Dustin publicó algo en X que resume mejor la estrategia de IA de Google que cualquier cosa que haya dicho Sundar Pichai en un escenario:

Google escaló su CapEx de $30B a ~$180B. El dinero es la narrativa.

La verdadera señal no vino de una demo llamativa ni de un discurso grandilocuente sobre AGI. Vino de ciento ochenta mil millones de dólares en centros de datos, silicio y fibra óptica.

Mientras las startups necesitan la narrativa de AGI para levantar la siguiente ronda, Google necesita camiones de concreto.

El pasillo que entrenó a todos

El éxodo de talento de Google cuenta una historia que explica gran parte de la situación actual. Demis Hassabis, Jeff Dean, Ilya Sutskever, Dario Amodei. Nombres que hoy lideran proyectos que compiten directamente contra Google. Todos pasaron por el mismo pasillo.

Kyle Westaway en Acquired Briefing lo documentó con detalle: los ocho autores del paper original del Transformer — el que inventó la arquitectura detrás de GPT, Claude, Gemini y prácticamente todos los modelos actuales — terminaron dejando Google. Fundaron OpenAI, Anthropic, Inflection, Cohere. Westaway lo llama una de las mayores fugas de talento e IP en la historia corporativa.

Es difícil exagerar lo que eso significa. Google entrenó a las personas que ahora compiten contra Google. Les dio los datos, el cómputo, la cultura de investigación y el espacio para pensar que produjeron la arquitectura dominante de la era. Y luego los vio irse uno por uno.

Sebastian Mallaby del Council on Foreign Relations tiene una lectura que corrige la narrativa fácil: la jugada brillante de Hassabis no fue inventar AlphaGo. Fue vender DeepMind a Google. Porque Google es la única empresa que genera suficiente efectivo para financiar investigación de IA a escala de nación sin tener que salir a levantar capital cada dieciocho meses.

Google perdió a los inventores. Pero conservó la fábrica. Y ahora está invirtiendo $180B en ampliarla.

Siete generaciones de silicio propio

Cuando alguien dice “infraestructura de IA”, la conversación se va a Nvidia. Y tiene sentido: Nvidia domina el mercado de GPUs para entrenamiento de modelos. Pero Google lleva siete generaciones de procesadores diseñados internamente — los TPU — y los números empiezan a ser difíciles de ignorar.

SemiAnalysis publicó un análisis que debería estar en la mesa de cualquier equipo evaluando infraestructura de IA: el TPUv7 de Google ofrece aproximadamente un 44% menos de costo total de propiedad que el GB200 de Nvidia. No es un benchmark de laboratorio. Es una comparación de costo real para correr modelos en producción.

Y la validación externa ya llegó. Anthropic — el competidor directo de Google en modelos — opera con más de un millón de TPUs. Cuando tu rival usa tu hardware para competir contra ti, tu hardware funciona.

Google también reportó haber reducido el costo unitario de servir consultas de Gemini en ~78% durante 2025, a través de optimizaciones combinadas de TPU y eficiencia de data center. Eso no se consigue comprando GPUs. Se consigue diseñando el stack completo desde el chip hasta el servicio.

Este es el punto que se pierde en la conversación de modelos: el modelo es la mitad del producto. La otra mitad es cuánto cuesta correrlo. Google está ganando esa segunda mitad en silencio, generación tras generación de silicio.

Los escépticos tienen un punto

Analistas como Paul Kedrosky llevan meses cuestionando esta apuesta. Kedrosky es una de las voces que más ha cuestionado el nivel de gasto en infraestructura de IA. Su tesis es directa: esto es una de las cinco mayores burbujas de CapEx en la historia. Como los ferrocarriles del siglo XIX, como la fibra óptica a principios de los 2000.

El dato que ofrece es incómodo: durante el pico de construcción de ferrocarriles, aproximadamente la mitad de las vías construidas terminaron abandonadas. La infraestructura sirvió. El exceso de gasto no. Kedrosky argumenta que el CapEx en IA ya representa cerca del 2% del PIB de Estados Unidos, y que el mercado que inicialmente premió cada anuncio de gasto ya empezó a castigarlo en 2026.

Sequoia Capital planteó lo mismo desde el lado inversor: la “pregunta de los $600B”. Toma los ingresos de Nvidia, multiplica por 2x (porque las GPUs son ~50% del costo total de operación), y calcula la brecha entre lo que se está gastando y lo que la IA realmente está generando en ingresos. La brecha es enorme. No se ha cerrado.

Y a nivel de Alphabet específicamente, Pivotal Research proyecta que el flujo de caja libre podría caer ~90% en 2026 — de $73B a $8.2B — conforme el gasto de capital absorbe márgenes. Eso no es insostenible si la demanda responde. Pero tampoco es cómodo.

Kedrosky y Sequoia apuntan al mismo problema: la desconexión matemática entre la escala de la inversión y los retornos actuales. La infraestructura puede ser útil y aun así estar sobreconstruida.

La burbuja como mecanismo de financiamiento

Jeff Bezos articuló la respuesta más directa a la tesis de Kedrosky. En Italian Tech Week (Turín, octubre de 2025), en conversación con John Elkann, Bezos distinguió entre burbujas financieras — que destruyen — y lo que él llama “burbujas industriales” — que dejan infraestructura útil. Su argumento: vayan a ver qué pasó con la fibra óptica.

