Naveen Rao, de Unconventional AI: La capacidad de energía de reserva en EE. UU. se agotará en pocos años y las próximas ganancias de eficiencia vendrán del diseño conjunto de modelo y máquina, no del silicio
Entrevista en pódcast con el fundador de Unconventional AI, 24 de octubre de 2026
Naveen Rao, fundador de Unconventional AI, sostiene que la expansión de la inteligencia artificial está a punto de toparse con un límite físico infranqueable. Estados Unidos ha estado alimentando los centros de datos con el margen excedente de la red eléctrica existente, y prevé que ese margen desaparezca "en los próximos años". Rao vendió MosaicML a Databricks por $1.300 millones. Desde entonces, Unconventional AI ha captado cientos de millones de dólares, la última vez con una valoración que el presentador situó cerca de los $5.000 millones. En una amplia conversación en pódcast, Rao también expuso los argumentos técnicos de por qué el enfoque de su empresa en el diseño de chips priorizando la energía tiene recorrido más allá del fin del escalado físico.
La energía fácil ya se ha agotado
El argumento central de Rao sobre la energía es que los inversores tratan los gigavatios como una abstracción. Citó cifras de la industria de aproximadamente $50.000 millones para construir un gigavatio de capacidad, frente a los $20.000 millones o $30.000 millones necesarios para una fábrica de semiconductores de vanguardia. "La gente anda soltando la palabra gigavatio como si fuera fácil", afirmó. "Muchachos, esto no es fácil".
Según Rao, hasta ahora la industria ha encontrado electricidad operando la infraestructura existente a una mayor tasa de utilización. La red eléctrica de EE. UU. genera un promedio de unos 900 gigavatios, pero puede alcanzar picos de entre 1,2 y 1,3 teravatios, y esa diferencia es la que han venido absorbiendo los centros de datos. Espera que ese colchón se agote pronto, momento en el cual el crecimiento de la oferta convergerá al ritmo de la nueva construcción. Se mostró escéptico ante las afirmaciones de que EE. UU. podría añadir 40 gigavatios en un año: "Nunca hemos hecho eso". Diez gigavatios serían un resultado sólido, y estimó que esto requiere un gasto de alrededor de medio billón de dólares.
Señaló que China superó a EE. UU. en capacidad total en 2023 tras construir a un ritmo unas seis veces más rápido durante dos décadas. Reconoció las ventajas de la planificación centralizada para el despliegue de infraestructuras, pero argumentó que EE. UU. mantiene la ventaja en la innovación de vanguardia.
Rao percibe indicios tempranos de tensiones en los precios. Los acuerdos detrás del contador son personalizados, por lo que no maneja cifras exactas, pero afirmó que los compradores están pagando muy por encima de las tarifas estándar de la red, lo que crea un mercado de dos niveles en el que la electricidad vale más para los centros de datos que para los usuarios generales. Citó su propio cálculo aproximado y reconocido como inventado de que la capacidad de cómputo puede venderse a unas 5 veces el coste de la electricidad subyacente, lo que permitiría a un operador pagar entre un 30% y un 40% más por la energía y aun así obtener márgenes atractivos. Se mostró cauteloso sobre el proyecto multimillonario en gigavatios de Bloom Energy en Arizona, al señalar que "si eso funciona, es increíble", pero que "aún no se ha demostrado realmente" y su economía difiere radicalmente de la energía de la red.
En cuanto a si esto indica una burbuja de IA, Rao afirmó que la retirada del entusiasmo impulsado por deuda es "un bache. No es que esté estallando ningún tipo de burbuja". Admitió estar "bastante convencido de la IA" y que la verdadera prueba es la demanda de servicios de inteligencia artificial, la cual considera que apenas se ha empezado a rascar.
Las ganancias de eficiencia han ascendido en la pila tecnológica
El marco técnico más útil surgió cuando Rao describió tres capas de eficiencia informática. La primera es la física, que abarca la ley de Moore y el escalado de Dennard. Afirmó que esas ganancias "se han detenido en gran medida", y que las últimas generaciones de GPU muestran escasas mejoras procedentes del propio silicio. La segunda capa es la arquitectura informática, donde la mayoría de los recientes avances provinieron de reducir los tipos de datos de 32 bits a 16, 8 y 4 bits. La tercera, que calificó de prácticamente inexplorada, consiste en hacer cumplir la localidad y reducir el movimiento de datos a nivel de modelo.
Rao indicó que su mayor arrepentimiento de hace dos años es no haber dimensionado cuánta "alfa" queda en la capa superior. El cambio radica en que un ordenador puede tratarse ahora como un dispositivo construido exclusivamente para proporcionar inteligencia, de modo que el modelo, la arquitectura y las capas físicas pueden diseñarse conjuntamente. "No tratamos el modelo como algo sacrosanto, y nuestra mentalidad prioriza la energía, lo que significa que todo lo que hacemos tiene que darnos una ventaja energética", aseguró. Señaló que esto difiere de todas las generaciones informáticas anteriores, diseñadas en función de la velocidad, un linaje que remontó hasta el ENIAC.
