Las empresas de IA no ganan dinero; deberían aprender de la MTR de Hong Kong

作者： Michael Wenye Li

编译： 深潮 TechFlow

深潮导读：Se quemaron unos cuantos miles de millones de dólares en laboratorios de IA, pero nadie aclara con precisión cuándo se recuperará ese dinero. El precio de las API cae unas 10 veces cada año, el código abierto corre detrás del código cerrado y el costo de entrenamiento no deja de subir. Este artículo sale de la perspectiva de la industria tecnológica y responde con un modelo de negocio de 45 años del metro de Hong Kong (MTR): no intentes ganar dinero con los billetes; ve a poseer la propiedad sobre las estaciones.

No pueden ganar dinero y, además, la pregunta en sí está mal planteada

Hay un negocio que funciona así: al inicio se inyectan decenas de miles de millones de capital, y no entra ni un solo centavo de ingresos. El precio del servicio central se coloca cerca del costo marginal. Crea un valor enorme para los usuarios, pero los constructores casi no logran retener ni un céntimo. Además, hay que seguir invirtiendo en la siguiente generación de infraestructura.

Esto no describe laboratorios de IA, sino grandes sistemas ferroviarios.

Muchísima gente usa el tren como analogía para la industria de IA, y la mayoría llega a esta conclusión: la tecnología general tiene atributos de bien público, y la viabilidad comercial depende de subsidios gubernamentales.

Quiero impugnar esa conclusión. Porque el MTR de Hong Kong en realidad resuelve este problema. Es uno de los muy pocos sistemas de metro que logran sostenerse comercialmente en el mundo: es una empresa cotizada, paga dividendos, y no recibe subsidios gubernamentales para operar.

La estructura financiera es calcada

El negocio ferroviario central del MTR nunca logró financiar por sí solo su expansión. 2018 fue el mejor año antes de la pandemia: el EBIT del negocio de transporte fue de 2 mil millones de dólares de Hong Kong. Y para 2024-2026, la previsión de capex es de 879 mil millones de dólares de Hong Kong, casi todo para ferrocarril. Los picos de utilidad ferroviaria durante tres años solo alcanzan para cubrir el 8% del capex. Los ingresos por tarifas nunca fueron suficientes para financiar la construcción de la siguiente línea; de hecho, esa no era la intención del diseño.

Las tarifas del MTR se mantienen en un nivel asequible mediante un mecanismo de ajuste de precios por parte del gobierno. No puedes fijar las tarifas al punto de recuperar el costo de construcción: nadie podría permitirse viajar y se contradice la finalidad del transporte público. Cada línea quizá cubra sus costos operativos, pero los ingresos por tarifas nunca alcanzarán para financiar la construcción de otra línea.

El problema al que se enfrenta el precio de las API de la IA es una versión espejo del mismo dilema. La destilación y los sustitutos de código abierto hacen que el precio de las API caiga a un ritmo de aproximadamente 10 veces por año. Cualquier laboratorio que ponga un precio por encima del costo marginal perderá volumen frente a la competencia. Cada modelo puede ser rentable a nivel de inferencia operativa, pero el margen de beneficio nunca alcanza para cubrir el gasto de la siguiente ronda de entrenamiento.

La solución aceptada globalmente es el subsidio. El metro de Londres se financia con aportes de TfL; los trenes de alta velocidad de China van cargados con deudas de billones de dólares, y el 94% de las líneas no es rentable. La IA va por el mismo camino: la ley CHIPS, el proyecto Stargate, inversiones de fondos soberanos y contratos del Pentágono. El desenlace por defecto es depender de infraestructura cuasi pública que recibe subsidios.

El MTR encontró otro camino.

Ferrocarril + propiedades

Cuando el MTR se construyó al inicio en 1979, los diseñadores ya entendían que las tarifas nunca podrían recuperar el costo de construcción. Por eso estructuraron la empresa con un supuesto totalmente distinto: el tren hará que el valor del suelo alrededor aumente, así que hay que quedarse con la tierra.

El MTR desarrolla edificios residenciales, oficinas y centros comerciales sobre las estaciones y en sus alrededores; captura en el bolsillo la revalorización del valor creada por su propia infraestructura. Las utilidades de las propiedades respaldan la operación ferroviaria y financian la siguiente línea. Hoy, el MTR tiene 13 centros comerciales y gestiona 47 proyectos de propiedades encima de estaciones; la mayor parte del beneficio real proviene de las propiedades.

La lógica es clara: no intentes capturar el valor desde el servicio ferroviario en sí; ve a poseer los activos que se revalorizan gracias al tren.

