Artículo · Tecnología
El auge de la IA en cifras
Desde 2010, la capacidad de cómputo usada para entrenar los modelos de IA relevantes se ha duplicado cada 5,7 meses: ×4,3 al año, según una tendencia ajustada a 481 modelos de los datos de Epoch AI. Microsoft, Alphabet, Amazon, Meta y Oracle gastaron $691 mil M en propiedades y equipos en los cuatro trimestres hasta septiembre 2026, 4,5 veces lo que gastaron en los cuatro trimestres previos al lanzamiento de ChatGPT. Los ingresos de NVIDIA fueron $216 mil M en el ejercicio fiscal 2026, 8,01 veces lo registrado en el ejercicio fiscal 2023.
×4,3 al año desde 2010, una tendencia ajustada a 481 modelos relevantes; antes de 2010: cada 20,5 meses
GPT-6 Astra, OpenAI, sep 2026
1 en 2019; 326 en total con estimación
Microsoft, Alphabet, Amazon, Meta y Oracle; $154 mil M en los cuatro trimestres hasta septiembre 2022
ejercicio fiscal 2023: $27 mil M; beneficio neto $120 mil M, 56% de los ingresos
El cómputo de entrenamiento se duplica cada 5,7 meses
Cada punto es uno de los 543 modelos de IA relevantes para los que Epoch AI tiene una estimación del cómputo de entrenamiento: el número de operaciones de coma flotante (FLOP), es decir, sumas y multiplicaciones, que se emplearon en entrenarlo. Van desde Theseus, el ratón mecánico de Claude Shannon que resolvía laberintos, de 1950, con 40 FLOP de entrenamiento, hasta el mayor hasta ahora, GPT-6 Astra de OpenAI (sep 2026), con 9,4×10²⁶ FLOP.
La escala es logarítmica, de modo que una línea recta indica un crecimiento exponencial constante. Una recta de mínimos cuadrados que pasa por los 481 modelos publicados desde 2010 sube ×4,3 al año: el cómputo de entrenamiento se duplicó cada 5,7 meses, y diez años a lo largo de la recta lo multiplican 2,15M veces. En los 62 modelos anteriores a 2010 subió ×1,5 al año, una duplicación cada 20,5 meses. Los modelos de frontera, los cinco mayores por cómputo cuando salieron, se duplicaron cada 5,4 meses desde 2010 (72 modelos).
Las cifras son estimaciones. Epoch califica 59% de ellas como seguras (correctas con un margen de 3 veces en cualquier sentido), 28% como probables (dentro de 10 veces) y 12% como especulativas (dentro de unas 31 veces); las especulativas son puntos huecos. Sin ellas, la tendencia desde 2010 es una duplicación cada 5,6 meses.
Las tendencias en una tabla
| Modelos | Cantidad | Tiempo de duplicación | Crecimiento al año | R² |
|---|---|---|---|---|
| Modelos relevantes antes de 2010 | 62 | 20,5 meses | ×1,5 | 0,69 |
| Modelos relevantes desde 2010 | 481 | 5,7 meses | ×4,3 | 0,66 |
| Modelos de frontera desde 2010 | 72 | 5,4 meses | ×4,6 | 0,97 |
| Modelos de lenguaje desde 2010 | 302 | 4,9 meses | ×5,5 | 0,68 |
| Desde 2010, sin estimaciones especulativas | 422 | 5,6 meses | ×4,4 | 0,67 |
Mínimos cuadrados del log₂ del cómputo de entrenamiento sobre la fecha de publicación en años; tiempo de duplicación = 12 ÷ pendiente, en meses; crecimiento al año = 2^pendiente. R² es la parte de la dispersión del log del cómputo que explica la recta.
El mayor modelo de cada año
Desde 2010 se ha batido un nuevo récord de cómputo 24 veces. El mayor modelo de 2010, RNN LM, se entrenó con 5,4×10¹⁶ FLOP; GPT-6 Astra usó 17,4 mil M veces esa cantidad.
