¿Cuándo terminará la tendencia alcista de las acciones estadounidenses de "larga vida a los chips"?

Autor: Sun Cheng; Fuente: Barrons

Las acciones estadounidenses de abril estuvieron inmersas en una fiesta estructural liderada por IA, con el índice Nasdaq subiendo un 15.3% en el mes, el S&P 500 un 10.4%, y el índice de semiconductores de Filadelfia alcanzando la mayor ganancia mensual desde 2000. Después de mayo, el guion del mercado cambió rápidamente, con los tres principales índices en niveles altos y una aparente calma en la superficie, pero corrientes subterráneas agitadas: ARM disparó su precio un 42.58% en una semana tras sus resultados financieros positivos, y líderes en almacenamiento como SanDisk y Seagate subieron más del 15% en una semana, mientras que las acciones de Nvidia y Microsoft, antiguos líderes en IA, cayeron.

¿Se trata de un enfriamiento de la tendencia principal de IA, o de un cambio interno profundo? El capital está fluyendo de GPU y gigantes de la nube hacia arquitecturas ARM y chips de almacenamiento, y el mercado parece estar negociando una nueva lógica de “cima en la capacidad de entrenamiento, inferencia en el borde y almacenamiento como reemplazo”. ¿El nuevo máximo del Dow Jones indica que la rotación de estilos ha comenzado? ¿El repunte de ARM es el inicio de una reevaluación de valor, o el pico de una burbuja a corto plazo?

Puntos clave:

1. La fiebre de IA no ha terminado, pero entra en una fase de diferenciación fina: el capital sigue fluyendo hacia IA, pero de un aumento generalizado a apuestas selectivas. Internamente, el flujo de mercado pasa de GPU y gigantes de la nube a arquitecturas ARM y chips de almacenamiento, cambiando la lógica de negociación a “cima en capacidad de entrenamiento, inferencia en el borde y almacenamiento como reemplazo”.

2. El efecto de agrupamiento de capital sigue fuerte, solo que los objetos de agrupamiento cambian: la negociación algorítmica, las opciones de fin de ciclo y los ETF apalancados han cambiado el ecosistema del mercado, y las acciones de los creadores de mercado para cubrir riesgos han intensificado los movimientos de subida y bajada. El efecto de agrupamiento no ha desaparecido, sino que se ha desplazado de Nvidia y otros a nuevos focos como ARM y SanDisk, causando subidas que desafían la lógica.

3. La subida explosiva de ARM es típica de una tendencia de “short squeeze” y no sostenible: la compresión gamma y la presión de los cortos se combinan para impulsar el precio en el corto plazo. Este tipo de movimiento no puede durar para siempre; si el interés comprador se agota o el ánimo se tambalea, el precio puede revertir rápidamente, por lo que hay que tener mucho cuidado.

4. La arquitectura ARM tiene ventajas esenciales en inferencia en el borde: como conjunto de instrucciones RISC, su eficiencia energética es casi la mitad de x86; su modelo de licencia IP permite diseños personalizados heterogéneos; y su optimización para operaciones matriciales es más adecuada para modelos Transformer. Aunque el punto de inflexión a largo plazo ya se ha formado, la volatilidad a corto plazo en el precio es intensa.

5. Nvidia mantiene una posición sólida en entrenamiento, pero enfrenta desafíos en inferencia: su ecosistema CUDA es una barrera difícil de superar, y no hay competidores reales en entrenamiento. Sin embargo, en inferencia, chips propios de AMD, Google y Microsoft, debido a la percepción de “llevar mucho tiempo sufriendo a Nvidia”, tienen oportunidades de crecimiento. La cuota de Nvidia disminuirá en el futuro, pero seguirá siendo dominante.

6. La carga de trabajo de inferencia ya supera a la de entrenamiento, y en el futuro representará entre el 70% y 80%: actualmente, la relación de carga de inferencia a entrenamiento es aproximadamente 6:4, aunque el gasto de capital en entrenamiento sigue siendo el 60%. Con la popularización de modelos grandes y el desarrollo de IA agentic, junto con la desaceleración en las iteraciones de entrenamiento, los requisitos estrictos en costo, consumo de energía y latencia en inferencia abren nuevas oportunidades para ARM y chips de almacenamiento.

Resumen del mercado: ¿Es la fiebre liderada por IA el inicio o una burbuja?

Sun Cheng: ¿Ha terminado la ola de subida liderada por IA? El capital fluye de GPU y gigantes de la nube hacia ARM y almacenamiento, ¿cuál es la motivación principal detrás de esto?

