La capa que nadie controla todavía es la que todos necesitarán
Hay un patrón que se repite con suficiente consistencia como para tomarlo en serio: las tecnologías no se concentran donde se ven, sino donde se apoyan. Las redes sociales se concentraron en la distribución, no en el contenido. La nube se concentró en infraestructura, no en aplicaciones. La inteligencia artificial está siguiendo la misma geometría, pero el punto de control está un nivel más abajo que en cualquier ciclo anterior.
En mayo de 2026, David y Daniil Liberman, emprendedores con experiencia previa en Snap, publicaron en Fortune un argumento que merece atención por lo que describe estructuralmente, no por quiénes son ellos. Su tesis es precisa: en inteligencia artificial, quien controla el cómputo controla el acceso, y quien controla el acceso controla quién puede siquiera existir en esta economía. No es una metáfora. Es una descripción operativa de cómo funciona el mercado hoy.
Los números que citan son los que dan peso al argumento. NVIDIA concentra el 85% del mercado de GPUs para centros de datos. Amazon, Microsoft y Google controlan el 63% de la capacidad global de nube. Estados Unidos gestiona aproximadamente el 75% de la capacidad mundial de cómputo de alto rendimiento para inteligencia artificial. China retiene cerca del 15%. El resto del mundo comparte el 10% restante.
Eso no describe un mercado competitivo. Describe una infraestructura geopolítica con fachada de mercado.
El momento en que Snap perdió sin perder el producto
La referencia al episodio de Snap en 2018 no es nostalgia. Es el ancla analítica del artículo. Los autores estaban en Santa Monica revisando métricas de usuarios activos diarios cuando quedó claro que el producto, pese a ser técnicamente mejor en algunas dimensiones, no podía sostener el crecimiento frente a Instagram. Meta no ganó porque tuviera mejor diseño. Ganó porque controlaba la capa debajo del diseño: el grafo social, la distribución, la audiencia ya formada. Snap construyó sobre arena que Meta ya tenía cimentada.
Ese episodio importa como diagnóstico organizacional porque ilustra cuándo las métricas dejan de contar lo que uno cree que cuentan. La retención de usuarios no era el problema de Snap. El acceso a la distribución era el problema. Pero si el tablero de control solo mide retención, el equipo directivo puede llegar tarde a la lectura correcta.
En inteligencia artificial, el equivalente es más severo. Un equipo que construye un modelo de lenguaje puede tener mejor arquitectura, mejores datos, mejores ingenieros. Pero si no tiene acceso a GPUs de alto rendimiento a precio accesible, si depende de contratos con hiperescaladores que pueden cambiar tarifas o políticas de acceso sin previo aviso, entonces su ventaja técnica no se traduce en ventaja competitiva. La capa que no controla lo neutraliza antes de que pueda demostrarse.
Esto es exactamente lo que los Liberman describen al señalar que los proveedores de inteligencia artificial han retirado modelos populares pese a la resistencia de usuarios, restringido acceso a APIs sin advertencia, y ajustado capacidades de desarrolladores bajo políticas que ningún organismo independiente puede auditar. No es una crítica moral. Es una descripción de cómo opera la dependencia estructural cuando quien concentra la infraestructura decide cambiar las condiciones.
Por qué esta concentración es cualitativamente diferente
Cuando Meta compró Instagram en 2012 por mil millones de dólares, el mercado entendió que se consolidaba la capa de distribución social. Cuando Amazon Web Services escaló hasta convertirse en la principal fuente de beneficios de Amazon, el mercado entendió que la nube iba a concentrarse en pocas manos. En ambos casos, la concentración fue visible desde la capa de aplicación. Los usuarios, los desarrolladores y los reguladores podían verla porque la sentían directamente.
Lo que describe el artículo sobre la inteligencia artificial es diferente en un sentido específico: la concentración ocurre en una capa que la mayoría de los actores del mercado no monitorea con rigor. Los modelos son visibles. Los chatbots son visibles. Los productos de IA que consumen los usuarios son visibles. Pero los GPUs, los centros de datos, los contratos de suministro de chips de alto rendimiento y los acuerdos de acceso preferencial a cómputo son la infraestructura detrás de lo visible, y es ahí donde se está formando la concentración real.
La analogía que usan los autores con Bitcoin y Ethereum es interesante desde un ángulo distinto al que ellos enfatizan. No es solo que los protocolos descentralizados construyeron una nueva capa debajo de la banca. Es que lo hicieron porque la arquitectura financiera existente tenía fricciones y puntos de control que no se podían remover desde adentro. La pregunta relevante para infraestructura de inteligencia artificial no es si Gonka o cualquier otro proyecto descentralizado puede desplazar a AWS o a Azure. La pregunta es si la estructura de incentivos del mercado es suficiente para producir alternativas viables antes de que la concentración se vuelva irreversible.
La evidencia histórica en mercados de infraestructura sugiere que esa ventana es estrecha. Una vez que los hiperescaladores alcanzan ciertos umbrales de capacidad instalada, las economías de escala y los costos de cambio hacen que la estructura se auto-perpetúe. No porque sea ilegal cambiar, sino porque el costo operativo de hacerlo supera el beneficio para la mayoría de los actores.
