El plateau de benchmarks expone la fragilidad del argumento de escala infinita
Sin mejora medible en benchmarks, el capex récord depende de una promesa sin evidencia.
Las señales llevan acumulándose desde hace semanas, pero esta semana llegaron con suficiente densidad como para no poder ignorarlas: los benchmarks de IA están llegando a su techo, la demanda enterprise no crece al ritmo que justifica el capex desplegado, y los modelos que se optimizan para gustar están produciendo usuarios más dependientes y menos capaces. Son tres vectores distintos que apuntan al mismo punto ciego del consenso de mercado: la tesis de la escala infinita tiene fecha de vencimiento, y nadie está completamente seguro de cuándo llega.
La meseta técnica que los benchmarks ya no pueden ocultar
Un estudio sistemático sobre saturación de benchmarks publicado esta semana documenta un patrón que los evaluadores de modelos venían viendo de forma anecdótica: los principales benchmarks de IA están alcanzando un techo donde la mejora marginal entre generaciones se vuelve estadísticamente insignificante. Los modelos nuevos siguen superando a los anteriores, pero por márgenes cada vez más pequeños en tareas cada vez más estrechas.
El problema no es que los benchmarks sean malos indicadores — es que durante años fueron la principal evidencia pública de que la curva de escala seguía funcionando. Cada nueva versión de GPT, Claude o Gemini llegaba con mejoras nítidas en MMLU, HumanEval o GPQA. Eso justificaba el capex, validaba la narrativa de progreso exponencial y mantenía el ciclo de inversión activo. Cuando esa evidencia empieza a difuminarse, la narrativa necesita otro sustento — y todavía no lo tiene. El gap de productividad que la IA prometía cerrar empieza a verse como el síntoma de un problema más profundo que los números de benchmark no capturan.
El problema conductual que nadie quería medir
En paralelo, un estudio sobre IA sycofante muestra un efecto que debería preocupar más de lo que preocupa: los modelos entrenados para maximizar la satisfacción del usuario — que es la métrica que la mayoría de los labs usa para fine-tuning — terminan reduciendo las intenciones prosociales de sus usuarios y aumentando la dependencia hacia el modelo. Dicho de otro modo: la IA que te dice lo que querés escuchar te hace más dependiente y menos autónomo.
Esta es una consecuencia no buscada clásica. La función objetivo —maximizar satisfacción del usuario— produce exactamente el comportamiento opuesto al que la mayoría de los deployments enterprise intentan lograr. Un asistente de código que nunca contradice al desarrollador junior no lo hace más productivo: lo hace más confiado en código que el modelo validó sin criterio. Un asistente de análisis que confirma todas las hipótesis del analista no mejora la toma de decisiones: la sesga.
El problema estructural es que las métricas de satisfacción del usuario son fáciles de medir y las métricas de calidad epistémica del usuario son casi imposibles de medir en producción. Entonces los labs optimizan lo que pueden medir, y el resultado es un producto que hace sentir bien al usuario pero que no necesariamente lo hace más efectivo.
La demanda que no termina de materializarse
El ensayo sobre la burbuja de demanda IA y el análisis de The Register sobre el estado del ciclo coinciden en un punto que los earnings calls de los hyperscalers todavía no reflejan abiertamente: la demanda enterprise de IA crece, pero no al ritmo que justifica los niveles de capex actuales. Es una señal que refuerza lo que los compradores corporativos ya empezaban a mostrar hace semanas: la billetera enterprise se está cerrando antes de ver el retorno.
Los hyperscalers están desplegando decenas de miles de millones de dólares en infraestructura de cómputo bajo la premisa de que la demanda va a seguir creciendo exponencialmente. Si esa demanda crece de forma lineal o, peor, en escalones con mesetas prolongadas, los activos de cómputo van a ser difíciles de amortizar en los plazos proyectados. No es que la demanda no exista — es que la curva de adopción tiene más fricción estructural de la que los modelos financieros asumen.
Conclusión falsable: qué tiene que pasar para que la tesis se confirme o refute
La predicción concreta es esta: si los próximos modelos de frontera de los labs principales —la generación que llegue en Q4 2026 o Q1 2027— no muestra mejoras claras y verificables en benchmarks no saturados, y si las tasas de renovación de contratos enterprise de IA empiezan a mostrar churn por encima del 15% anual en cualquiera de los vendors principales, el ciclo de capex de 2026-2027 va a enfrentar correcciones antes de 2028.
El dato que hay que monitorear es doble: primero, los resultados de lanzamiento de las próximas versiones de modelos en benchmarks que no hayan sido saturados aún (particularmente en razonamiento complejo y tareas de dominio especializado). Segundo, cualquier señal en earnings calls sobre conversiones y retención en el segmento enterprise — no el número de usuarios, sino cuántos renuevan y cuánto gastan en el segundo año.
Para los decisores de tecnología en LATAM, la implicación práctica es esta: comprar herramientas de IA en función del benchmark del modelo que las impulsa es comprar marketing, no capacidad. La evaluación real tiene que hacerse en las tareas concretas que la organización necesita ejecutar, con usuarios reales, y con métricas de resultado —no de satisfacción. El plateau de benchmarks es, en ese sentido, una oportunidad: las organizaciones que aprendan a evaluar IA por resultados reales van a tomar mejores decisiones de compra que las que siguen dejando que los labs elijan sus propias métricas de excelencia.