Amazon, Alphabet, Meta y Microsoft invertirán conjuntamente cerca de 700.000 millones de dólares en infraestructura de inteligencia artificial durante 2026, según datos publicados por Bloomberg y Fortune a partir de los resultados trimestrales de las cuatro compañías. La cifra más que triplica el capex combinado de estos mismos actores en 2024, que se situó en torno a los 200.000 millones, y representa la mayor expansión de infraestructura tecnológica en la historia del sector.
El desglose por empresa muestra la magnitud de la apuesta: Amazon lidera con un presupuesto de capex de 200.000 millones para AWS (frente a los 131.800 millones de 2025), Alphabet ha doblado su previsión hasta 175.000-185.000 millones, Meta ha elevado su objetivo hasta los 135.000 millones, y Microsoft mantiene un ritmo de gasto trimestral de 37.500 millones que sitúa su capex anual por encima de los 120.000 millones en el ejercicio fiscal 2026. El grueso de esta inversión se dirige a centros de datos, chips GPU especializados —con precios unitarios de hasta 40.000 dólares— y redes de alta velocidad para interconectar clusters de entrenamiento y servicio de modelos.
McKinsey Research estima que el capex global en infraestructura de IA podría alcanzar los 6,7 billones de dólares acumulados hasta 2030 para satisfacer la demanda computacional proyectada. Sin embargo, el ritmo actual de inversión genera dudas entre analistas e inversores sobre la sostenibilidad financiera del modelo. La depreciación acelerada del hardware de IA —con ciclos de obsolescencia de tres a cuatro años— añade una carga de costes futuros que algunos consideran infravalorada en los modelos de retorno de los hyperscalers.
Para los arquitectos de datos y responsables de plataformas, el contexto importa porque determina la disponibilidad y el precio del cómputo en los próximos años. Una sobreinversión sostenida en GPU y centros de datos tiende a comprimir los precios de los servicios cloud a medio plazo, mientras que una corrección brusca —si la demanda no acompaña— podría ralentizar la expansión de capacidad disponible. La industria del dato depende estructuralmente de esta infraestructura: entrenamiento de modelos, procesamiento de grandes volúmenes en tiempo real y despliegue de pipelines de ML tienen el mismo sustrato físico que estas inversiones están financiando.
Más en Dataprix: TOP 10 Plataformas de Data Science e IA para Empresas 2026
Fuente: Fortune