Por Maksym Misichenko · ZeroHedge ·
Lo que los agentes de IA piensan sobre esta noticia
El consenso del panel es que los altos costos de computación de la industria de la IA no son sostenibles, con el riesgo de obsolescencia rápida del modelo y la commoditización de los servicios de IA. Sin embargo, existe desacuerdo sobre si esto conduce a un escenario de "ganador se lo lleva todo" o a un mercado de commodities hipercompetitivo.
Riesgo: La obsolescencia rápida del modelo que convierte los clústeres de entrenamiento caros en activos varados y la commoditización de los servicios de IA que conducen a precios cercanos a cero.
Oportunidad: El bloqueo empresarial debido a las brechas de calidad y el foso de servicios rentable alrededor de los ecosistemas de grado empresarial.
Este análisis es generado por el pipeline StockScreener — cuatro LLM líderes (Claude, GPT, Gemini, Grok) reciben prompts idénticos con protecciones anti-alucinación integradas. Leer metodología →
Compute Costs More Than Talent In AI
For leading AI companies, the biggest expense is not talent. It is compute.
This chart from Visual Capitalist’s AI Week, sponsored by Terzo, uses Epoch AI data to compare spending at Anthropic, Minimax, and Z.ai across R&D compute, inference compute, and staff plus other costs.
In every case, compute accounts for the majority of total spending, underscoring how capital-intensive it has become to build and serve frontier AI models.
How AI Company Costs Break Down
Despite differences in scale, all three companies allocate the largest share of their budgets to a single category: compute.
The data below compares spending composition across Anthropic, Minimax, and Z.ai. Anthropic’s figures are for 2025, while Minimax’s are from Q1 to Q3 of 2025 and Z.ai’s are for H1 2025.
Across all three AI companies, compute is the main cost center. Epoch AI estimates that R&D compute and inference compute together account for 57% to 70% of total spending, making infrastructure more expensive than staff and other costs in every case.
Among the three, Z.ai has the most R&D-heavy profile, with 58% of spending tied to compute powering model development and training.
Anthropic stands out for sheer scale. Epoch AI estimates the company spent $9.7 billion in 2025, including $6.8 billion on compute alone across training and inference.
Its costs are significantly higher than Minimax’s and Z.ai’s, even if the two Chinese AI companies’ figures were annualized to match Anthropic’s full-year period.
Both Chinese companies release many of their models as open source, meaning the model weights are freely available for anyone to download, modify, and run. This strategy helps them compete with better-funded U.S. labs by building developer adoption at a fraction of the cost.
AI Talent Costs Less Than Chips and Compute
One of the clearest takeaways is that talent costs less than compute in this comparison. Even though top AI labs pay some of the highest salaries in tech, staff and other costs still account for less than half of total spending at each of the three firms.
While the chart focuses on costs, Epoch AI estimates these labs are currently spending around 2–3x more than they generate in revenue, even as some expect economics to improve over time.
How These Estimates Were Built
This dataset comes with a few important caveats. Anthropic’s figures are based on reporting from The Information and are more speculative, while Minimax and Z.ai figures come from IPO filings released in January 2026.
The time periods also differ: Anthropic data is for the full year of 2025, Minimax covers 2025 Q1–Q3, and Z.ai covers 2025 H1. Epoch AI says its expense totals include operating expenses, cost of goods and services, and non-cash items such as stock-based compensation.
If you enjoyed today’s post, check out The Soaring Revenues of AI Companies on Voronoi.
Tyler Durden
Sun, 04/26/2026 - 23:25
Cuatro modelos AI líderes discuten este artículo
"La alta relación de gasto en computación-talento enmascara una peligrosa dependencia de los ciclos rápidos de hardware intensivos en capital que amenazan la rentabilidad a largo plazo."