Correspondencia en IA

“¿Cuándo podrá ganar dinero un laboratorio de IA?” y “¿Cuándo el tren podrá sostenerse con tarifas?” son problemas isomorfos. La respuesta es la misma: no puede, y además la pregunta en sí está mal planteada.

Una startup de biotecnología usa modelos de vanguardia para filtrar compuestos de fármacos y ahorra dos años de ensayos clínicos. Una empresa logística los usa para optimizar rutas y ahorra 40 mil millones de dólares en costos de combustible. Un desarrollador independiente entrega en un fin de semana un proyecto que un equipo de cinco personas habría tardado tres meses en completar. En cada caso, quien ofrece el modelo solo captura una fracción de valor de un porcentaje de un solo dígito mediante las tarifas de la API. El proveedor no puede subir precios, porque hay cuatro laboratorios más y una docena de sustitutos de código abierto que ofrecen capacidades parecidas. El valor restante fluye hacia los usuarios y hacia la economía en general.

La tecnología general funciona así. La máquina de vapor, la electricidad y TCP/IP no generaron ingresos para sus creadores.

La enseñanza del MTR: deja de intentar que las tarifas cubran el costo de construcción; busca tus “propiedades sobre la estación”.

Cuatro opciones candidatas, ordenadas por defensa

En primer lugar está el derecho de despliegue otorgado por el gobierno. El gobierno autoriza a un laboratorio a conectarse en exclusiva a registros médicos nacionales, sistemas fiscales o logística de defensa. Los datos del dominio que acumula, la profundidad de la integración de sistemas y las credenciales de cumplimiento regulatorio requieren años para replicarse. Este es el mecanismo propio del MTR: el Estado otorga derechos de desarrollo basados en la propiedad de monopolio natural.

En segundo lugar, los datos de recompensas de aprendizaje por refuerzo acumulados. Cientos de millones de señales de interacción se usan para entrenar la siguiente generación de modelos. Distinto de los pesos del modelo (que se deprecian por la destilación), los datos de RL casi no pueden replicarse y, además, se acumulan con interés compuesto entre generaciones. No puede monetizarse directamente, pero es un terreno: está ahí, sube de valor y todavía no se explota.

En tercer lugar, la integración de despliegue “de antemano”. En lugar de vender la interfaz del modelo a una consultora para que esta se lleve el excedente de productividad, es mejor poseer de extremo a extremo toda la capa de entrega del servicio. Como Palantir: integrar a ingenieros dentro de instituciones gubernamentales en vez de vender licencias de software. El laboratorio no cobra tarifas de API a despachos de abogados; el laboratorio se convierte en el propio servicio de investigación legal, con precios basados en los resultados entregados en lugar de “tokens” consumidos. Los costos de cambio aumentan continuamente a medida que se acumulan datos del dominio y conocimiento institucional. Este es el centro comercial del MTR: monetizar el flujo de pasajeros generado por el ferrocarril, en vez de subirles el precio de los billetes.

En cuarto lugar, la custodia de datos de conjuntos nacionales. Los gobiernos de cada país tienen en sus manos grandes conjuntos de datos no suficientemente aprovechados (expedientes de pacientes, declaraciones de impuestos). Un laboratorio de vanguardia designado como custodio recibe acceso exclusivo, y entrena modelos y construye productos con esos datos. Pero esto crea un monopolio privado-público de datos, que requiere una arquitectura de gobernanza estricta: límites claros de uso, beneficios que retornen al público, supervisión independiente y mecanismos reales de rendición de cuentas con capacidad vinculante.

Redefinir el problema

Los laboratorios que sobreviven no son los que vuelven rentable la API, sino los que ya encuentran su “propiedad sobre la estación” y empiezan a construirla. La API es el tren: nunca ganará lo suficiente por sí misma. El dinero está en los activos alrededor del ferrocarril que se revalorizan.

A nivel de políticas, el problema también cambia: en lugar de subsidiar el entrenamiento y la operación, el gobierno debería diseñar mecanismos institucionales (marco de derechos de despliegue, estructura de custodia de datos, estándares de medición de productividad) para que los laboratorios puedan capturar el excedente generado por su propia infraestructura.

Por último, hay una ironía. La discusión sobre políticas de IA está dominada por marcos de Estados Unidos y China: laboratorios de libre mercado de EE. UU. contra campeones empresariales apoyados por el Estado en China. Los modelos institucionales más valiosos quizá no sean ninguno de los dos. Podría ser el modelo de Hong Kong: un híbrido público-privado con 45 años de historia, operación comercial, autofinanciamiento logrado mediante diseño institucional y no mediante ideología.