Mamá Cat: Desde 2023, las acciones estadounidenses han puesto especial atención a IA. La acción más destacada de todo 2023 fue Nvidia, que aunque pertenece a semiconductores, su principal motor es IA. Esta tendencia ha persistido desde entonces hasta 2024 y 2025, con un crecimiento segmentado y en ritmo. Por lo tanto, es prematuro decir que la fiebre de IA ha terminado.

Según los datos que monitoreamos la semana pasada, el flujo de capital hacia IA en EE. UU. no muestra signos de disminuir. Pero hay una característica notable: “diferenciación dentro de la diferenciación”. Desde octubre del año pasado, el mercado ha estado en un estado de estancamiento, con movimientos laterales de octubre a febrero. Durante este período, algunas acciones de software y grandes tecnológicas afectadas por IA han mostrado agotamiento y retroceso. Sin embargo, en ese mismo período, sectores como almacenamiento y comunicaciones ópticas, que no solo no cayeron sino que subieron, reflejan una diferenciación en el mercado y un enfoque de capital en ciertos sectores.

Por lo tanto, desde la perspectiva del monitoreo de fondos, tanto los nuevos compradores como los existentes siguen siendo muy activos. Pero el mercado muestra una tendencia continua: dentro del gran sector de IA, el capital busca constantemente nuevos focos, diferenciaciones, temas y empresas en diferentes segmentos. La ola de subida no ha terminado, sino que ha entrado en una fase más refinada.

Sun Cheng: El Nasdaq y el S&P 500 alcanzaron su mejor mes en casi seis años, y el índice de semiconductores de Filadelfia su mayor aumento mensual desde 2000. ¿Qué hay detrás de esta tendencia extrema, además de IA? ¿Se refleja en la recuperación del ánimo del mercado y en el efecto de agrupamiento de capital? Después de mediados de mayo, el mercado no continuó en alza generalizada, ¿significa esto que el ánimo del mercado ha cambiado de “optimismo general” a “apuestas selectivas”? ¿El efecto de agrupamiento aún existe?

Mamá Cat: Esto puede analizarse desde dos aspectos. Por un lado, es un típico mercado técnico en EE. UU. Después de largos períodos de lateralidad y caída, suele venir una ola de repunte, como en 2020 y tras la corrección de agosto a octubre de 2023, que duró casi medio año. Desde octubre del año pasado, el mercado ha estado en un estado de estancamiento, sin cambios en los niveles de referencia durante meses, una típica consolidación previa a una ruptura. La caída final en marzo fue una corrección severa de valoración, y el 30 de marzo marcó el fondo de esta fase. Por eso, la subida de abril en realidad fue una recuperación de casi medio año de lateralidad. Una característica clave del mercado estadounidense es “quedarse en el juego”: hay que mantenerse en él, porque la recuperación puede completarse en uno o dos días. Estadísticas muestran que, en los últimos 50, 30 o 10 años, si se pierden estos días de rebote y subida explosiva, la rentabilidad anual se ve muy afectada.

Por otro lado, el efecto de agrupamiento de capital sigue vigente, pero el mercado actual es muy diferente al pasado. La negociación algorítmica, las operaciones con opciones y ETFs apalancados, y la participación masiva de minoristas han cambiado radicalmente el ecosistema. Los creadores de mercado, para cubrir riesgos, deben realizar ciertas acciones que intensifican los movimientos de subida y bajada. Especialmente en las acciones líderes de IA, todos los minoristas operan con opciones de fin de ciclo, y los grandes fondos (jugadores con gran volumen y peso en el mercado) también persiguen estos focos. Esto acelera los movimientos de subida y bajada, y en los últimos años, el efecto de agrupamiento en EE. UU. se ha intensificado, con fenómenos de “subida que desafía la lógica”. Por eso, no es que el mercado pase de optimista a pesimista, sino que los objetos de agrupamiento cambian, y el capital sigue concentrado, solo en diferentes activos.

Sun Cheng: La acción de ARM subió más del 42% en una semana, logrando esa subida en solo dos días de negociación. ¿Esto ya es una típica tendencia de “short squeeze”? ¿Hay impulso de la emoción minorista o de la compresión gamma de opciones? ¿Es sostenible esta velocidad de subida?

