Google raciona a Meta el acceso a Gemini: la capacidad de cómputo, no el talento, es el nuevo cuello de botella

Por Financial Times · 2 de julio de 2026. El artículo original está tras muro de pago y apenas deja pasar el titular: Google ha empezado a limitar el uso que Meta hace de Gemini porque la demanda de inteligencia artificial está tensando su capacidad. No hay cifras, plazos ni detalles técnicos disponibles en la fuente, así que cualquier precisión adicional sería especulación. Lo honesto aquí es reconocer que el material es mínimo y que el valor de la noticia está en el hecho en sí, no en un desarrollo que no podemos verificar.

Y aun así, el hecho en sí ya dice mucho. Que Meta dependa de Gemini —el modelo insignia de un rival directo— para parte de su infraestructura de IA, y que Google tenga que racionar ese acceso, confirma algo que llevamos meses señalando: la escasez real del sector no está en los algoritmos ni en los datasets, sino en el hardware y la energía para entrenar e inferir a la escala que exige la demanda actual. Los laboratorios compiten en benchmarks, pero compiten aún más ferozmente por GPUs, TPUs, centros de datos y contratos eléctricos. Cuando ni siquiera Google —uno de los tres o cuatro actores con más capacidad de cómputo propia del planeta, gracias a sus TPUs— puede atender toda la demanda externa, queda claro que el cuello de botella físico manda por encima de cualquier otra consideración estratégica.

Esto encaja con una tesis que venimos desarrollando: la guerra de la IA se libra cada vez menos en la calidad pura del modelo y cada vez más en quién controla la infraestructura, la distribución y el acceso a recursos escasos. Si Google decide priorizar su propio consumo o el de otros clientes antes que el de Meta, está ejerciendo un poder de facto sobre un competidor que, paradójicamente, necesita sus servicios. Es una dinámica de interdependencia incómoda: las mismas empresas que compiten por el liderazgo en IA también se necesitan mutuamente para sostener sus productos, porque construir capacidad propia desde cero —chips, plantas, redes eléctricas— lleva años y miles de millones que ni los gigantes tecnológicos improvisan de un trimestre a otro.

A corto plazo, esto se traduce en fricciones muy tangibles: productos que no escalan al ritmo prometido, funciones de IA restringidas por cuotas, y una carrera de infraestructura que consume capital a un ritmo que empieza a generar dudas razonables sobre sostenibilidad financiera del sector, algo que ya se discute abiertamente en círculos de inversión. A largo plazo, sin embargo, esta tensión es también la señal de que la demanda de IA es real y masiva, no una burbuja de marketing: el mundo quiere más inteligencia artificial de la que hoy se puede producir físicamente. Esa presión, con el tiempo, es precisamente la que empuja a construir más capacidad —chips más eficientes, energía más barata, arquitecturas menos costosas de inferir— y ese es, en última instancia, el camino hacia la abundancia computacional que hace posible que la IA deje de ser un recurso racionado y se convierta en una utilidad accesible para todos.