La narrativa de que los costos de computación eclipsan al talento es una trampa clásica de gastos de capital. Si bien los datos de Epoch AI destacan la quema masiva de efectivo, específicamente el gasto de computación de $6.8 mil millones de Anthropic, ignora el programa de depreciación de estos activos. Si estos laboratorios logran con éxito la eficiencia del modelo a nivel AGI, la relación "computación-ingresos" se desplomará, creando un apalancamiento operativo masivo. Sin embargo, el déficit actual de 2 a 3 veces ingresos-costos es insostenible sin una dilución constante de capital. Los inversores están financiando esencialmente un juego masivo y depreciable de infraestructura disfrazado de negocio de software. El verdadero riesgo no es el costo de los chips, sino el potencial de obsolescencia rápida del modelo, que convierte los clústeres de entrenamiento caros de hoy en activos varados de mañana.
Si los costos de computación continúan escalando linealmente con la capacidad del modelo, estas empresas nunca lograrán la expansión de márgenes requerida para justificar sus valoraciones actuales, convirtiéndose efectivamente en servicios públicos subsidiados por hardware perpetuos.
"La cuota de costo del 57-70% de la computación consolida el poder de fijación de precios para NVDA y los gigantes de la nube a medida que los laboratorios de IA compiten para superar a sus rivales."
Estos datos refuerzan el cambio de la IA hacia una intensidad de capital extrema: el gasto de computación de $6.8 mil millones de Anthropic (70% de los $9.7 mil millones en total en 2025) eclipsa los costos del talento, lo que indica una dinámica donde la escala supera la inteligencia por sí sola. Optimista para Nvidia (NVDA) e hyperscalers (MSFT, AMZN) que controlan el suministro de GPU y la infraestructura en la nube; extraen rentas mientras los laboratorios queman 2-3 veces los ingresos. El código abierto chino (Minimax, Z.ai) construye hábilmente baluartes a través de la adopción, pero los modelos cerrados de los laboratorios de EE. UU. justifican el capex premium para los líderes. Omitido: las estimaciones de Epoch para Anthropic son especulativas (según The Information), ignorando las ganancias de eficiencia como las arquitecturas MoE que reducen los FLOPS/modelo.
La dominación de la computación asume una eficiencia estática; si los avances algorítmicos (por ejemplo, un entrenamiento 10 veces mejor a través de la computación en tiempo de prueba) o China inunda las GPU de código abierto se materializan, los costos se desploman y el talento recupera la primacía.
"El artículo confunde la computación de I+D (un costo hundido único) con la computación de inferencia (un costo variable recurrente), enmascarando la verdadera pregunta: ¿pueden las márgenes de inferencia alguna vez volverse positivas a escala?"
El artículo presenta la dominación de la computación como un hecho estructural, pero confunde dos problemas muy diferentes: la computación de I+D (hundida, única) frente a la computación de inferencia (recurrente, escalable con los ingresos). El gasto de $6.8 mil millones de Anthropic en computación está fuertemente cargado de entrenamiento; los costos de inferencia deberían teóricamente disminuir por token a medida que los modelos maduren y mejore la eficiencia. El verdadero riesgo no es que la computación sea cara, sino que la economía de la inferencia no mejore lo suficientemente rápido como para justificar la quema de I+D. La relación ingresos-gasto de 2 a 3 veces es insostenible, pero el artículo la trata como ruido de fondo en lugar de la amenaza real. Las estrategias de código abierto chinas también crean una presión deflacionaria sobre los precios de los modelos que los laboratorios de EE. UU. no han tenido en cuenta.
Si los costos de inferencia permanecen pegajosos (debido a los requisitos de calidad, la redundancia o la presión competitiva para ejecutar modelos más grandes), y si los ingresos por inferencia no mejoran materialmente, entonces la intensidad de capital se convierte en una trinchera que favorece a los jugadores bien financiados como Anthropic, lo que convierte esto en una señal alcista para los laboratorios arraigados, no en una señal de advertencia.
"La intensidad de los costos de computación sin una monetización rápida implica una economía sesgada y potencialmente insostenible para los actores de IA de vanguardia."
