Invertir en “picos y palas” de la Inteligencia Artificial: Estrategias fuera de los gigantes tecnológicos

En el mundo de la inversión, a menudo se dice que no siempre es necesario ir a la fuente principal de riqueza; a veces, es más seguro y rentable vender las herramientas que otros utilizan para generar esa riqueza. Esta metáfora se popularizó durante la fiebre del oro del siglo XIX: mientras que muchos buscaban oro directamente, los empresarios que vendían picos, palas y ropa de minería construyeron fortunas más estables. Hoy, el “oro” moderno es la inteligencia artificial (IA), y el equivalente contemporáneo de los picos y palas se encuentra en empresas que proveen hardware, software y servicios que hacen posible el entrenamiento y despliegue de modelos avanzados.

Si quieres invertir en IA pero no deseas apostar directamente por gigantes como NVIDIA, Microsoft o Google, explorar estas alternativas puede ser una estrategia inteligente. A continuación, examinaremos varias categorías de inversión “auxiliares” en IA y cómo evaluarlas.

1. Fabricantes de GPUs alternativos y hardware especializado

El entrenamiento de modelos de IA, especialmente grandes modelos de lenguaje y visión, requiere un poder de cómputo colosal. Actualmente, NVIDIA domina el mercado de GPUs para IA, pero existen fabricantes alternativos y proveedores de hardware especializados que también participan en este ecosistema.

Alternativas a considerar:

• AMD: Su línea de GPUs competidora a NVIDIA está ganando terreno en aplicaciones de IA y HPC (High Performance Computing).
• Intel: Aunque históricamente centrada en CPUs, ha desarrollado accelerators y GPUs dedicadas a cargas de trabajo de IA.
• Startups de chips personalizados: Empresas como Graphcore, Cerebras o Habana Labs (ahora propiedad de Intel) desarrollan chips diseñados específicamente para entrenamiento y inferencia de IA.

Cómo evaluar:

• Innovación tecnológica: ¿El chip ofrece ventajas significativas en eficiencia energética o velocidad de procesamiento respecto a la competencia?
• Ecosistema y compatibilidad: Verifica si los modelos de software populares (PyTorch, TensorFlow, JAX) son compatibles.
• Diversificación de clientes: Un proveedor que dependa de un solo cliente grande puede ser riesgoso.

Invertir en estos fabricantes puede ser más volátil que en los gigantes, pero ofrece exposición al crecimiento explosivo de la demanda de computación para IA.

2. Soluciones de refrigeración y eficiencia energética

Los centros de datos que entrenan modelos de IA consumen enormes cantidades de energía y generan un calor significativo. La eficiencia en la refrigeración es crítica, especialmente para GPUs de alto rendimiento. Esto abre oportunidades en empresas especializadas en soluciones de refrigeración líquida y gestión térmica avanzada.

Ejemplos de inversión:

• Empresas de refrigeración líquida para servidores: algunas startups y compañías medianas han desarrollado sistemas para enfriar racks de GPUs con agua, reduciendo el consumo eléctrico y aumentando la densidad de procesamiento.
• Materiales de conducción térmica y soluciones de inmersión en líquidos refrigerantes.

Cómo evaluar:

• Escalabilidad: ¿La solución puede implementarse en grandes centros de datos sin prohibitivos costos iniciales?
• Ahorro energético comprobado: Busca evidencia de reducción de costos operativos y consumo energético.
• Relaciones estratégicas: Alianzas con proveedores de hardware o grandes centros de datos pueden ser un indicador de adopción futura.

La demanda de soluciones de refrigeración y eficiencia seguirá creciendo a medida que los modelos de IA se vuelvan más grandes y costosos de operar.

3. Software MLOps y herramientas de gestión de modelos

Los modelos de IA no funcionan solos; requieren software especializado para entrenamiento, despliegue y mantenimiento. Esta categoría, conocida como MLOps, incluye plataformas que permiten a empresas gestionar pipelines de datos, versiones de modelos, experimentos y monitoreo en producción.

Ejemplos de empresas de MLOps:

• Weights & Biases, Neptune.ai o MLflow: Plataformas que registran experimentos y ayudan a reproducir resultados.
• Databricks y Snowflake: Aunque más amplias, estas compañías ofrecen herramientas que facilitan la preparación de datos y el entrenamiento de modelos a escala.
• Startups enfocadas en automatización de pipelines o testing de modelos.