Sostuvo que las mejoras puramente de software están limitadas por el hardware subyacente. La dispersión (*sparsity*) es su ejemplo: una GPU con memoria externa estándar puede capturar ciertos beneficios, pero las ganancias son limitadas porque el hardware no fue diseñado para ello. El hardware construido para explotar la dispersión, tal como evolucionó el cerebro para hacerlo, podría generar "ganancias masivas". Espera que esto impulse una continua especialización de los chips para cargas de trabajo específicas, mencionando a Etched, Fractile, Olix y Cerebras entre otras empresas que persiguen este objetivo.
Por qué Rao no cree que los chips se vayan a estandarizar como productos básicos
Al ser consultado sobre si la especialización amenaza el mercado direccionable de Nvidia, Rao elogió a la compañía por su excelente ejecución y por reconocer anticipadamente la importancia de la inteligencia artificial. Señaló que Jensen Huang ya hablaba de inteligencia artificial en la conferencia GTC de 2014, para irritación de los especialistas en gráficos. No vio los chips personalizados de los gigantes tecnológicos de la nube (*hyperscalers*) como evidencia de una mercantilización (*commoditization*). Su razonamiento es que la inteligencia tiene una demanda efectivamente infinita debido a que el mundo es adversarial, que la energía debe convertirse en inteligencia y que el hardware —es decir, los chips, sistemas, la nube y las redes— constituye el mecanismo de conversión. "Cuanto mejor hago eso, más valor acumulo".
Fue más sincero acerca de dónde se está produciendo la mercantilización. La energía ya es un bien básico (*commodity*). Una parte de la inteligencia está siguiendo el mismo camino, debido a que los modelos abiertos, incluidos los chinos, con seis meses de antigüedad siguen siendo "bastante buenos", y la vanguardia alcanza a los modelos abiertos dentro de ese margen temporal. Trazó la analogía con los tomates: un producto mercantilizado pero que sigue constituyendo un gran mercado, con márgenes a la baja. Nvidia, afirmó, se lleva la mayor parte del margen en toda la pila tecnológica hoy en día, y no espera que las empresas de modelos lo acaparen.
Para los proveedores de inferencia como Fireworks y Baseten, Rao anticipa que el precio por *token* caerá y los márgenes se comprimirán, dado que adaptan modelos abiertos a un hardware y el modelo en sí mismo es un producto básico. Su conclusión: "De hecho, pienso que el hardware es el lugar donde hay que estar durante los próximos 10 años".
Tamaño del mercado, modelos abiertos frente a cerrados y lo que Rao considera sobrevalorado
Rao afirmó que el mercado de la inferencia alcanzará los $10 billones en un plazo de 10 años, y que los propios modelos de IA constituirán un mercado de un billón de dólares en pocos años. Invocó la paradoja de Jevons: un aumento de 10 veces en la eficiencia de entrega de *tokens* multiplica el mercado aproximadamente por 10 debido a que se expande la base de aplicaciones. Fue más allá respecto a la robótica, al afirmar que será "100 veces más grande" que la programación de software, ya que el mundo físico permanece inalterado por la inteligencia. Los robots industriales actuales, indicó, son rutinarios en lugar de inteligentes. Espera prototipos funcionales en dos o tres años y un mercado real en un plazo de cinco a siete. Invierte en la pila tecnológica en lugar de en aplicaciones, prevé que los desarrolladores de modelos terminen vendiendo dispositivos integrados de extremo a extremo, y comentó que le interesan más las empresas que resuelven "la conversión de una tarea en salida motora", como Physical Intelligence.
En cuanto a la combinación de *tokens*, pronosticó que el 80% del tráfico de *tokens* fluirá a través de modelos abiertos en un plazo de tres años, pero que el gasto se dividirá aproximadamente al 50%. Utilizó la analogía de los teléfonos inteligentes: Apple posee alrededor del 20% de las unidades pero el 80% del margen, y los modelos de vanguardia exigirán precios prémium para una pequeña cantidad de problemas complejos, mientras que las tareas rutinarias recaerán en los modelos abiertos.
Se mostró negativo respecto a dos categorías. La automatización de atención al cliente —una "labor estándar realizada por humanos" que las *startups* intentan automatizar— es "el peor lugar para invertir ahora mismo". También tachó las herramientas de programación basadas en agentes (*agentic coding tools*) de "bastante sobrevaloradas" como mercado independiente, argumentando que el valor se acumula en los proveedores de modelos y que las interfaces de integración y los entornos de desarrollo (*IDEs*) carecen de retención (*stickiness*). "La gente se mueve entre estas opciones con bastante fluidez". Reconoció la salida al mercado de Cursor, pero insistió en que lo que importa es el modelo.
