Grayscale prevé que la demanda de tokens de IA se multiplique por 24 para 2030
Zach Pandl, responsable de investigación de Grayscale, calcula que el consumo de tokens de IA podría multiplicarse por 24 de aquí a 2030. El motivo: unos modelos más baratos y unos agentes autónomos capaces de ejecutar flujos de trabajo completos están ampliando el uso de esta tecnología.
Los agentes de IA pueden consumir entre cinco y 50 veces más tokens que una interacción estándar con un chatbot, según Grayscale. Eso dispara la demanda de cómputo de inferencia, la capacidad necesaria para ejecutar los modelos. La otra cara es la infraestructura física: los centros de datos, la electricidad y las GPU siguen siendo un cuello de botella que puede frenar el ritmo de expansión y sostener precios elevados para los activos de cómputo escasos.
Modelos más baratos, más usos
El abaratamiento de la inteligencia artificial está abriendo la puerta a nuevas aplicaciones y flujos automatizados. El último modelo Sonnet de Anthropic cuesta hasta un 30% menos por tarea, según la compañía. La competencia de modelos abiertos de menor precio presiona además el precio de los tokens, la unidad que mide el texto que procesan y generan los modelos y por la que pagan los desarrolladores. Con precios a la baja, las empresas encuentran usos para la IA que antes resultaban demasiado caros. El informe de Grayscale Investing for the Compute Bottleneck analiza cómo la inteligencia más económica puede impulsar una adopción más amplia.
Los agentes multiplican la demanda de cómputo
Los "dots" presentados recientemente por OpenAI son agentes siempre activos, diseñados para trabajar en los objetivos del usuario a cualquier hora. A diferencia de los chatbots, que responden preguntas concretas, los agentes completan varios pasos dentro de un mismo flujo. Preparar una reunión con un cliente, por ejemplo, puede exigir revisar notas, analizar cambios en la cartera y redactar un orden del día. Según Grayscale, estas tareas consumen entre cinco y 50 veces más tokens que una interacción de chatbot, en función de su complejidad. El resultado es un crecimiento sustancial de la inferencia.
Goldman Sachs proyecta que el consumo de tokens se multiplique por 24 en 2030, en buena medida por la adopción de agentes.
La infraestructura física sigue marcando el límite
Aunque los modelos sean cada vez más eficientes, la demanda total de cómputo puede crecer si el uso aumenta más rápido. Suministrar la infraestructura necesaria lleva tiempo. La disponibilidad de energía, los centros de datos y las GPU siguen siendo imprescindibles para sostener cargas de trabajo en expansión, y su oferta limitada condiciona la velocidad a la que crece la capacidad de cómputo.
Grayscale cita el caso de CoreWeave, que acaba de firmar nuevos contratos a precios de cómputo más altos. El ejemplo refleja la presión sobre los precios pese al abaratamiento de las tareas de IA. El análisis de Pandl sostiene que unos modelos más baratos y unos agentes más capaces pueden elevar el uso lo suficiente como para compensar las ganancias de eficiencia. En ese escenario, la demanda beneficiaría a los propietarios de una infraestructura física de cómputo escasa.
