Los servicios de inteligencia artificial enfrentan un desfase financiero: incurren en costos de inferencia durante su ejecución, mientras que los ingresos pueden llegar después. Según el paper TokenBank: Financial Infrastructure for AI Services, publicado en arXiv, esa brecha se agrava por los cambios de precios de las API, el capital inicial limitado y las fallas de servicio, factores que restringen la capacidad de los operadores para sostener o expandir sus servicios.
Para atender ese problema, los autores presentan TokenBank, una infraestructura financiera que representa estos compromisos mediante contratos estructurados. El sistema distingue los derechos a consumir servicios de los derechos a recibir pagos, define obligaciones bajo costos e ingresos inciertos y especifica qué fallas califican para compensación y cuánto se puede pagar.
Qué cubren los contratos
De acuerdo con el documento, TokenBank admite cuatro tipos de acuerdos: derechos de consumo de servicios; contratos que liquidan en efectivo las diferencias de precios de API, denominados forwards; financiamiento mediante derechos limitados sobre ingresos futuros por servicios; y reclamos de protección por fallas de servicio específicas.
Cada contrato especifica participantes, servicios cubiertos, vigencia, propiedad, condiciones de cumplimiento y reglas de liquidación, según el paper. Esa estructura busca que los acuerdos entre servicios con distintos precios y condiciones de ejecución queden definidos de antemano.
El paper plantea que, más allá de reducir el costo por solicitud, los operadores necesitan planificar el gasto futuro, financiar la ejecución antes de que lleguen los ingresos y obtener compensación por pérdidas especificadas. Esa planificación, señala, requiere acuerdos claros entre servicios con distintos precios y condiciones de ejecución.
Evaluación y resultados
La evaluación combina la repetición de 899.441 solicitudes de API, la ejecución real de agentes impulsados por modelos y pruebas de la API de contratos. En un escenario de remuestreo con precios al alza y descuento cero, los forwards reducen el gasto medio en USD 304,88, pero elevan su desviación estándar de USD 1.152,45 a USD 1.190,82.
Una réplica controlada con cinco portafolios por condición de capital encontró diferencias medias de contribución entre financiamiento y autofinanciamiento de +1,0635, -0,1406 y -0,2962 dólares experimentales bajo capital bajo, de referencia y abundante, respectivamente.
El propio paper precisa que la evaluación distingue la corrección de los contratos de su efectividad económica bajo supuestos declarados de economía y fallas. Además, advierte que no se dispone de facturas de proveedores ni de ingresos comerciales.
Contexto: la presión de los costos de inferencia
El trabajo se enmarca en un contexto donde la gestión de cargas de trabajo de IA a escala se volvió un problema operativo. Según IBM, el entrenamiento de modelos y la inferencia plantean requisitos distintos: el primero exige computación masiva en clústeres especializados, mientras que la inferencia prioriza la latencia y la disponibilidad por encima de la potencia bruta de procesamiento.
IBM cita además un estudio del IBM Institute for Business Value (IBV) según el cual el 77 % de los ejecutivos afirma que necesita adoptar la IA rápidamente para seguir siendo competitivo, aunque solo el 25 % está totalmente de acuerdo en que la infraestructura de TI de su organización puede admitir el escalado de la IA en toda la empresa. McKinsey, citado por la misma fuente, proyecta que las cargas de inferencia representarán más de la mitad de toda la computación de IA para 2030.
El mismo análisis de IBM señala que la capacidad de cómputo se convierte en el recurso más sobrecargado, porque el entrenamiento y la inferencia requieren GPU y TPU, más costosas de aprovisionar y operar que la computación estándar. A eso se suma que las cargas de IA suelen procesar datos no estructurados —imágenes, texto o audio—, lo que introduce complejidades para las que la infraestructura de TI estándar no fue diseñada.
IBM agrega que la infraestructura de centro de datos añade otra capa de exigencia: el entrenamiento necesita clústeres de alta densidad con sistemas de refrigeración avanzados, mientras que la inferencia requiere acceso de baja latencia a los datos y las aplicaciones. Las limitaciones energéticas también influyen cada vez más en la escalabilidad, y la gobernanza complica el cuadro a medida que se multiplican los sistemas y se vuelve más difícil mantener un linaje de datos coherente, registros de auditoría y controles de ciberseguridad.
Adopción y modelos en competencia
El contexto del sector muestra una carrera por la adopción masiva. Según Funds Society, el lanzamiento del modelo R-1 de DeepSeek a principios de 2025 cuestionó el dominio de la IA en Estados Unidos y produjo en ese momento una caída de 600.000 millones de dólares en la valoración de mercado de NVIDIA.
La misma fuente refiere que durante el Año Nuevo Lunar se lanzaron varios modelos, entre ellos Seedance 2.0 de ByteDance, Qwen 3.5 de Alibaba, GLM-5 de Knowledge Atlas, Kimi K2.5 de Moonshot y MiniMax M2.7 en marzo, mientras que DeepSeek V4 estaba previsto para abril. Añade que cientos de millones de usuarios fueron incentivados a probar la IA mediante campañas gamificadas de «red packet» y funciones integradas en aplicaciones cotidianas y servicios de telecomunicaciones.
Funds Society sostiene que la adopción a gran escala puede crear rápidamente dinámicas de «el ganador se lleva la mayor parte», sobre todo cuando los actores establecidos integran la IA en ecosistemas existentes como pagos, comercio, redes sociales y creación de video. La fuente plantea que la verdadera competencia comienza después del festivo y que la empresa ganadora no será la que reparta más efectivo, sino la que logre retener a los nuevos usuarios.
El paper no especifica aplicaciones comerciales ni despliegues en producción de TokenBank. Los resultados reportados corresponden a escenarios experimentales bajo supuestos declarados por los autores, y la propia evaluación aclara que no se dispone de facturas de proveedores ni de ingresos comerciales para contrastar la efectividad económica del sistema.
Comentarios
Comparte tu opinión de manera respetuosa.
Inicia sesión para dejar un comentario.