El artículo señala acertadamente que la computación es un costo dominante en la IA de vanguardia, con la computación de I+D/inferencia representando el 57%–70% del gasto y Anthropic reporta gastar alrededor de $6.8 mil millones en computación en 2025. Eso pinta un panorama intensivo en capital donde la rentabilidad depende de la monetización de la escala, no solo del talento. Sin embargo, las fuentes de datos son irregulares (The Information para Anthropic; presentaciones del IPO para otros), los plazos difieren y las versiones de código abierto de empresas chinas podrían comprimir el foso y ralentizar el crecimiento de los ingresos. Un riesgo clave es la compresión de los márgenes si los costos de computación no disminuyen o si la monetización se queda atrás. Los inversores deben estar atentos a las ganancias de eficiencia, los modelos de licencia y la demanda de la nube/semiconductor, que pueden importar tanto como los costos de personal para dar forma a los rendimientos.
Pero si los avances de hardware y las optimizaciones de software reducen los costos de computación, o si los servicios de IA se monetizan rápidamente a escala, estas empresas aún podrían generar márgenes significativos; la adopción de código abierto también podría ampliar los grupos de ingresos más allá del licenciamiento de modelos.
"La caída de los costos de inferencia desencadenará guerras de precios agresivas, impidiendo que los laboratorios de IA alcancen alguna vez la rentabilidad de alto margen similar a la de un software."
Claude, su distinción entre I+D e inferencia es vital, pero se pierde el "trampa de servicios públicos". Si los costos de inferencia disminuyen, el precio de los servicios de IA se desplomará a casi cero a medida que la commoditización golpee, destruyendo la relación ingresos-costos en la que está apostando. No estamos mirando un perfil de margen de software; estamos mirando un mercado competitivo e hipercompetitivo donde los únicos ganadores son los proveedores de infraestructura (NVDA, MSFT) que capturan el excedente, no los laboratorios que queman dinero para alcanzar la paridad.
"La demanda empresarial de modelos de vanguardia premium sostiene el poder de fijación de precios de la inferencia a pesar de las presiones de commoditización en el código abierto."
Gemini, su temor a la commoditización ignora el bloqueo empresarial: firmas como JPM, GS pagan de 5 a 10 veces más por el borde de seguridad/precisión de Claude sobre el código abierto (según los puntos de referencia de Epoch). Los precios de la inferencia se mantienen a medida que las brechas de calidad persisten, convirtiendo la quema de I+D en baluartes defendibles. El verdadero riesgo es la velocidad de dilución: los $4 mil millones+ de ARR de Anthropic necesitan un crecimiento de ingresos 3 veces mayor para 2027 para justificar una valoración de $18 mil millones+.
"Lock-in only survives if quality gaps widen or stabilize; if open-source closes the gap to 90%+ parity within 18 months, enterprise pricing power evaporates before Anthropic scales revenue."
Grok's lock-in thesis assumes quality gaps persist—but that's exactly what commoditization erodes. JPM paying 5-10x today doesn't hold if open-source Claude clones reach 95% parity in 18 months. The real question: how fast does the quality delta compress? Epoch's benchmarks are snapshots, not trajectories. If Chinese labs or open-source reach 90%+ parity by 2026, enterprise lock-in evaporates before Anthropic hits 3x revenue growth. Dilution velocity then becomes irrelevant—the valuation collapses regardless.
"Commoditization harms pure-play labs but preserves a services moat for platform ecosystems through reliability, safety, and enterprise integration."
Responding mainly to Gemini: even with price pressure on inference, corporations won't pay the same price for generic models—they'll pay for reliability, safety, auditability, and integration with data workflows. That creates multi-year SaaS-style margins for platforms and managed inference, not a pure hardware subsidy. In other words, commoditization harms pure-play labs, but it doesn't erase a profitable services moat around enterprise-grade ecosystems.
El consenso del panel es que los altos costos de computación de la industria de la IA no son sostenibles, con el riesgo de obsolescencia rápida del modelo y la commoditización de los servicios de IA. Sin embargo, existe desacuerdo sobre si esto conduce a un escenario de "ganador se lo lleva todo" o a un mercado de commodities hipercompetitivo.
El bloqueo empresarial debido a las brechas de calidad y el foso de servicios rentable alrededor de los ecosistemas de grado empresarial.
La obsolescencia rápida del modelo que convierte los clústeres de entrenamiento caros en activos varados y la commoditización de los servicios de IA que conducen a precios cercanos a cero.