Mamá Cat: Sin duda, esto es una tendencia muy típica de “short squeeze”, donde la compresión gamma juega un papel importante. En el mercado actual, cuando surge un foco, todos los actores, grandes y pequeños, persiguen. La existencia de muchas opciones de fin de ciclo genera problemas de compresión gamma. Los creadores de mercado, en su mayoría, no apuestan en la dirección, sino que buscan ganar diferencial en las operaciones. Cuando la mayoría compra opciones de fin de ciclo o opciones de compra fuera del dinero, los creadores enfrentan un riesgo enorme: si la acción sube, deben cumplir con esas opciones, y para cubrir ese riesgo (mantener delta neutral), deben seguir comprando acciones. Cuanto más compran, más acciones deben adquirir, empujando el precio a niveles irracionales. Hemos visto en los últimos días cómo en los últimos 30 minutos del mercado, muchas subidas se deben a este efecto de compresión. Cuando el precio se dispara, los inversores emocionados aumentan sus posiciones en opciones de compra, lo que a su vez obliga a los creadores a comprar más acciones para cubrir, creando un ciclo vicioso.

También hay presión de los cortos: algunos inversores ven que el precio se aleja mucho de su valoración y apuestan en contra, pero debido a estos mecanismos, el precio sigue subiendo, y los cortos se ven forzados a cerrar sus posiciones, comprando acciones y generando una presión de compra adicional. En el caso de ARM, si esta tendencia dura más tiempo y la curva se vuelve más pronunciada, sería un típico ejemplo de “short squeeze”.

Sobre la sostenibilidad, desde un punto de vista técnico, este tipo de movimiento no puede durar indefinidamente. Cuando todos los cortos se rinden o la confianza de los nuevos compradores se tambalea por la volatilidad, el mercado pierde su colchón y el precio puede revertir rápidamente, especialmente si hay beneficios de por medio. Como en la subida, también hay efectos acumulativos, por lo que hay que tener mucho cuidado con este tipo de movimientos.

Análisis profundo de tecnología IA: auge de ARM, presión sobre Nvidia, almacenamiento como reemplazo

Sun Cheng: ARM subió un 42.58 la semana pasada, y la lógica central del mercado es “IA pasa de entrenamiento a inferencia en el borde, ARM se beneficiará mucho”. Desde un punto de vista técnico, ¿cuáles son las ventajas esenciales de la instrucción y el modelo de licencia de ARM en escenarios de inferencia IA en comparación con x86? ¿Esta reevaluación de valor es un catalizador a corto plazo o un punto de inflexión a largo plazo en la industria?

Wang Huai: Desde un nivel técnico, la tendencia actual hacia aplicaciones de IA centradas en inferencia en el borde es bastante clara. Las principales ventajas de ARM sobre x86 en este contexto son tres:

Primero, la ventaja en conjunto de instrucciones. ARM es RISC (conjunto de instrucciones reducido), mientras que x86 es CISC (conjunto de instrucciones complejo). RISC no requiere diseños de pipeline demasiado complejos, por lo que en el mismo tamaño de chip puede integrar más núcleos, cachés o unidades de aceleración dedicadas, favoreciendo cálculos cercanos a la memoria. En inferencia IA, un cuello de botella importante es la comunicación con la memoria. ARM tiene capacidades físicas de IP y personalización que lo hacen naturalmente adecuado para cálculos de inferencia IA. En cargas típicas en el borde, la eficiencia energética de ARM supera significativamente a x86, con un consumo de energía casi la mitad, lo que genera ventajas de costo enormes.

Segundo, la ventaja en el modelo de licencia IP. ARM opera bajo un modelo de licencia, permitiendo a los clientes diseñar de forma personalizada, por ejemplo, combinando CPU con GPU y NPU según sus necesidades, con libertad de operación. x86 es un “caja negra”, difícil de modificar para optimizaciones heterogéneas. Esta apertura hace que ARM sea más popular para integrar memoria de banda ancha (LPDDR) y otros componentes.

Tercero, la optimización para operaciones matriciales. Los modelos Transformer usan mucho multiplicación de matrices, y la optimización en ARM es mucho más eficiente que en x86. Aunque x86 también puede hacer multiplicaciones matriciales eficientes, para lograr la misma eficiencia en consumo y área, la solución vectorial de ARM es superior, especialmente en el borde. Si se prioriza la compatibilidad y madurez, x86 es una opción; pero si se prioriza la relación costo-eficiencia y el consumo (que será un factor de costo enorme en el futuro), ARM tiene ventajas claras.