Las empresas que tendieron cable de fibra óptica a principios de los 2000 quebraron. Cada una. Literalmente. Pero el cable se quedó enterrado bajo los océanos y a través de los continentes. Amazon, Google, Netflix, cada plataforma de nube y cada servicio de streaming se construyó sobre infraestructura pagada por empresas muertas.

“All of that fiber optic cable that got laid, and by the way, the companies who laid all that cable went out of business. Like literally went bankrupt. But the fiber optic cable was still there. And we got to use it.”

Bezos dice que ese patrón se repite cada vez: los ferrocarriles conectaron un continente, el telégrafo habilitó la comunicación global, la fibra construyó el internet moderno. En cada caso los inversionistas perdieron. En cada caso la civilización ganó. “The ones that are industrial are not nearly as bad, they can even be good,” dijo en el mismo evento.

Los centros de datos no desaparecen cuando el precio de la acción llega a cero. Las GPUs no se evaporan cuando una empresa quiebra. La red eléctrica no se degrada cuando los inversionistas retiran su capital.

Entonces, ¿burbuja o no? Puede ser las dos cosas. Kedrosky puede tener razón sobre el exceso y Bezos puede tener razón sobre el resultado. La infraestructura va a quedarse. La pregunta que importa es otra: quién va a estar parado entre los escombros con un plan.

Lo que un comprador empresarial debería leer

A nivel corporativo, el debate sobre la burbuja pasa a segundo plano. La urgencia de un CTO evaluando proveedores se reduce a algo más básico: ¿este vendor va a seguir existiendo y mejorando dentro de tres años?

Los $180B de Google responden eso de una forma que ningún keynote puede.

Cuando escribí la evaluación del ecosistema de IA de Google para empresas B2B, la preocupación principal era la dispersión de productos. Google tiene más de 25 productos de IA que se solapan. Eso generaba riesgo para el comprador: ¿cuál prioriza Google? ¿Cuál descontinúa? ¿Cuál integra con cuál?

Los $180B cambian esa lectura. No porque la dispersión desaparezca — Google sigue teniendo un ecosistema complejo — sino porque la inversión en infraestructura debajo de esos productos señala que Google no va a abandonar el mercado. Puede descontinuar un producto (ya lo vimos con la velocidad a la que mueven herramientas como Stitch), pero la capa de cómputo, almacenamiento y red debajo no se va a ningún lado.

Ben Thompson en Stratechery argumenta que lo que justifica este nivel de gasto es que la demanda supera la oferta por un margen amplio. Los agentes de IA — que consumen órdenes de magnitud más cómputo que una consulta simple — representan un salto en la demanda de infraestructura. Y los números de Google Cloud lo respaldan: backlog que creció 55% trimestre a trimestre, ingresos que subieron 48% interanual.

Tres señales que un comprador debería evaluar:

La garantía de los $180B. Un proveedor que invierte a esta escala no está probando el mercado. Está comprometido. Si firmas un contrato a tres años con integraciones profundas, la probabilidad de que Google abandone la IA empresarial después de una apuesta así es cercana a cero.

Costos de inferencia más bajos por hardware propio. A diferencia de Azure o AWS, Google diseña sus propios chips. Va por la séptima generación de TPUs, y SemiAnalysis calcula una ventaja de ~44% en costo total frente al estándar de Nvidia. Conforme escales tus cargas de trabajo, esa diferencia se acumula en tu factura mensual.

La fuga de talento, leída con contexto. Perder a los creadores del Transformer fue un golpe duro. Pero también valida que la investigación base de Google era el estándar de la industria. Google ha invertido agresivamente en retención desde entonces, y la fábrica sigue produciendo. La pregunta abierta es si el equipo actual entrega al mismo nivel.

El riesgo real para ti como comprador no es que Google desaparezca. Es el lock-in. Cuando aseguras capacidad dedicada en la infraestructura de un hyperscaler, el costo de cambiar después sube con cada integración. Los $180B te dan durabilidad. Pero también te empujan más adentro del ecosistema.

Lo que medimos en IQ Source

Cuando evaluamos ecosistemas de IA para empresas, el compromiso de infraestructura es una de las métricas. Hay vendors que compiten con narrativa y hay vendors que compiten con concreto. Los $180B de Google ponen al vendor en la segunda categoría de una forma difícil de cuestionar.

Pero durabilidad y conveniencia para tu empresa no son lo mismo. Que Google vaya a existir no significa que sea el vendor correcto para tu stack. Depende de tus cargas de trabajo, tu apetito de lock-in, tu equipo actual y lo que ya tienes desplegado.

Lo que revisamos en una evaluación de ecosistema incluye dónde están tus datos hoy, cuánto costaría migrar después, si tu equipo puede operar la plataforma sin dependencia de un partner externo, y si los productos específicos que necesitas están estabilizados o siguen en la zona donde Google descontinúa y renombra cada seis meses.

Si estás evaluando a Google como vendor de IA — o a cualquier otro hyperscaler — y quieres una lectura que no venga del equipo de ventas del proveedor, eso es exactamente lo que hacemos.