Epoch AI también estima el costo del cómputo de entrenamiento de 178 de los modelos, en dólares de 2023. La estimación más alta es $388M, para Grok 4 (xAI, 2025); por encima de $100M: 3 modelos. La mayor potencia de los datos, unos 233 megavatios, la consumieron los 100.000 chips que entrenaron GPT-6 Astra, según la estimación de Epoch.
| Año | Modelo y desarrollador | Cómputo de entrenamiento, FLOP | × el año anterior | Costo de cómputo (dólares de 2023) |
|---|---|---|---|---|
| 2010 | RNN LMJohns Hopkins University · Estados Unidos | 5,4×1016especulativa | — | — |
| 2011 | CNN Committee (MNIST)IDSIA · Suiza | 5,2×1016probable | ×0,96 | — |
| 2012 | Unsupervised High-level Feature LearnerGoogle · Estados Unidos | 6,0×1017probable | ×11,5 | $16 |
| 2013 | DistBelief NNLMGoogle · Estados Unidos | 2,6×1018probable | ×4,35 | $3,26K |
| 2014 | SNM-skipGoogle · Estados Unidos | 3,0×1020especulativa | ×114 | — |
| 2015 | AlphaGo FanDeepMind · Reino Unido | 3,8×1020probable | ×1,28 | $4,83K |
| 2016 | GNMTGoogle · Estados Unidos | 6,6×1021probable | ×17,4 | $201K |
| 2017 | JFTGoogle Research, Carnegie Mellon University (CMU) · Estados Unidos | 8,4×1020segura | ×0,13 | $17,9K |
| 2018 | ResNeXt-101 32x48dFacebook · Estados Unidos | 8,7×1021segura | ×10,4 | $134K |
| 2019 | AlphaStarDeepMind · Reino Unido | 1,1×1023segura | ×12,3 | $131K |
| 2020 | GPT-3 175B (davinci)OpenAI · Estados Unidos | 3,1×1023segura | ×2,91 | $2,12M |
| 2021 | FLAN 137BGoogle Research · Estados Unidos | 2,0×1024segura | ×6,52 | — |
| 2022 | Minerva (540B)Google · Estados Unidos | 2,7×1024segura | ×1,34 | — |
| 2023 | Gemini 1.0 UltraGoogle DeepMind · Estados Unidos | 5,0×1025especulativa | ×18,2 | $30,7M |
| 2024 | Llama 3.1-405BMeta AI · Estados Unidos | 3,8×1025segura | ×0,76 | $52,9M |
| 2025 | Grok 4xAI · Estados Unidos | 5,0×1026especulativa | ×13,2 | $388M |
| 2026hasta ahora | GPT-6 AstraOpenAI · Estados Unidos | 9,4×1026probable | ×1,88 | — |
El modelo relevante con más cómputo de entrenamiento publicado en cada año; × el año anterior lo compara con el mayor del año previo. Bajo el cómputo: qué tan segura está Epoch AI de la estimación. Costo: estimación de Epoch AI, cuando la hay.
El club de los 10²³ FLOP
Epoch AI mantiene una lista de modelos a gran escala: los entrenados con más de 10²³ FLOP, un umbral fijo que usan algunas normativas sobre IA. Tiene una estimación de cómputo para 326 de ellos. El primero fue AlphaStar en 2019; en 2025, 104 modelos superaron el umbral, tras 101 en 2024.
Los primeros modelos por encima de las líneas más altas fueron Wu Dao 2.0, con más de 10²⁴ (2021), GPT-4, con más de 10²⁵ (2023) y Grok 3, con más de 10²⁶ (2025). Modelos de más de 10²⁵ FLOP publicados en 2025: 9. De los 104 del club ese año, 90 se publicaron con pesos abiertos, que cualquiera puede descargar y ejecutar, y 10 solo mediante una API o un servicio alojado; 4 no se publicaron.
2026 no ha terminado: hasta 10 de noviembre de 2026 la lista tiene 27 modelos con estimación. Epoch añade modelos nuevos en pocas semanas y las estimaciones de cómputo más tarde, de modo que los meses recientes se van completando con el tiempo. También incluye 208 modelos a gran escala sin estimación de cómputo; aquí no se cuentan.
Los cuadrados en una tabla
| Año | Más de 10²³ | Más de 10²⁴ | Más de 10²⁵ | Más de 10²⁶ | Sin estimación |
|---|---|---|---|---|---|
| 2019 | 1 | 0 | 0 | 0 | 0 |
| 2020 | 2 | 0 | 0 | 0 | 0 |
| 2021 | 10 | 3 | 0 | 0 | 0 |
| 2022 | 23 | 3 | 0 | 0 | 8 |
| 2023 | 58 | 17 | 3 | 0 | 63 |
| 2024 | 101 | 39 | 6 | 0 | 66 |
| 2025 | 104 | 71 | 9 | 3 | 61 |
| 2026hasta ahora | 27 | 25 | 7 | 1 | 10 |
Modelos con estimación de cómputo, por año de publicación; un modelo de más de 10²⁵ FLOP cuenta también como de más de 10²⁴ y 10²³. Sin estimación: en la lista de gran escala de Epoch, sin cifra de cómputo.