La verificación, no la creación, es el nuevo cuello de botella
Rao indicó que la IA ha abaratado enormemente la exploración de ideas. Una cuestión de propagación de ruido que antes le tomaba a su equipo de investigación dos semanas ahora requiere una hora. No obstante, advierte un "problema de basura generada por IA" (*AI slop problem*) en el que el volumen de producción supera la capacidad de verificarla. "Hemos desplazado el problema de la producción a la verificación". Advirtió que poseer la verificación no significa por sí solo poseer la producción, ya que la especificación y el proceso de extremo a extremo también importan.
Considera que las decisiones de los agentes aún no merecen la confianza depositada en los expertos humanos. Los modelos son estocásticos, el mecanismo para seleccionar un buen resultado entre muchos no se comprende del todo en las distintas tareas, y las largas cadenas de decisiones pueden parecer sólidas a la vez que son "completamente erróneas". Prevé unos cuantos avances más antes de que eso cambie y, a la larga, espera que las personas confíen más en sus agentes que en sí mismas.
Laboratorios, aprendizaje por refuerzo y la visión posterior al Transformador
Rao argumentó que los datos y el currículo de entrenamiento, y no la arquitectura, han impulsado la mayoría de las ganancias recientes en capacidades, y que la secuencia desde el preentrenamiento hasta el aprendizaje por refuerzo y el ajuste fino (*fine-tuning*) es "la fórmula secreta". Afirmó que los proveedores de datos se están especializando en lugar de mercantilizarse a medida que avanzan hacia conjuntos de datos de mayor calidad. Fue sincero al señalar que el aprendizaje por refuerzo es menos eficiente por unidad de cómputo o dólar que el preentrenamiento. Su valor radica en que funciona con recompensas verificables en tareas donde no es posible recopilar datos a escala.
Sugirió que los grandes laboratorios no están asumiendo riesgos arquitectónicos profundos porque un retraso de un mes en un modelo constituye un "desastre". Citó a xAI, que alcanzó la vanguardia rápidamente mediante contratación y ejecución, como evidencia de que el trabajo se asemeja más a la integración que a la invención. Espera que una innovación más profunda provenga de *startups*, como las lideradas por Yann LeCun y Fei-Fei Li, y que las grandes empresas las adquieran, al igual que ocurre en el desarrollo farmacéutico. Asimismo, afirmó que la industria dejará atrás al transformador (*transformer*), al que calificó como una forma ineficiente de alcanzar el razonamiento debido a que se basa en el muestreo y la comparación de múltiples trazas.
Software, servicios y empleos
Rao pronunció la frase más contundente sobre inversión: "Si eres un inversor de software puro, estás jodido" (*f***ed*). Argumentó que el auge del SaaS desde aproximadamente 2010, construido sobre la distribución sin fricciones, está llegando a su fin a medida que las aplicaciones pasan a centrarse en la capa de inteligencia, y no ve al software como un mercado descomunal dentro de 20 años. Lo que lo sustituirá, a su juicio, son negocios basados en resultados que combinan la inteligencia artificial con humanos, con Harvey como el primer ejemplo en el sector legal. Concedió el punto del entrevistador de que esto representa, en gran medida, una versión mejorada de una empresa de servicios. Se mostró escéptico de que la mayor parte de las empresas vayan a construir sus propios modelos a partir de datos propietarios, tildando esa idea de "un poco tecno-optimista" porque requiere una escala de la que solo disponen las grandes corporaciones.
Respecto a si la IA reduce el gasto en desarrolladores, Rao espera que los presupuestos se mantengan estables mientras la producción aumenta. Los clientes exigirán la corrección de errores en una semana y luego en una hora, y los humanos seguirán siendo necesarios para verificar. Comparó esto con los robots que reducen la construcción de rascacielos de dos años a ocho meses, escenario en el cual la industria construye el doble de rascacielos en lugar de la misma cantidad más rápido.
Repensar el riesgo de capital de riesgo
Rao indicó que el cambio más significativo en su forma de pensar durante el último año se refiere a las métricas de inversión. La validación de mercado es un hábito de la era del SaaS, argumentó, y para los problemas de tecnología profunda (*deep-tech*) donde la demanda es obvia —como la computación, la robótica y la biología—, lo que cuenta es el progreso en el desafío técnico. "El mercado está clarísimamente ahí". Reconoció que los inversores de crecimiento que tachan esto de carente de disciplina forman un bando, mientras que Unconventional AI se sitúa firmemente en el otro. Añadió que cuando el mercado alcanza una escala de billones de dólares, "el precio es casi irrelevante".
Al ser preguntado sobre qué haría con recursos ilimitados, respondió que construiría su propia manufactura, acercándose a las materias primas y diseñando fábricas de semiconductores adaptadas a sus propias necesidades en lugar de adoptar un proceso estandarizado. Comparó esto con lo que hace Elon Musk. Asimismo, opinó que la base de inversores en Europa es demasiado conservadora como para respaldar ideas ambiciosas, lo cual, a su entender, genera allí una "mercantilización de las ideas".