La pregunta incómoda de la IA no es si funciona, sino quién paga la factura

Empecemos por separar el grano de la paja. El texto de Will Lockett, publicado en su Substack, es una pieza de opinión declaradamente crítica, no un análisis financiero neutral, y su parte más sustancial queda tras un muro de pago. Las cifras que maneja proceden del propio artículo y no han podido verificarse de forma independiente. Con esas cautelas por delante, la tesis merece ser discutida porque apunta a una tensión real del sector.

El dato central que cita es contundente: según el autor, OpenAI habría ingresado 5.700 millones de dólares en el primer trimestre de 2026 y registrado, frente a ellos, una pérdida no-GAAP de 6.900 millones; es decir, 1,22 dólares perdidos por cada dólar facturado. Añade que las métricas no-GAAP suelen pintar un cuadro más amable que las contables estándar, y menciona pérdidas acumuladas de 38.500 millones a lo largo de 2025. Conviene tratar estas cifras como afirmaciones del autor pendientes de confirmación, no como hechos establecidos.

Lockett extiende su crítica a Anthropic, cuya imagen de cercanía a la rentabilidad atribuye —citando al analista Ed Zitron— a una posición de mercado que considera insostenible y a una lectura favorable del EBITDA. Aquí toca un punto técnico legítimo: el EBITDA excluye depreciación e intereses, y en un negocio que devora inversión en centros de datos, esa exclusión puede maquillar un flujo de caja libre negativo. Es una advertencia metodológica razonable, independientemente de que se comparta el veredicto.

Donde el artículo entra en terreno especulativo es al pronosticar una posible quiebra de OpenAI en 2026 o 2027 y al hablar de una «burbuja» sostenida por inversión circular y ausencia de regulación. Son hipótesis del autor, no certezas, y como tales hay que presentarlas. Predecir el colapso de una empresa que sigue captando capital masivo es un ejercicio arriesgado que la historia reciente ha desmentido más de una vez.

Lo valioso, despojado del tono apocalíptico, es la pregunta de fondo: el coste de entrenar e inferir modelos de frontera es real, enorme y está bien documentado, y los precios actuales de APIs y suscripciones no lo cubren con holgura. Esa brecha existe. La cuestión abierta —y aquí el optimismo informado tiene sitio— es si la curva de eficiencia del cómputo, la mejora de los modelos y la aparición de casos de uso de alto valor la cerrarán antes de que la paciencia del capital se agote. No lo sabemos todavía. Pero distinguir la economía difícil de un sector joven de la profecía de su hundimiento es justo el tipo de matiz que estos titulares suelen atropellar.