Un análisis profundo sobre el modelo de negocio de la frontera. Todo esto se basa en cifras filtradas por The Information, NYT, etc. 🔵El Núcleo: Es una máquina de combustión de cómputo En esencia, el modelo es brutalmente simple: casi todos los costes provienen de la computación – la inferencia y, especialmente, la formación. El entrenamiento sigue algo parecido a una ley de escala. Supongamos que los costes suben ~5 veces cada año; y el retorno de inversión en los costes de formación es el doble. Eso crea una dinámica extraña: Coste de la formación del primer año: 1 Ingresos del año 2 de ese modelo: 2 Pero el coste del entrenamiento del segundo año para el siguiente modelo: 5 Neto: +2 - 5 = -3 Si lo haces avanzar, empeora: Ingresos del año 3: +10 Coste de la formación de 3º curso: -25 Neto: -15 Los modelos frontera, tal y como se ejecutan actualmente, son bolas de nieve con flujo de caja negativo. Cada generación gasta más dinero que la anterior. Para que esto llegue a un flujo de caja positivo, solo dos cosas pueden cambiar lógicamente: R. Los ingresos crecen mucho más rápido que el doble, o B. El crecimiento del coste de entrenamiento se ralentiza de 5 veces al año a algo así como <2 veces El CEO de Anthropic, Dario Amodei, ha desglosado el escenario B ("los costes de formación dejan de crecer exponencialmente") en dos posibles realidades: 1/ Límites físicos/económicos: Simplemente no se puede entrenar un modelo 5 veces más grande: no hay suficientes chips, no hay suficiente energía, o el coste se acerca al PIB mundial. 2/ Rendimientos decrecientes: Podrías entrenar un modelo más grande, pero la curva de escala se aplana. Gastar otras 10 veces deja de merecer la pena. Lo que revelan los números de OpenAI y Anthropic: Las proyecciones financieras filtradas de ambas compañías básicamente validan este marco. OpenAI: El plan de OpenAI asume efectivamente que la capacidad total de cómputo dejará de crecer después de 2028. En resumen: los márgenes mejoran porque los costes de formación se estabilizan. Este es el escenario B. Antrópico: 1/ Asumen que el ROI por modelo aumenta cada año. Gasta 1, recupera por ejemplo 5 en vez de 2. 2/ El crecimiento del gasto en cómputo también es mucho más moderado. De FY25 a FY28: Crecimiento del coste de cómputo de OpenAI >> Anthropic's Usando el marco anterior, cuentan tanto con la rampa de ingresos de A como con un crecimiento de costes más lento en B. 🔵 $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 depreciaron en cuatro años. En muchos aspectos se asemeja a la economía de centros de datos y entrenamiento de modelos. Pico de liquidez en 2019: -3.000 millones Flujo de caja 2020: +2.000 millones ¿Por qué este cambio repentino de positivo? El COVID paralizó la producción. El gasto en contenido dejó de crecer. El flujo de caja se invertió al instante. 🔵El objetivo final: los márgenes llegan cuando el crecimiento de costes se ralentiza $NFLX no dejó de invertir en contenido por completo, simplemente dejó de *hacer* crecer esa inversión agresivamente una vez que alcanzó los ~300 millones de suscriptores globales. A esa escala, la pegajosidad es alta, y solo necesitan mantener su posición, no expandir el gasto en contenido diez veces al año. No creo que OpenAI o Anthropic dejen de entrenar por completo. Pero no necesitarán aumentar el gasto en entrenamiento por múltiples para siempre. En algún momento: El ROI por modelo sube, o se activan los límites de escalado, o ambas cosas. Y en el momento en que el gasto anual en formación deja de crecer cinco veces al año, los márgenes de beneficio aparecen casi de inmediato. Eso es lo extraño de la economía de los LLM: Es una máquina de quemar... hasta que de repente deja de serlo. Fuentes: ++ Artículo completo: