McKinsey, la reconocida consultora estratégica estadounidense, lanzó en septiembre su más reciente informe anual de tecnología, titulado Technology Trends Outlook 2026. En la introducción se lee una frase que condensa la paradoja actual de la inteligencia artificial: «Su velocidad es también su mayor obstáculo».
Esta afirmación contrasta con el discurso habitual. El 2 de septiembre, Sam Altman, director ejecutivo de OpenAI, declaró ante los ministros del G20 que las tareas que una empresa nueva solía completar en tres meses ahora pueden resolverse en aproximadamente 17 minutos.
Sin embargo, esa aceleración choca con una realidad inalterable. Todo lo que la inteligencia artificial agiliza termina topeando con procesos que mantienen su ritmo tradicional: un ensayo clínico, un permiso de construcción, la instalación de un transformador eléctrico. Ahí se genera la espera, y cualquiera que haya realizado un trámite burocrático comprende la dinámica.
El descubrimiento se acelera, la validación no
En el sector farmacéutico, según el documento, la IA ya es capaz de proponer miles de candidatos a medicamento en el tiempo que antes se requería para generar apenas un puñado. Lo que no logra comprimir son los largos años de validación en laboratorio, los ensayos clínicos con pacientes y la revisión de las agencias reguladoras.
De acuerdo con el mismo informe, llevar un fármaco desde el descubrimiento hasta el mercado todavía demanda más de 10 años y una inversión de entre USD 1.300 millones y USD 2.600 millones, con elevadas tasas de fracaso. McKinsey reconoce que los medicamentos desarrollados con inteligencia artificial han mostrado hasta ahora resultados clínicos limitados, aunque los laboratorios siguen apostando fuertemente por esta vía.
El informe añade un efecto colateral que no aparece en los folletos promocionales: en muchos casos, la IA intensifica el embudo, porque genera más candidatos prometedores de los que el sistema actual puede probar.
El cuello de botella eléctrico: un transformador de dos años de espera
La segunda gran barrera es energética. McKinsey proyecta que la demanda de electricidad de la infraestructura de IA en Estados Unidos pasará de unos 30 gigavatios en 2025 a más de 90 gigavatios en 2030, el equivalente al consumo actual de todo el estado de California. Los centros de datos representarían el 14% de la demanda eléctrica del país, frente al 3% que suponían en 2022.
Generar esa energía es la parte menos compleja. El problema es que un centro de datos se construye mucho más rápido que las líneas de transmisión, las subestaciones y los transformadores que deben alimentarlo. En muchos mercados, un transformador tiene un tiempo de espera superior a dos años.
La Agencia Internacional de Energía reportó en febrero más de 2.500 gigavatios de proyectos paralizados en todo el mundo, incluyendo renovables, baterías y grandes consumidores, que esperan conexión a la red eléctrica.
Quien tiene recursos puede saltarse la fila. El 22 de junio, la petrolera Chevron anunció un acuerdo a 20 años con Microsoft: una central eléctrica a gas de aproximadamente 2,67 gigavatios en el oeste de Texas, destinada exclusivamente a un centro de datos. La primera entrega está prevista para 2028, y Chevron aún debe confirmar la inversión final.
Las emisiones totales de Microsoft aumentaron un 25% en su último año fiscal, impulsadas por la expansión de sus centros de datos y por un cambio en la forma de contabilizar la energía renovable que adquiere, según informó la propia compañía.
En algunas regiones, añade McKinsey, la demanda de estos centros ya ha contribuido a incrementos notables en el precio de la electricidad. El informe no especifica quién asumirá el costo de los nuevos cables y la infraestructura necesaria.
Más código no equivale a más productos
En el ámbito donde la IA ha avanzado más, la programación de software, el patrón se repite. Un estudio de los economistas Mert Demirer, Leon Musolff y Liyuan Yang, publicado por la Oficina Nacional de Investigación Económica de Estados Unidos (NBER) y actualizado en septiembre, analizó a más de 500.000 programadores a lo largo de tres generaciones de herramientas de inteligencia artificial.
Con las herramientas más autónomas, la actividad de escritura de código se disparó un 240%. Sin embargo, los productos lanzados al mercado aumentaron apenas un 30%. En las tiendas de aplicaciones, los investigadores encontraron muchos más títulos nuevos, pero sin ningún incremento en el uso total por parte de los usuarios.
Escribir código dejó de ser el cuello de botella. Ahora las tareas de revisión, prueba y puesta en marcha de lo escrito siguen recayendo en personas, y McKinsey advierte que las empresas se están llenando de código frágil que nadie ha tenido tiempo de verificar adecuadamente.
El diagnóstico viene de quien ofrece la cura
Vale la pena leer el informe teniendo en cuenta quién lo elabora. McKinsey vive de asesorar a empresas en la adopción de tecnología, y un escenario donde el principal límite es la capacidad de absorción es precisamente el que más demanda sus servicios. Su recomendación —rediseñar la operación desde adentro— es también su catálogo de servicios.
Eso no invalida el diagnóstico. Los números que lo respaldan provienen de la Agencia Internacional de Energía, de economistas académicos y de contratos anunciados por las propias empresas.
Lo que queda sin resolver, a mi juicio, es otra cuestión: la fila no es igual para todos. Una gran tecnológica puede comprar una central eléctrica completa para sus centros de datos. Un ensayo clínico, en cambio, no tiene un carril rápido disponible a ningún precio.
La inteligencia artificial ha dejado de competir contra sus propios límites técnicos. Ahora compite contra un transformador con dos años de espera, contra un regulador con su propio calendario y contra un paciente al que hay que observar durante años. El ritmo de una tecnología lo impone el eslabón más lento de la cadena.
Fuente: Infobae