Lo que esto revela sobre cómo se diseñan —o no— las apuestas de largo plazo
Hay una dimensión del argumento que el artículo no desarrolla completamente pero que resulta analíticamente fértil: el problema de la concentración en cómputo no es solo de política pública o de poder de mercado. Es también un problema de cómo las organizaciones distribuyen su atención entre lo que les funciona hoy y lo que podría amenazarlas mañana.
Las empresas que construyeron dependencias profundas con hiperescaladores en los últimos cinco años lo hicieron bajo una lógica razonable: el costo marginal de escalar en nube era inferior al costo de construir infraestructura propia, y la velocidad de acceso al mercado justificaba esa dependencia. Esa es la lógica de explotar lo que funciona. El problema es que esa misma lógica, aplicada sin contrapeso, produce organizaciones que llegan al punto de bloqueo sin haberlo anticipado.
El patrón que los Liberman identifican en el mercado de cómputo es exactamente el mismo que aparece en organizaciones que sobre-explotaron su modelo central y llegaron tarde a ver que el terreno se había movido debajo de ellas. Snap, en su relato, no perdió porque dejara de innovar en producto. Perdió porque no tenía una respuesta estructural para la dependencia en la capa de distribución. El aprendizaje organizacional relevante es que las dependencias que no se gestionan estratégicamente se convierten, con el tiempo, en posiciones de vulnerabilidad que no se pueden negociar cuando el proveedor decide cambiar los términos.
Esto vale para startups de inteligencia artificial que hoy operan sobre APIs de modelos de terceros. Vale para empresas medianas que están construyendo su capa de datos sobre infraestructura de un solo proveedor cloud. Vale para países que no tienen política de cómputo propia y asumen que la disponibilidad de infraestructura estadounidense es un dato permanente del entorno.
Los controles de exportación de chips avanzados que menciona el artículo no son un ejemplo hipotético de cómo puede usarse el cómputo como instrumento geopolítico. Son evidencia de que ya está siendo usado así. Cuando una potencia puede decidir qué países acceden a cierto nivel de capacidad computacional, y esa decisión afecta directamente qué aplicaciones de inteligencia artificial pueden construirse en esos territorios, la conversación dejó de ser sobre competencia de mercado hace tiempo. Dos países están fijando las condiciones de acceso para 191. Ese es el diseño actual del sistema.
La asimetría lingüística que señalan los autores agrega una capa adicional que habitualmente no aparece en análisis de concentración de mercado. Los modelos de lenguaje entrenados predominantemente en inglés no solo favorecen a los usuarios angloparlantes en calidad de resultados. Los hacen financieramente más eficientes: los prompts en otros idiomas consumen más tokens para producir el mismo output, lo que se traduce en costos más altos y límites de contexto más restrictivos para usuarios que no operan en inglés. Una tarifa uniforme no es un precio igual. Es una tarifa que discrimina por idioma con la estructura técnica como mecanismo.
El cómputo como prerrequisito, no como ventaja
Hay una distinción que el artículo establece con precisión y que merece subrayarse porque cambia la naturaleza del análisis estratégico. En redes sociales, podías construir una plataforma alternativa. TikTok probó que era posible. El capital social no estaba físicamente concentrado; estaba distribuido en los hábitos de atención de los usuarios, y esos hábitos podían redirigirse.
En inteligencia artificial, el cómputo no es una ventaja competitiva. Es el piso de participación. Sin acceso a GPUs de alto rendimiento no se puede entrenar un modelo competitivo. Sin contratos de nube no se puede operar inferencia a escala. Sin chips avanzados, un país entero queda fuera de ciertas capacidades. La concentración en esta capa no genera desventaja competitiva: genera exclusión directa.
Eso hace que las implicaciones organizacionales sean más urgentes que en ciclos anteriores. Una empresa que dependió de Facebook para distribución podía, con esfuerzo y recursos, intentar construir audiencia por otras vías. Una empresa que depende de infraestructura de cómputo concentrada en tres actores no tiene, hoy, una alternativa estructuralmente equivalente a la que recurrir si esos actores cambian las condiciones.
La promesa de proyectos como Gonka, el protocolo descentralizado que los propios autores están construyendo, es crear esa alternativa antes de que la ventana se cierre. No necesitan ser mejores que AWS en las condiciones de AWS. Necesitan ser suficientemente funcionales para que la dependencia deje de ser total. Ese es un umbral más modesto y más realista que ganarle la cuota de mercado a los hiperescaladores.
Lo que el mercado todavía no ha resuelto es si ese umbral puede alcanzarse con la velocidad suficiente como para que tenga efecto antes de que la concentración se consolide en un punto desde el cual no genera presión de cambio. Los ciclos anteriores sugieren que la infraestructura que llega tarde rara vez cambia la estructura del mercado. La que llega antes del momento de cierre puede fijar las reglas del juego siguiente.
---
El artículo de los Liberman describe con precisión una dinámica estructural que ya está en curso. Pero el problema que señalan no es solo de mercado ni de regulación: es de diseño de dependencias que la mayoría de las organizaciones están construyendo hoy sin gestionar como riesgo estratégico. Cuando el cómputo se vuelve el prerrequisito de existencia y ese prerrequisito está en manos de tres actores que pueden cambiar sus términos unilateralmente, las empresas que no tienen una política explícita frente a esa dependencia no están delegando una decisión técnica. Están cediendo una posición que después no se recupera con velocidad.
