendo centros de datos masivos que consumen la electricidad de ciudades enteras. Esta expansión opera bajo la misma suposición que el Detroit de los años 70: que el recurso principal, en este caso la electricidad y la potencia computacional, es efectivamente ilimitado.
Esa suposición ahora se está desmoronando. Con la electricidad representando más del 30% de los costos operativos de la IA en algunos casos, la industria se enfrenta a un nuevo cuello de botella. Las proyecciones muestran que los centros de datos de IA podrían añadir casi 100 gigavatios de nueva demanda de energía a nivel mundial para 2027. Así como la crisis de 1973 destruyó el mercado de los vehículos que consumen mucha gasolina, el aumento de los costos de la energía penalizará a los modelos de IA que dependen de la computación por fuerza bruta.
El rendimiento por vatio emerge como métrica clave de la IA
El panorama competitivo para la IA está, en consecuencia, cambiando de la escala a la eficiencia. La pregunta principal ya no es quién tiene el modelo más grande o la mayor cantidad de GPUs, sino quién puede lograr más con la menor cantidad de energía. Las empresas que dominan técnicas como la compresión de modelos, la destilación y los modelos pequeños especializados están posicionadas para convertirse en los "Toyota" de la era digital.
Un nuevo indicador clave de rendimiento está ganando prominencia en todo el stack de hardware y software: el rendimiento por vatio. Esta métrica mide el rendimiento computacional en relación con la energía consumida, vinculando directamente el progreso tecnológico con la eficiencia económica. Para los inversores, esto señala un importante punto de reevaluación. Los futuros líderes del mercado no se definirán por la escala de sus modelos, sino por su capacidad para ofrecer soluciones inteligentes con una eficiencia energética y de costos superiores.
Edgen Stock·Mar 09 2026, 12:18