La IA chocó con el poste: por qué el cuello de botella ahora es la energía, no el chip

Lo que frena a la inteligencia artificial hoy no es el chip. Es el poste. Mientras todo en tecnología duplica su capacidad y baja de precio en ciclos previsibles, la línea de transmisión no se convirtió en tecnología exponencial: sigue tardando años en salir del papel. Y ahí es donde la carrera de la IA está chocando.

Las cifras de Texas cuentan la historia mejor que cualquier previsión. El ERCOT, operador de la red eléctrica texana, tenía a mediados de 2026 una fila de más de 438 mil megavatios de demanda solicitada — y cerca del 90% de esos pedidos vienen de centros de datos. En abril, esa fila ya superaba los 410 gigavatios.

Años de espera para conectarse a la toma

Conectar una nueva carga grande a la red se convirtió en un proceso de años. Estudios del Lawrence Berkeley National Laboratory muestran que el tiempo promedio de espera en las filas de interconexión más que se duplicó en los últimos quince años, y que los proyectos pasan en promedio cerca de cinco años en la fila hasta entrar en operación comercial. Texas, con aproximadamente 4,2 años, está entre los más rápidos de Estados Unidos — lo que dice bastante sobre el resto.

El 18 de junio de 2026, el regulador texano aprobó un nuevo proceso que pasa a estudiar los pedidos de grandes cargas por lotes, asignando capacidad y produciendo un plan de construcción de transmisión en lugar de analizar proyecto por proyecto. Es un reconocimiento oficial de que el problema dejó de ser una excepción y se convirtió en estructura.

Y está el vecino

Existe un segundo freno, y no se resuelve con ingeniería: una encuesta de Gallup de marzo de 2026, con mil adultos, señaló que el 71% de los estadounidenses están en contra de la construcción de centros de datos de IA en su propia comunidad — casi la mitad se dice fuertemente en contra. Un sondeo de Heatmap Pro en junio llegó al mismo nivel, con 55% de oposición fuerte. Nueve meses antes, el público estaba dividido a la mitad. Las razones más citadas son el consumo de agua y de electricidad.

Es decir: incluso con dinero disponible y chip comprado, faltan dos cosas que el dinero no compra rápido — capacidad de red y licencia social.

Cuánta energía va a consumir esto, en realidad

Aquí vale una corrección que circula mal por ahí. Las proyecciones varían bastante según quién las calcule:

• El EPRI, instituto de investigación del sector eléctrico, proyecta que los centros de datos consuman entre 9% y 17% de la electricidad de Estados Unidos hasta 2030 — un rango, no una cifra única.
• BloombergNEF trabaja con cerca de 12% en 2030, llegando a 20% en 2035. De ahí viene la cifra de 20% frecuentemente atribuida a otras fuentes.
• A nivel regional el panorama es más dramático: en Virginia, uno de los mayores polos de centros de datos del mundo, el EPRI estima que la actividad pueda consumir entre 41% y 59% de la electricidad del estado hasta 2030, frente a cerca de 25% hoy.

Quedarse con el rango, y no con la cifra redonda, es lo que distingue a quien entendió de quien solo repitió.

Por qué nadie resuelve esto con dinero

En una conversación reciente con Peter Diamandis, el especialista en energía Ramez Naam resumió la inversión de la intuición: un centro de datos de 1 gigavatio cuesta alrededor de 50 mil millones de dólares construirlo, y cerca de 35 mil millones de dólares de eso son chips. El costo de la energía a lo largo de cinco años es pequeño frente al capital invertido. La consecuencia es contraintuitiva: los laboratorios de IA aceptarían pagar el doble por la electricidad si esta llegara mañana. La energía se convirtió en cuello de botella de plazo, no en línea de costo.

Naam señala además que las grandes turbinas a gas — la salida de quien no puede esperar a la red — están vendidas con cerca de siete años de anticipación, y que la ruta más rápida disponible hoy es solar con baterías, capaz de pasar de cero a generación en alrededor de doce meses. Con una salvedad que él se encarga de marcar: la batería resuelve la diferencia entre día y noche, no resuelve la estación del año — Londres recibe cerca de una sexta parte de la radiación solar en enero en comparación con julio.

Qué cambia esto para quien solo usa IA

Tú no vas a construir un centro de datos. Pero tres consecuencias llegan a tu empresa:

1. El precio de la IA no baja de forma uniforme. El costo por tarea cae en picada cuando un modelo nuevo es más eficiente, y se estanca cuando la capacidad de cómputo escasea. Planificar el presupuesto anual de IA suponiendo una caída continua es optimismo — vale la pena revisar el costo por tarea cada trimestre.
2. La capacidad se convierte en criterio de proveedor. Al contratar un sistema que depende de IA, pregunta qué pasa si el proveedor limita la capacidad: ¿existe una alternativa configurada, o tu proceso simplemente se detiene?
3. No todo necesita el modelo más grande. Buena parte de las tareas de empresa — clasificar, extraer, resumir, responder preguntas frecuentes — funciona en un modelo pequeño, barato y muchas veces local. Quien estructure esto ahora queda menos expuesto a filas y reajustes.

Sobre esta cuenta de costo por tarea, escribimos en cuánto cuesta tener IA en tu negocio. Y es ese diseño — qué tarea, qué modelo, qué plan B — el que hacemos en implementación de IA para empresas.

El resumen en tres líneas

La IA está limitada por infraestructura física, no por ideas. Postes, transformadores y licencias no siguen una curva exponencial, y por eso los plazos de energía hoy se miden en años. Para quien usa IA en la empresa, la lección práctica es simple: trata la capacidad como recurso escaso, no como grifo abierto.

Tema inspirado en la edición del 20 de agosto de 2026 de la newsletter Metatrends, de Peter Diamandis, a partir de la conversación con Ramez Naam. Los datos de fila de interconexión (Lawrence Berkeley National Laboratory y ERCOT), de opinión pública (Gallup y Heatmap Pro) y de consumo eléctrico (EPRI y BloombergNEF) fueron verificados en las fuentes antes de la publicación.