El techo energético de la IA para 2027 y lo que el alza de costes de GPU implica para RevOps

Las limitaciones físicas de suministro eléctrico están colisionando con la demanda corporativa de IA, generando una presión estructural al alza sobre los costes de computación que impactará directamente en los márgenes operativos del software. Según el inversor de capital riesgo Tomasz Tunguz, se proyecta que la capacidad de IA en Estados Unidos crezca desde los 38 gigavatios actuales hasta un techo de 81 gigavatios en 2027; sin embargo, la demanda ya supera la capacidad de la red eléctrica para energizar el nuevo hardware. Mientras las tarifas de alquiler de GPU a corto plazo se disparan y los racks de servidores quedan inactivos en almacenes esperando energía, la era de la inferencia de modelos a precios ínfimos está llegando a su fin.

Qué ocurrió

Tunguz señala que, aunque la capacidad de computación total de EE. UU. podría teóricamente duplicarse hasta alcanzar los 81 gigavatios en 2027, las limitaciones físicas de la red eléctrica están frenando los despliegues reales. Citando declaraciones de Brad Gerstner en el podcast All-In, Tunguz apunta que las previsiones de consenso anticipan la incorporación de 43 gigavatios en 2027, pero entre 10 y 15 gigavatios de esa expansión prevista podrían quedarse sin suministro eléctrico. Business Insider informó que, bajo el programa Early Rack Receipt de AWS, Amazon recibió aproximadamente 5.000 millones de dólares en racks de servidores Nvidia GB300 en agosto de 2026 antes de que las subestaciones de las instalaciones tuvieran la potencia necesaria para activarlos.

A pesar de la producción masiva de componentes, el precio del cómputo se ha disparado debido a este cuello de botella estructural. Las tarifas de alquiler de GPU a corto plazo aumentaron de 3 a entre 12 y 13 dólares por hora en un lapso de seis meses. Tunguz destaca que la presentación del Formulario S-1/A de Anthropic reveló que los costes combinados equivalentes a GPU aumentaron un 82 % en dos trimestres, pasando de 3,10 a 5,65 dólares por hora.

Actualmente, el 40 % del cómputo de GPU se destina a la inferencia (hacer llegar la IA directamente a los usuarios finales), mientras que el 60 % se dedica al entrenamiento, según datos sobre cargas de trabajo de SemiAnalysis citados por Tunguz. A medida que se despliega nuevo hardware como los racks Blackwell y Rubin, se prevé que los ingresos teóricos por inferencia en EE. UU. se multipliquen por 3,4, pasando de 140.000 millones a casi 500.000 millones de dólares (0,49 billones). Sin embargo, la escasez prolongada de energía obligará a los proveedores a gestionar el exceso de demanda mediante esquemas de precios escalonados por latencia y optimización algorítmica, como el uso de entornos de software especializados que reducen los costes de resolución de tareas en un 71 %, según un estudio HarnessTax de la Universidad de California en Berkeley citado por Tunguz.

Por qué es relevante para los líderes de RevOps

Para los responsables de RevOps, cada flujo de trabajo con clientes, proceso de cualificación de prospectos y secuencia automatizada de prospección opera, en última instancia, mediante inferencia. Si el coste base de computación se duplica mientras las restricciones energéticas limitan la oferta, la viabilidad económica de todo su ecosistema tecnológico de salida al mercado se verá alterada.

En primer lugar, los proveedores de SaaS que ofrecen enriquecimiento de CRM nativo de IA, agentes de previsión e inteligencia conversacional trasladarán inevitablemente estos costes de infraestructura a las renovaciones contractuales. Los equipos de RevOps deben prever que los proveedores introduzcan límites estrictos de tokens, topes de frecuencia o niveles de precios diferenciados por latencia: cobrarán tarifas prémium por el enrutamiento de prospectos en tiempo real, mientras relegarán el enriquecimiento masivo y el análisis de embudos a colas asíncronas más lentas.

En segundo lugar, el incremento de los costes de cómputo altera la ecuación entre desarrollar o comprar soluciones para operaciones internas. Durante el último año, muchos equipos de operaciones apostaron por automatizaciones internas a medida y scripts ligeros para reemplazar herramientas SaaS especializadas. No obstante, como advierte Tunguz, la rentabilidad de desarrollar software interno propio se enfrenta a un duro golpe de realidad cuando la inferencia se encarece. Los proveedores de software dedicados pueden amortizar los costes computacionales mediante arquitecturas optimizadas —como el uso de atención latente multicabezal, cuantización de modelos y entornos de software especializados—, mientras que los agentes internos personalizados que consultan directamente APIs de modelos fundacionales consumirán el presupuesto operativo a un ritmo insostenible. Proteger los márgenes requerirá gestionar el consumo de tokens con el mismo rigor que históricamente se ha aplicado a los costes de adquisición de clientes.

Qué hacer esta semana

1. Audite las automatizaciones basadas en API de su equipo en plataformas como Zapier, Make y webhooks internos para registrar el consumo mensual de tokens y el gasto en computación por flujo de trabajo.
2. Revise las renovaciones pendientes de SaaS en herramientas de ventas y marketing dependientes de la IA para verificar si las tarifas actuales incluyen cláusulas de protección contra subidas de precios en niveles de computación o volumen de inferencia en los próximos 24 meses.
3. Segmente las acciones automatizadas de su pipeline entre dependencias en tiempo real (como la asignación inmediata de prospectos entrantes) y tareas en segundo plano no urgentes (como la puntuación semanal de cuentas), de modo que su arquitectura esté preparada para modelos de precios diferenciados por latencia.

Fuentes

• Watts in Store for 2027 : The AI Ceiling — Tomasz Tunguz