Desde la tendencia industrial, IA pasa de entrenamiento a inferencia, especialmente en el desarrollo de IA agentic. Esto no solo implica diálogo con grandes modelos, sino también muchas llamadas API, uso de redes y archivos, que dependen del CPU. Como CPU, ARM tiene mucho potencial en aplicaciones de IA agentic en el borde (PC, móvil, automóviles). La dirección general es correcta, la percepción del punto de inflexión ya se ha formado, pero en el corto plazo la volatilidad en los precios será intensa. A largo plazo, estas tendencias consolidarán su valor. La tendencia a largo plazo es como una balanza, y a corto plazo, un votador emocional.

Sun Cheng: Nvidia cayó un 2.58% la semana pasada, preocupando por una desaceleración en su crecimiento. AMD subió un 3.60%. ¿Sigue siendo sólida la ventaja de Nvidia en el ecosistema CUDA en IA? ¿Pueden los GPU MI de AMD reducir la brecha en inferencia? ¿Qué impacto tienen los chips propios de los clientes en Nvidia?

Wang Huai: En entrenamiento, actualmente nadie puede desafiar a Nvidia. Pero con la expansión de grandes modelos y el desarrollo de IA agentic, la demanda de capacidad en inferencia aumenta mucho, abriendo oportunidades para otros actores. La inferencia requiere arquitecturas heterogéneas (CPU, GPU, NPU) y altas demandas de memoria, lo que favorece a AMD y otros.

AMD seguramente se beneficiará del sentimiento de “llevar mucho tiempo sufriendo a Nvidia” en inferencia. Las empresas necesitan un segundo proveedor confiable para garantizar la seguridad de la cadena de suministro y evitar depender de un solo proveedor. La rápida expansión del negocio de centros de datos de AMD confirma esto, aunque su crecimiento total aún está muy por debajo del aumento en el precio de sus acciones, reflejando también cierta volatilidad emocional, pero la percepción de oportunidades en inferencia es real.

Para Nvidia, las ventas en inferencia se verán afectadas, pero no de forma fatal. La barrera de CUDA no se supera fácilmente en poco tiempo. Además, Google, Microsoft y Amazon están desarrollando sus propios chips de inferencia, para reducir dependencia y hacer diseños heterogéneos a medida. Esta tendencia es clara. Pero los chips más universales y con mayor compatibilidad siguen siendo Nvidia. En los próximos dos o tres años, Nvidia seguirá dominando en inferencia, aunque su concentración será menor que en entrenamiento, donde no hay competidores reales a corto plazo.

Sun Cheng: La opinión del mercado es que la inversión en IA pasa de “capacidad de entrenamiento” a “aplicaciones de inferencia”. ¿Cuál es la proporción actual de carga de trabajo de entrenamiento e inferencia en IA a nivel global? ¿Cómo cambiará en los próximos dos años? ¿Qué nuevos desafíos técnicos plantean estos cambios en diseño de chips, ancho de banda de almacenamiento y consumo energético?

Wang Huai: Según algunos informes, la proporción de carga de trabajo en inferencia frente a entrenamiento es aproximadamente 6:4 o 5.5:4.5, con inferencia ya superando a entrenamiento. Pero el gasto de capital (Capex) aún favorece el entrenamiento, que representa el 60%, mientras que inferencia es el 40%, porque el costo de los nodos de entrenamiento es mucho mayor.

En el futuro, la proporción de inferencia aumentará significativamente. La adopción de grandes modelos en todo el mundo todavía es baja: datos muestran que el 86% de la población mundial nunca ha utilizado grandes modelos. Además, la IA agentic aumentará mucho las llamadas a estos modelos. En los próximos tres a cinco años, es muy probable que la inferencia represente entre el 70% y 80% de la carga de trabajo.

Otra razón es que la velocidad de iteración en entrenamiento se está desacelerando mucho. Solo unas pocas empresas pueden realizar entrenamiento de modelos grandes, y cada vez menos empresas pueden costearlo. Con menos competencia, las empresas preferirán monetizar los modelos existentes en lugar de lanzar nuevos rápidamente. La demanda de capacidad en entrenamiento disminuirá en comparación. Solo si en áreas como inteligencia artificial física o modelos del mundo se logran avances revolucionarios, esto podría cambiar.

Este cambio de entrenamiento a inferencia exige mayores requisitos en diseño de chips. La inferencia es muy sensible a costo, energía y latencia, y requiere adaptarse a escenarios desde la nube hasta el borde, abriendo oportunidades para diferentes arquitecturas (GPU, ASIC, CPU). La demanda de ancho de banda de memoria y de caché de contexto (KV Cache) también es mayor que en entrenamiento. Estos desafíos tecnológicos ofrecen oportunidades de mercado para arquitecturas como ARM y chips de almacenamiento.