Los límites del escalado de la IA han sido uno de los temas del escenario de TechCrunch Disrupt 2026, donde Andrew Feldman, CEO de Cerebras Systems, participó en una charla sobre hasta dónde puede llegar la estrategia de entrenar modelos cada vez más grandes con cada vez más cómputo. Feldman habla desde una posición concreta: su empresa fabrica chips especializados para entrenar redes neuronales. Para quien planifica inversión en infraestructura o trabaja con modelos de gran tamaño, conviene entender qué se discute y qué no se puede concluir todavía.
Feldman lleva al escenario los límites del escalado de la IA
Andrew Feldman, CEO de Cerebras Systems, participó en TechCrunch Disrupt 2026 para discutir los límites del escalado en inteligencia artificial. El evento reunió a ejecutivos tecnológicos con el objetivo de analizar las tendencias futuras del sector, y su intervención se enmarca en ese programa. Conviene ser precisos con lo que sabemos: el tema de la charla está claro, pero no disponemos de cifras, citas literales ni anuncios de producto asociados a ella, así que este artículo no los inventa. Lo verificable es el contexto. Por escalado se entiende la práctica de mejorar el rendimiento de un modelo aumentando su tamaño, la cantidad de datos de entrenamiento y la potencia de cálculo dedicada. Que el CEO de una empresa de hardware hable de sus límites es relevante porque Cerebras fabrica chips especializados para el entrenamiento de redes neuronales. Es decir, opera justo en la capa donde ese escalado se convierte en facturas, centros de datos y plazos de entrega.
Para entender por qué el tema pesa tanto, hay que mirar cómo ha evolucionado el sector. Durante los últimos años, la estrategia dominante para obtener modelos más capaces ha consistido en entrenarlos más grandes y con más cómputo. Esa lógica ha convertido el acceso a aceleradores en un factor competitivo y ha llevado a las empresas a tratar la capacidad de cálculo como un activo estratégico. Cuando alguien con la posición de Feldman habla de límites, el debate deja de ser académico y entra en el terreno de las decisiones de inversión. Hay además un matiz que un lector crítico debe tener presente: un fabricante de chips tiene interés directo en cómo se interpreta la demanda de cómputo. Eso no invalida su opinión, pero obliga a leerla como la de un actor del mercado y no como la de un observador neutral. Para una PYME o un equipo de desarrollo, la utilidad de esta charla está menos en las conclusiones concretas y más en la pregunta que plantea sobre los límites del escalado de la IA: cuánta mejora adicional compra realmente cada unidad adicional de cómputo.
Implicaciones técnicas de los límites del escalado de la IA
Cuando se habla de límites del escalado, el debate técnico suele repartirse en varios frentes. El primero es el coste del cómputo: cada salto de tamaño exige más chips y más tiempo de entrenamiento. El segundo es la comunicación entre chips: al repartir un modelo grande entre muchos aceleradores, parte del esfuerzo se pierde en mover datos en lugar de calcular. El tercero es la energía y la capacidad física de los centros de datos. El cuarto es la disponibilidad de datos de calidad con los que alimentar modelos mayores. Estos frentes son categorías generales del sector, no un resumen de lo que dijo Feldman en el escenario, y conviene mantener esa distinción. Lo que sí es verificable es que su empresa trabaja en hardware específico para entrenamiento, un enfoque distinto al de reutilizar procesadores generalistas. Cada diseño de chip implica compromisos entre velocidad, memoria, coste y facilidad de programación.
Para los desarrolladores, la consecuencia práctica es separar dos actividades que a menudo se mezclan: entrenar y usar modelos. Entrenar un modelo de gran escala desde cero está al alcance de muy pocas organizaciones, y es precisamente el terreno donde operan los chips de Cerebras. La mayoría de equipos trabaja en otra capa: consume modelos por API, los ajusta con fine-tuning o monta sistemas con RAG sobre sus propios documentos. En esa capa, que el escalado tenga límites o no afecta de forma indirecta: influye en los precios, en la velocidad con la que mejoran los modelos disponibles y en la oferta de hardware. Seguir estos debates sirve para entender el entorno, no para cambiar la arquitectura de un proyecto de la noche a la mañana. Las predicciones sobre techos tecnológicos conviene tratarlas como hipótesis de trabajo y no como hechos consumados.
Qué significa este movimiento para el mercado
La presencia de Feldman en Disrupt refleja que los fabricantes de hardware especializado quieren participar en la conversación pública sobre el rumbo de la IA. Para los competidores en chips, cada intervención de este tipo funciona también como escaparate: se compite por el relato además de por el rendimiento. Para los compradores de infraestructura, la consecuencia es de método. Antes de comprometer presupuesto, conviene pedir a cualquier proveedor datos comparables: rendimiento medido con cargas similares a las propias, coste total incluyendo energía y personal, plazos de entrega y esfuerzo de migración del software.
Para los proveedores cloud y de servicios, un debate abierto sobre los límites del escalado de la IA introduce incertidumbre en la planificación de capacidad. La respuesta prudente es preferir contratos flexibles frente a compromisos largos basados en una única hipótesis sobre cuánto cómputo hará falta. Para las PYMES que no compran chips, el efecto es más sutil pero real: sus costes de IA dependen de lo que ocurra en esta capa, y eso aconseja medir el gasto actual en modelos, identificar qué casos de uso generan valor y evitar atarse a un solo proveedor. No hay que reaccionar a una charla, pero sí tener un criterio propio cuando llegue la próxima ronda de precios o de cambios en la oferta de hardware.
Analisis Blixel
Toda opinión sobre cuánto cómputo necesita la IA debería leerse sabiendo quién la emite. Feldman dirige una empresa que vende chips para entrenar modelos, y tanto si defiende que el escalado seguirá dando resultados como si apunta a sus límites, su empresa tiene un relato que contar. No lo decimos como reproche, sino como método de lectura. Nuestra posición es que el valor de estas charlas para una empresa española está en la pregunta, no en la respuesta del ponente. Los límites del escalado de la IA existen como debate real, pero ninguna conferencia los fija, y menos aún una de la que solo conocemos el tema y no el contenido literal. Esa es también una advertencia sobre la cobertura de este tipo de eventos: conviene desconfiar de los titulares que atribuyen cifras o predicciones sin citarlas. Para una PYME, la recomendación es poco vistosa pero sólida. Casi nunca tiene sentido comprar infraestructura propia de entrenamiento; lo razonable es alquilar capacidad, medir cuánto cuesta cada caso de uso y revisar esa cifra cada trimestre. Si el escalado se encarece, lo notará en el precio de las APIs. Si se abarata, también. En ambos escenarios gana quien tiene sus costes medidos y sus proveedores intercambiables. Y quien decide con una nota de prensa en la mano, pierde.
Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido comun. Hablemos.