Quién los construye
Organizaciones de Estados Unidos participaron en 135 de los 326 modelos de más de 10²³ FLOP y organizaciones de China en 139; les siguen Corea del Sur (17), Francia (10) y Emiratos Árabes Unidos (8). Un modelo construido por varias organizaciones cuenta una vez por cada uno de sus países.
Los que más aportaron fueron Alibaba (36), Meta AI (24) y Nvidia (20). Los grupos se nombran como en los datos, de modo que los de Google se cuentan por separado: Google, Google DeepMind, Google Research, DeepMind y Google Brain.
Modelos con estimación de cómputo; un modelo cuenta una vez por cada país y cada organización que nombra. Organizaciones tal como las nombra Epoch AI.
Empresas, no universidades
De los 109 modelos relevantes publicados en 2025, 92% provinieron solo de empresas, 5% de empresas que trabajaron con universidades y 2% solo de universidades. En 2010–2014, las empresas por sí solas hicieron 19% de ellos.
El dinero: el gasto de capital de las grandes tecnológicas
Entrenar y ejecutar modelos de IA requiere centros de datos llenos de chips, y las empresas que construyen los mayores declaran la factura como gasto de capital: efectivo pagado por propiedades y equipos. Microsoft, Alphabet, Amazon, Meta y Oracle gastaron en conjunto $691 mil M en los cuatro trimestres hasta septiembre 2026, 4,5 veces los $154 mil M de los cuatro trimestres hasta septiembre 2022, el último trimestre antes del lanzamiento de ChatGPT el 30 de noviembre de 2022. Eso son $1,89 mil M al día, o $21.900 cada segundo.
En relación con su tamaño, el gasto absorbió 36% de los ingresos de las cinco empresas en los últimos cuatro trimestres, frente a 13% antes, y 95% del efectivo que aportaron sus operaciones, frente a 54%. El mayor gasto fue el de Amazon, con $215 mil M.
Los informes no dicen qué parte se destinó a la IA. El gasto de capital también paga oficinas y otros edificios (en Amazon, además, almacenes y una red de reparto), y cada empresa lo declara con sus propias definiciones.
Variación frente a los cuatro trimestres hasta septiembre 2022. Barras: gasto de capital por trimestre desde 2015, cada empresa en su propia escala. Más del 100 % del flujo de caja operativo: se gastó más de lo que aportaron las operaciones. Las tarjetas enlazan con las páginas de las empresas.
Gasto de capital por año natural
| Año | Microsoft | Alphabet | Amazon | Meta | Oracle | Total |
|---|---|---|---|---|---|---|
| 2015 | $6,55 mil M | $9,93 mil M | $4,59 mil M | $2,52 mil M | $1,61 mil M | $25,2 mil M |
| 2016 | $9,11 mil M | $10,2 mil M | $6,74 mil M | $4,49 mil M | $1,6 mil M | $32,2 mil M |
| 2017 | $8,7 mil M | $13,2 mil M | $12 mil M | $6,73 mil M | $2,04 mil M | $42,6 mil M |
| 2018 | $14,2 mil M | $25,1 mil M | $13,4 mil M | $13,9 mil M | $1,47 mil M | $68,2 mil M |
| 2019 | $13,5 mil M | $23,5 mil M | $16,9 mil M | $15,1 mil M | $1,59 mil M | $70,6 mil M |
| 2020 | $17,6 mil M | $22,3 mil M | $40,1 mil M | $15,2 mil M | $1,83 mil M | $97 mil M |
| 2021 | $23,2 mil M | $24,6 mil M | $61,1 mil M | $18,7 mil M | $3,12 mil M | $131 mil M |
| 2022 | $24,8 mil M | $31,5 mil M | $63,6 mil M | $31,2 mil M | $6,68 mil M | $158 mil M |
| 2023 | $35,2 mil M | $32,3 mil M | $52,7 mil M | $27 mil M | $6,93 mil M | $154 mil M |
| 2024 | $55,6 mil M | $52,5 mil M | $83 mil M | $37,3 mil M | $10,7 mil M | $239 mil M |
| 2025 | $83,1 mil M | $91,4 mil M | $132 mil M | $69,7 mil M | $35,5 mil M | $412 mil M |
| 20263 trimestres | $106 mil M | $132 mil M | $176 mil M | $83,1 mil M | $63,6 mil M | $560 mil M |
NVIDIA: vender las palas
Epoch AI registra el hardware de entrenamiento de 278 modelos relevantes publicados desde 2020: 204 de ellos (73%) se entrenaron con chips de NVIDIA y 68 (24%) con las TPU de Google.