Cómo evaluar:

• Base de clientes y retención: Empresas que logran fidelizar a equipos de IA corporativos tienen ingresos recurrentes.
• Compatibilidad y flexibilidad: Plataformas que soportan múltiples frameworks de IA y nubes públicas tienen ventaja.
• Escalabilidad y seguridad: Capacidad de manejar proyectos grandes y sensibles sin comprometer datos.

Invertir en software MLOps es menos volátil que hardware, pero depende de la adopción continua de IA empresarial.

4. Data labeling y preparación de datos

Los modelos de IA requieren datos de alta calidad. La creación y etiquetado de estos datos es intensiva en mano de obra, aunque cada vez más automatizada. Empresas que ofrecen data labeling, curación y gestión de datasets se encuentran en el corazón del ecosistema de IA.

Ejemplos:

• Scale AI, Labelbox y Appen: Plataformas que proporcionan anotación de datos, desde imágenes hasta audio y texto.
• Startups que usan técnicas de IA para acelerar la anotación y garantizar consistencia en grandes volúmenes de datos.

Cómo evaluar:

• Diversificación de sectores: Empresas que sirven a múltiples industrias (automotriz, salud, finanzas) reducen riesgos.
• Automatización y eficiencia: Herramientas que reduzcan el costo de anotación o mejoren la calidad son más competitivas.
• Dependencia de grandes contratos: Contratos exclusivos con grandes empresas pueden ser positivos, pero riesgosos si se terminan.

El crecimiento en esta categoría es sólido, ya que los datasets de calidad siguen siendo un cuello de botella para el desarrollo de IA.

5. Ciberseguridad para modelos de IA

Con la proliferación de modelos de IA, surge la necesidad crítica de protegerlos frente a ataques de adversarios, fugas de datos y uso indebido. La ciberseguridad para modelos de IA es un campo emergente, que incluye detección de manipulación de modelos, protección de APIs y auditoría de modelos generativos.

Ejemplos de enfoque:

• Startups que monitorean inferencias en tiempo real para detectar inputs maliciosos.
• Plataformas de auditoría de modelos que buscan sesgos y vulnerabilidades.
• Servicios que protegen datos confidenciales usados para entrenar modelos.

Cómo evaluar:

• Innovación tecnológica: ¿La empresa tiene métodos únicos para proteger modelos?
• Clientes estratégicos: La seguridad es crítica en sectores regulados (finanzas, salud, defensa).
• Potencial de adopción masiva: La expansión de IA generativa en empresas puede aumentar la demanda de soluciones de seguridad.

La ciberseguridad en IA todavía está en etapas tempranas, por lo que invertir aquí puede ofrecer retornos altos, pero con riesgo elevado.

Estrategias generales de evaluación de inversión en “picos y palas” de IA

Para todas estas categorías, existen criterios comunes que ayudan a tomar decisiones más informadas:

1. Crecimiento del mercado subyacente: Verifica que la demanda proyectada de IA o su infraestructura sea sólida.
2. Ventaja competitiva: Empresas con patentes, know-how especializado o contratos estratégicos tienen más probabilidad de éxito.
3. Escalabilidad: Los productos o servicios deben poder crecer sin aumentar proporcionalmente los costos.
4. Diversificación de clientes: Dependencia de un solo cliente grande puede ser riesgosa.
5. Exposición indirecta a riesgos regulatorios: Algunos nichos (como data labeling o ciberseguridad) pueden verse menos afectados por regulaciones estrictas sobre IA que los desarrolladores de modelos.

Conclusión

Invertir en los “picos y palas” de la inteligencia artificial ofrece una alternativa menos directa, pero estratégica, para capitalizar la expansión de esta tecnología disruptiva. Fabricantes de hardware especializado, soluciones de refrigeración, plataformas de MLOps, empresas de data labeling y startups de ciberseguridad para modelos representan oportunidades de inversión que no dependen únicamente del éxito de los grandes actores tecnológicos.

Evaluar cada categoría requiere entender la dinámica de su mercado, su escalabilidad y su posición competitiva. Mientras que el hardware puede ofrecer alto potencial con mayor volatilidad, el software y los servicios suelen ofrecer flujos de ingresos más estables. La clave está en diversificar, investigar a fondo y buscar empresas que estén construyendo la infraestructura que hará posible el próximo salto en inteligencia artificial.

Así como en la fiebre del oro algunos vendieron picos y palas y prosperaron más que los mineros, los inversores de hoy pueden beneficiarse al enfocarse en las herramientas y servicios que sustentan el crecimiento de la IA, en lugar de apostar solo por los nombres más conocidos del sector. En un mundo impulsado por datos y algoritmos, las oportunidades están tan en los cimientos como en la cima.