¿De los bonos hipotecarios inmobiliarios a los bonos respaldados por GPU, Nvidia está siguiendo el ejemplo de AIG?

Nvidia vuelve a estar en el foco con sus planes de titularizar activos de centros de datos, una operación que podría llevar la fiebre por la potencia computacional de IA a una nueva y peligrosa fase.

Según el análisis de Simon White, estratega macro de Bloomberg, la intención de Nvidia de convertir los centros de datos en activos invertibles podría desembocar en un grave exceso de capacidad en el ámbito de la potencia de IA, especialmente en un contexto donde el modelo de fijación de precios basado en resultados se está convirtiendo gradualmente en el estándar de la industria. La lógica central de este juicio radica en que la financiarización está amplificando artificialmente las señales de demanda y ocultando que el mercado ya presenta un claro superávit de oferta—lo que recuerda al auge inmobiliario previo a la crisis financiera de 2008.

White apunta que el marco de cooperación alcanzado entre Nvidia y Apollo, Brookfield, KKR, Blackstone, BlackRock y Goldman Sachs, pretende movilizar más de 500.000 millones de dólares hacia las denominadas “fábricas de IA”. Nvidia proporcionará seguro en algunas operaciones para respaldar hasta el 25% del valor de rescate de las GPU aportadas como colateral. Las similitudes con la burbuja inmobiliaria son difíciles de ignorar. En aquel momento, AIG facilitó la venta de seguros para los tramos más altos de los CDO, permitiendo a los bancos liberar capital para distribuir más deuda tóxica—todo ello desembocó finalmente en rescates estatales cuando la correlación de riesgos se disparó.

Aceleración de la financiarización: el momento AIG del mercado de bonos vinculados a GPU

Simon White considera que el actual boom de infraestructuras de IA ya supera en escala a ciclos históricos como la construcción de autopistas interestatales en EE.UU. (años 60) o el despliegue de banda ancha (años 2000). Para mantener en marcha este festín, ya se han concretado múltiples operaciones de financiación cruzada y acuerdos respaldados por proveedores—solo aquellas en las que está involucrada Nvidia suman hasta 750.000 millones de dólares.

El CEO de Nvidia, Jensen Huang, ha señalado explícitamente que su objetivo es convertir la “potencia computacional de fábricas de IA” en una nueva clase de activo invertible. El mercado de deuda respaldada por GPU ya ha experimentado un crecimiento explosivo este año, y este nuevo acuerdo lleva el proceso a un nivel más profundo: titulización y distribución de activos. Los socios aportarán capital, conocimiento especializado en infraestructura y facilitarán la titulización y distribución.

Al aumentar la atracción de estas emisiones, Nvidia conseguirá que los bonos senior dentro de la estructura de deuda obtengan una calificación crediticia más alta. Mientras tanto, la Comisión de Bolsa y Valores de EE.UU. (SEC) acaba de flexibilizar las reglas para la titulización de bonos de centros de datos. White compara este punto con la entrada de los fondos de pensiones durante la crisis financiera—un indicio de que el riesgo empieza a difundirse a segmentos de pasivo más amplios y, potencialmente, la antesala del desenlace del ciclo.

A simple vista, el riesgo para Nvidia podría parecer limitado. Pero White advierte que ese fue exactamente el error que cometió AIG: con el tiempo, asumió cada vez más obligaciones aparentemente libres de riesgo y rentables, hasta que el alza de la correlación en las presiones crediticias de los deudores desembocó en catástrofe.

Señales de exceso de capacidad: desequilibrios de oferta y demanda ocultos por la alquimia financiera

La principal preocupación de White es que la financiarización está sistemáticamente neutralizando las señales de exceso de capacidad enviadas por el mercado. Al igual que en la crisis subprime, la actual ola de inversión en capital está siendo engrasada por la alquimia financiera, atrayendo cada vez más capital y promoviendo la sobreconstrucción. Las señales de que ya existe capacidad computacional de sobra probablemente no serán debidamente tomadas en cuenta.

En el lado de la demanda, White señala que las métricas estándar se están transformando radicalmente. El alquiler de GPU se mide en coste por hora, y la inferencia se calcula según el coste por token procesado. Sin embargo, para el usuario final, lo verdaderamente importante es el resultado: ¿cuánto valor inteligente obtengo por cada dólar gastado o, en términos simples, cuánto cuesta completar una tarea?

El coste de la inteligencia artificial está cayendo, pero este cambio no se refleja de inmediato en los precios a nivel de GPU. Si un modelo puede realizar una tarea usando diez veces menos tokens, y el precio por token de GPU no cambia, la eficiencia real de cada GPU se multiplica por diez.

A medida que la “maximización de tokens” queda atrás, abundan las pruebas de que el número de tokens requeridos para una misma tarea puede fluctuar notablemente, y los grandes modelos de lenguaje (LLM) pueden ajustarse fácilmente para consumir más tokens. Por eso, la facturación basada en resultados gana cada vez más popularidad entre clientes empresariales. Si esta tendencia se convierte en norma, ejercerá presión sobre los proveedores de modelos para reducir el uso de tokens y, en consecuencia, rebajar el precio del alquiler de GPU.

También preocupa el bajo nivel de utilización real de las GPU documentado en informes recientes. Según Cast AI, la utilización promedio de GPU es apenas del 5%; ClearML apunta que casi la mitad de las empresas desperdician “millones de dólares” en chips ociosos.

Los límites de la Paradoja de Jevons: la dependencia del camino como riesgo real de mercado

Frente a estas mejoras de eficiencia, la habitual réplica de los partidarios de la inversión en IA es la Paradoja de Jevons: la reducción del coste de la inteligencia artificial gracias al aumento en la potencia computacional inevitablemente estimulará la demanda, compensando los precios bajos con volumen.

Pero White no se convence. Sostiene que la Paradoja de Jevons no puede sostenerse indefinidamente y, para el mercado, la clave es la dependencia del camino. Considera que, durante la actual fase dominada por grandes modelos de lenguaje en IA, el crecimiento de la demanda de inteligencia (no de tokens) al precio vigente acabará por desacelerarse lo suficiente como para precipitar una caída sostenida en los costes de capacidad computacional.

Como prestamista, cuando la correlación de los colaterales comienza a deteriorarse y, al mismo tiempo, el crédito de los prestatarios se debilita, el riesgo se acumulará rápidamente. En ese momento, Nvidia deberá cumplir sus compromisos de seguro, mientras que puede enfrentar problemas en otras financiaciones y, además, una caída del valor de sus productos principales. Empresas como Google, que también apoyan esta ola de inversión con su propio balance, afrontan riesgos similares.

Tal como desveló la crisis inmobiliaria, cuando la correlación de riesgos se dispara, no espera a nadie. La conclusión de White es que el acuerdo propuesto por Nvidia acerca al mercado un paso más a presenciar nuevamente estas dinámicas naturales del sistema financiero.