El ejercicio fiscal de NVIDIA termina a finales de enero: el ejercicio fiscal 2026 llegó hasta 25 de enero de 2026. Sus ingresos ese año fueron $216 mil M, 8,01 veces lo del ejercicio fiscal 2023 ($27 mil M), el año que terminó 2 meses después del lanzamiento de ChatGPT. El beneficio neto pasó de $4,37 mil M (16% de los ingresos) a $120 mil M (56%).
El último trimestre de los informes, T2 EF2027 (hasta 26 de julio de 2026), dejó ingresos de $96,2 mil M y un beneficio neto de $59,7 mil M; 75% de los ingresos quedó tras el costo de lo vendido (margen bruto). Los cuatro trimestres hasta 26 de julio de 2026 suman $303 mil M de ingresos y $193 mil M de beneficio neto: a ese ritmo, un beneficio neto igual a todos los ingresos de NVIDIA del ejercicio fiscal 2016 ($5,01 mil M) llegaba cada 9,5 días.
Los datos de la SEC usados aquí dan los ingresos totales de NVIDIA, no su desglose por mercado, de modo que el gráfico muestra el total. El valor de mercado de las acciones de NVIDIA en manos del público (el capital flotante que figura en la portada de su informe anual, no la capitalización bursátil) fue $434 mil M a finales de julio 2022 y $4,0 B a finales de julio 2025.
| Ejercicio fiscal | Ingresos | Variación | Margen bruto | Beneficio neto | Margen neto |
|---|---|---|---|---|---|
| Ejercicio 2016terminó el 31 de enero de 2016 | $5,01 mil M | +7% | 56,1% | $614M | 12,3% |
| Ejercicio 2017terminó el 29 de enero de 2017 | $6,91 mil M | +38% | 58,8% | $1,67 mil M | 24,1% |
| Ejercicio 2018terminó el 28 de enero de 2018 | $9,71 mil M | +41% | 59,9% | $3,05 mil M | 31,4% |
| Ejercicio 2019terminó el 27 de enero de 2019 | $11,7 mil M | +21% | 61,2% | $4,14 mil M | 35,3% |
| Ejercicio 2020terminó el 26 de enero de 2020 | $10,9 mil M | −7% | 62,0% | $2,8 mil M | 25,6% |
| Ejercicio 2021terminó el 31 de enero de 2021 | $16,7 mil M | +53% | 62,3% | $4,33 mil M | 26,0% |
| Ejercicio 2022terminó el 30 de enero de 2022 | $26,9 mil M | +61% | 64,9% | $9,75 mil M | 36,2% |
| Ejercicio 2023terminó el 29 de enero de 2023 | $27 mil M | +0% | 56,9% | $4,37 mil M | 16,2% |
| Ejercicio 2024terminó el 28 de enero de 2024 | $60,9 mil M | +126% | 72,7% | $29,8 mil M | 48,8% |
| Ejercicio 2025terminó el 26 de enero de 2025 | $130 mil M | +114% | 75,0% | $72,9 mil M | 55,8% |
| Ejercicio 2026terminó el 25 de enero de 2026 | $216 mil M | +65% | 71,1% | $120 mil M | 55,6% |
| Últimos cuatro trimestreshasta 26 de julio de 2026 | $303 mil M | 74,7% | $193 mil M | 63,7% |
Preguntas frecuentes
¿Qué tan rápido crece la IA?
Una de las medidas que Epoch AI sigue para cada modelo relevante es el cómputo de entrenamiento. Desde 2010 se ha duplicado cada 5,7 meses: ×4,3 al año, según una tendencia de mínimos cuadrados sobre 481 modelos. Antes de 2010 se duplicaba cada 20,5 meses.
¿Qué es un FLOP en la IA?
