Una profunda reflexión sobre el modelo de negocio de Frontier. Todo esto se basa en números filtrados por The Information, NYT, etc. 🔵El Núcleo: Es una Máquina de Consumo de Cómputo En su esencia, el modelo es brutalmente simple: casi todos los costos provienen del cómputo – inferencia, y especialmente entrenamiento. El entrenamiento sigue algo así como una ley de escalado. Supongamos que los costos aumentan ~5x cada año; y el ROI en los costos de entrenamiento es de 2x. Eso crea una dinámica extraña: Costo de entrenamiento del Año 1: 1 Ingresos del Año 2 de ese modelo: 2 Pero el costo de entrenamiento del Año 2 para el siguiente modelo: 5 Neto: +2 - 5 = -3 Si lo proyectamos hacia adelante, empeora: Ingresos del Año 3: +10 Costo de entrenamiento del Año 3: -25 Neto: -15 Los modelos Frontier, tal como se ejecutan actualmente, son bolas de nieve de flujo de caja negativo. Cada generación quema más efectivo que la anterior. Para que esto cambie a flujo de caja positivo, solo dos cosas pueden cambiar lógicamente: A. Los ingresos crecen mucho más rápido que 2x, o B. El crecimiento de los costos de entrenamiento se desacelera de 5x al año a algo como <2x El CEO de Anthropic, Dario Amodei, ha desglosado el escenario B (“los costos de entrenamiento dejan de crecer exponencialmente”) en dos realidades posibles: 1/ Límites físicos/económicos: Simplemente no puedes entrenar un modelo 5x más grande — no hay suficientes chips, no hay suficiente energía, o el costo se acerca al PIB mundial. 2/ Rendimientos decrecientes: Podrías entrenar un modelo más grande, pero la curva de escalado se aplana. Gastar otro 10x deja de valer la pena. Lo que revelan los números de OpenAI y Anthropic: Las proyecciones financieras filtradas de ambas compañías validan básicamente este marco. OpenAI: El plan de OpenAI asume efectivamente que la capacidad total de cómputo deja de crecer después de 2028. Traducción: los márgenes mejoran porque los costos de entrenamiento se aplanan. Este es el escenario B. Anthropic: 1/ Asumen que el ROI por modelo aumenta cada año. Gastas 1, obtienes de vuelta 5 en lugar de 2. 2/ Su crecimiento en gastos de cómputo también es mucho más moderado. De FY25 a FY28: el crecimiento de costos de cómputo de OpenAI >> el de Anthropic Usando el marco anterior, cuentan con un aumento de ingresos A y un crecimiento de costos B más lento. 🔵 $NFLX Es la Analogía Más Cercana En tecnología, los modelos intensivos en capital son raros, aunque no sin precedentes. $NFLX es una buena analogía: durante años tuvo un flujo de caja profundamente negativo que empeoraba anualmente. Tuvieron que invertir dinero en contenido por adelantado, y esos activos se devaluaron durante cuatro años. En muchos aspectos, se asemeja a la economía de centros de datos y entrenamiento de modelos. Pico de quema de efectivo en 2019: -3B Flujo de caja en 2020: +2B ¿Por qué el repentino cambio positivo? COVID detuvo la producción. El gasto en contenido dejó de crecer. El flujo de caja se invirtió instantáneamente. 🔵El Juego Final: Los Márgenes Llegan Cuando el Crecimiento de Costos Se Desacelera $NFLX no dejó de invertir en contenido por completo – simplemente dejó de *aumentar* esa inversión agresivamente una vez que alcanzó ~300M de suscriptores globales. A esa escala, la retención es alta, y solo necesitan mantener su posición, no expandir el gasto en contenido 10x al año. No creo que OpenAI o Anthropic dejen de entrenar por completo. Pero no necesitarán aumentar el gasto en entrenamiento por múltiplos para siempre. En algún momento: El ROI por modelo aumenta, o se activan los límites de escalado, o ambos. Y en el momento en que el gasto anual en entrenamiento deje de crecer 5x al año, los márgenes de beneficio aparecerán casi de inmediato. Esa es la cosa extraña sobre la economía de LLM: Es una máquina de quema… hasta que de repente no lo es. Fuentes: ++ Artículo completo: