Big Tech oculta $1,65 billones de deuda para sostener la apuesta de IA

Desde mediados de julio, tres señales apuntaron al mismo patrón con una semana de diferencia entre ellas: la infraestructura de IA de los cinco grandes de tech se financia con deuda que sus estados financieros no reflejan. No es un error contable ni una anomalía puntual — es una decisión estructural de colocar pasivos fuera del balance para que los múltiplos de mercado no los toquen. El problema con esas estructuras, como el mundo aprendió en 2008 con los vehículos de inversión fuera de balance, es que la deuda no desaparece por no aparecer: solo se vuelve invisible hasta que se vuelve urgente.

Lo que ocultan los cinco grandes: $1,65 billones fuera del radar

Los cinco grandes de Silicon Valley — Microsoft, Apple, Alphabet, Meta y Amazon — acumularon $1,65 billones en pasivos opacos directamente vinculados al financiamiento de su infraestructura de IA. El mecanismo incluye arrendamientos operativos de data centers (tratados como gastos, no como deuda) e instrumentos de crédito estructurado que no aparecen en las líneas de deuda de los estados financieros tradicionales.

El resultado: los ratios de apalancamiento que analistas y fondos usan para valuar estas compañías están incompletos. Cuando el mercado mira el balance de Google o Microsoft, no ve el denominador real. Esto no es una trampa contable menor — con compromisos plurianuales de data centers y chips que escalan a decenas de miles de millones por año, la brecha entre deuda declarada y exposición real se amplía con cada ciclo de capex.

La arquitectura de los instrumentos importa. Las NIIF y los GAAP permiten clasificar ciertos compromisos plurianuales como «arrendamientos operativos» en lugar de deuda financiera, manteniéndolos fuera de las métricas clave. Para las big tech, esto no es optimización marginal: es política de capital que permite mantener la imagen de balances sólidos mientras la exposición real crece.

El dinero inteligente ya rotó: de GPUs a chips de inferencia

La siguiente señal del patrón llegó cuatro días antes, el 17 de julio. Los primeros financiadores institucionales de infraestructura de GPU — los fondos que armaron los primeros pools de H100s para alquilar a labs de IA — están migrando hacia préstamos respaldados por chips de inferencia en un deal de $400 millones.

La señal de mercado es precisa: el ciclo de entrenamiento (caro, concentrado, dominado por tres o cuatro actores) está maduro; el ciclo de inferencia (distribuido, volumétrico, computable por token) es donde entra el próximo dólar. Los activos de inferencia generan flujo de caja predecible desde el primer día — cada query tiene precio. Los activos de entrenamiento tienen un perfil de retorno más incierto y están más expuestos a disrupciones de modelos.

Para los grandes tech, esto tiene una implicación directa: el capital que financiaba su entrenamiento va a volverse más selectivo y más caro. Los fondos que conocen el activo están eligiendo exposición más específica. El mercado está empezando a separar el riesgo de entrenamiento del riesgo de inferencia — y las big tech tienen masiva exposición al primero.

Las empresas tampoco saben cuánto gastan: el doble ciego del gasto AI

El problema de visibilidad no es exclusivo del balance de los grandes tech. Un relevamiento entre 107 empresas publicado el 16 de julio documentó que el gasto en infraestructura de IA se acelera sistemáticamente por delante de la capacidad de medirlo. La mayoría opera sobre hyperscalers y APIs de modelos, pero el próximo dólar ya va a infraestructura más opaca — contratos privados de capacidad, modelos on-premise, acuerdos directos con proveedores de chips. Es el mismo patrón de gasto enterprise sin denominador que se repite en todos los sectores.

El resultado es un doble ciego: los directores financieros de las empresas clientes no saben cuánto gastan en IA real; y los inversores de las big tech no saben cuánto deben. Cuando los dos lados de la ecuación tienen el mismo punto ciego, el riesgo sistémico no está priceado — el BIS ya advirtió que el boom AI es un riesgo de crédito sistémico — está simplemente invisible.

Este no es el perfil de un mercado con información correcta. Es el perfil de un mercado donde el capital fluye hacia decisiones que no tienen el denominador completo. La corrección, cuando llega, no es gradual: es una reclasificación masiva.

Tesis falsable: el repricing llega antes de fin de 2027

La predicción concreta es esta: antes de fin de 2027, al menos uno de los cinco grandes tech va a tener que reclasificar pasivos opacos en deuda explícita — ya sea por presión regulatoria de la SEC o la ESMA, ya sea porque un covenant de crédito lo exige al momento de refinanciar. Ese evento va a forzar a los analistas a rehacer sus modelos con el denominador correcto, y la corrección de múltiplos va a ser disruptiva para las carteras que asumieron que los ratios actuales eran completos.

Qué mirar: el primer indicador es el tratamiento contable que la SEC le dé a los compromisos de arrendamiento de Microsoft y Google en las revisiones de los próximos 10-K. El segundo es si alguna calificadora ajusta la perspectiva de deuda de estas compañías antes del próximo ciclo de refinanciación masiva. Para un decisor LATAM con exposición a ETFs o fondos que sobreponderen big tech: la tesis de inversión tiene un supuesto implícito de denominador completo que, si es incorrecto, cambia la valuación. Conviene saber exactamente qué se tiene.