Una operación de coma flotante: una suma o multiplicación de números decimales. El cómputo de entrenamiento es el total que se realiza para entrenar un modelo: GPT-6 Astra requirió unos 9,4×10²⁶ FLOP según la estimación de Epoch AI, Theseus de 1950 requirió 40.
¿Cuánto cuesta entrenar un modelo de IA?
Epoch AI estima el costo del cómputo de entrenamiento de 178 modelos relevantes, en dólares de 2023. La cifra más alta es $388M, para Grok 4 (2025); la mediana de las 7 estimaciones de los modelos publicados en 2025 es $44,6M. Las cifras cubren solo el cómputo.
¿Cuánto gastan las tecnológicas en centros de datos de IA?
Los informes declaran el gasto de capital en su conjunto, no la parte destinada a la IA. Microsoft, Alphabet, Amazon, Meta y Oracle gastaron $691 mil M en los cuatro trimestres hasta septiembre 2026, frente a $154 mil M en los cuatro trimestres hasta septiembre 2022; el mayor gasto fue el de Amazon ($215 mil M).
¿Cuánto dinero gana NVIDIA?
En el ejercicio fiscal 2026, hasta 25 de enero de 2026, los ingresos fueron $216 mil M y el beneficio neto $120 mil M. En los cuatro trimestres hasta 26 de julio de 2026: ingresos de $303 mil M, beneficio neto de $193 mil M.
Para profundizar
Cómo se calculan las cifras
- Modelos de IA: Epoch AI, ‘Data on AI models’. Publicado en línea en epoch.ai. Obtenido de https://epoch.ai/data/ai-models [recurso en línea]. Consultado el 15 de noviembre de 2026. Licencia CC BY 4.0: se puede usar, distribuir y reproducir libremente citando a Epoch AI. Los gráficos, tendencias y recuentos de esta página los calcula BigCapital.
- Cómputo de entrenamiento: operaciones de coma flotante usadas para entrenar un modelo, según las declara el desarrollador o las estima Epoch AI a partir del hardware y el tiempo de entrenamiento, o del tamaño del modelo y sus datos de entrenamiento. Confianza, rangos del 90 % de Epoch: segura, con un margen de 3 veces; probable, de 10; especulativa, de unas 31.
- Tendencias: mínimos cuadrados ordinarios del log₂ (cómputo de entrenamiento) sobre la fecha de publicación en años, para los modelos relevantes con estimación; tiempo de duplicación = 12 ÷ pendiente, en meses; crecimiento al año = 2^pendiente. “Desde 2010”: publicados a partir del 1 de enero de 2010. Un récord: más cómputo que todos los modelos relevantes anteriores.
- Modelos relevantes: la lista de Epoch de modelos que hicieron avanzar el estado del arte, fueron muy citados, tuvieron relevancia histórica o se usaron ampliamente; los modelos de frontera estaban entre los 5 primeros por cómputo de entrenamiento cuando salieron. Modelos a gran escala: la lista de Epoch de modelos de más de 10²³ FLOP, contados por año de publicación y una vez por cada país y organización que se nombra.
- Cifras de las empresas: SEC EDGAR, datos de empresa XBRL de los informes 10-K y 10-Q (dominio público).
- Gasto de capital: pagos por adquirir propiedades y equipos en el estado de flujo de caja, bajo la etiqueta XBRL que usa cada empresa; un trimestre que no se declara por separado es el acumulado del año menos el acumulado anterior. Ingresos, beneficio neto, beneficio bruto y flujo de caja operativo según lo presentado. Amazon, T2 2017: no figura en los datos XBRL, de modo que es el ejercicio fiscal menos sus otros tres trimestres.
- Ejercicios fiscales como los nombran las empresas: el ejercicio fiscal 2026 de NVIDIA terminó el 25 de enero de 2026. El gráfico de gasto de capital usa trimestres naturales.
- Las cifras pasadas son historia, no una previsión. Nada de esto es asesoramiento de inversión.
Reutilice este artículo
El texto y los gráficos se pueden republicar, traducir y adaptar libremente bajo CC BY 4.0: cite a BigCapital.org con un enlace a esta página. Los datos de otros proveedores conservan su propia licencia (véanse las fuentes más abajo). Cómo citar
Fuente: BigCapital.org — “El auge de la IA en cifras”, https://bigcapital.org/es/articles/ai-boom/