En 1965, Gordon Moore, cofundador de Fairchild Semiconductor y a la sazón cofundador de Intel (empresa de la que fue CEO de 1979 a 1987 y Presidente de 1979 a 1997), encontró una regularidad empírica vigente hasta la fecha. El patrón que Moore identificó, y que desde entonces se conoce como Ley de Moore, es que el número de transistores en un circuito integrado o chip se había duplicado cada dos años desde los cincuenta, cuando estos comenzaron a producirse (Mack, 2011).
Al momento del hallazgo, Moore pronosticó que dicha regularidad se mantendría cuando menos una década más, es decir, hasta mediados de los setenta. En retrospectiva, sabemos que Moore se quedó cortó: la duplicación bianual de los transistores se ha mantenido hasta hoy.
La Ley de Moore está a la base de dos procesos tecnológicos convergentes: el incremento en el poder computacional de ordenadores personales, servidores, celulares, tabletas, etc. y el decremento en el precio de cada unidad de procesamiento.
De manera analógica, se ha utilizado la Ley de Moore para describir reducciones sistemáticas en el precio de tecnología, sobre todo derivadas de eficiencias en el uso de recursos de procesamiento, aun cuando estas no deriven directa o exclusivamente de un mayor número de transistores por chip.
Desde esta perspectiva analógica de la Ley de Moore, es posible dar sentido a la sacudida que dio DeepSeek a las empresas tecnológicas estadounidenses y a los mercados financieros a fines de enero y principios de febrero pasados (Metz, 2025).
DeepSeek, concretamente en su versión R1, es un Large Language Model (LLM) y chatbot de origen chino que, según la información presentada por High-Flyer, la compañía que lo desarrolló, requirió para su entrenamiento solamente 2,000 chips, frente a los 16,000 comúnmente utilizados por la competencia (ChatGPT de OpenAI, Gemini de Google o Claude de Anthropic). Con ello, DeepSeek habría reducido la inversión en su entrenamiento a menos de seis millones de dólares, que contrastan con los cientos de millones de dólares requeridos por sus competidores (Metz & Tobin, 2025b).
Si bien es cierto que no se trata en sentido técnico de la Ley de Moore, dado que la contracción de los costos no deriva de mejores chips (de hecho, son los mismos que usa la competencia, desarrollados casi todos ellos por NVIDIA), sino de eficiencias en el diseño del procesamiento, sí se trata de un caso analógico de la Ley de Moore: avances tecnológicos llevan a una caída relevante en los costos de inversión y operación.
El impacto de la noticia en los mercados financieros, sobre todo tecnológicos (notablemente NASDAQ), tiene una explicación sencilla: mientras otras empresas AI, como OpenAI, Anthropic o Alphabet -la compañía madre de Google-, pedían a sus inversionistas más recursos para desarrollar mejores algoritmos, una empresa china comparativamente pequeña pudo ponerse a su nivel con una relativamente modesta inyección de recursos (Metz & Tobin, 2025a). Lo anterior puso en cuestionamiento las valuaciones de las empresas de Silicon Valley y sus multibillonarios planes de expansión.
Hacia el futuro, de acuerdo con la Ley de Moore, lo que cabe esperar son reducciones aún mayores en el costo de AI. ¿Qué tanto estos pueden bajar? Si consideramos que el referente para dichos modelos es el cerebro humano y si tomamos en cuenta que este los sigue superando en varios sentidos aun cuando su abastecimiento de energía es comparativamente mínimo (piénsese en la diferencia entre la electricidad utilizada por un centro de datos y la alimentación de una persona), hay todavía mucho por recorrer en lo que a costos de procesamiento se refiere (aunque deben considerarse las diferencias entre una entidad biológica como el cerebro y una digital como un LLM).
Cambiando el foco a las implicaciones de este panorama tecnológico para las empresas de Jalisco, en particular para cómo pueden aprovechar el descenso progresivo de los costos de AI, hay dos consideraciones: una financiera y la otra estratégica.
Desde una perspectiva financiera, la mejor manera de aprovechar los costos decrecientes de AI, con objeto de realzar su impacto en creación de valor, es priorizar aquellos problemas que implican mayores costos o que prometen más retornos en caso de ser resueltos. Al solucionarlos, la empresa en cuestión puede liberar una cantidad significativa de recursos, que a su vez podría invertir en más tecnología AI para resolver otros problemas (idóneamente, el segundo con mayor impacto, luego el tercero, etc.). Así, crearía un efecto “bola de nieve” que con el paso del tiempo puede ser el diferenciador frente a la competencia e incluso la plataforma sobre la que se construya una ruta de crecimiento autosostenido.
En lo que a estrategia se refiere, es un hecho que la resolución de problemas de negocio mediante AI requiere y seguirá requiriendo participación humana, misma se enriquece de experiencias de innovación de empresas con problemáticas, oportunidades y aprendizajes parecidos. En este sentido, el programa Insight Circles de Coparmex Jalisco permite conocer, de una manera estructurada y con visitas a otras empresas (en un entorno de confidencialidad), lo que distintas compañías con operaciones en Jalisco (Electrolit, Estafeta, Tierra y Armonía, Dulces De La Rosa, Cemex, Gas San Juan, Punto Forza, etc.) están haciendo en materia de transformación digital y conexos. A partir de tomar distancia de la propia realidad y adentrarse en la cotidianidad de otras empresas, los participantes adquieren nuevos enfoques e ideas.
Para finalizar, cabe notar que la tendencia a la baja de los costos de implementar AI, en esta dinámica de Ley de Moore analógica, presiona a todas las empresas a adoptarla, y hacerlo a la brevedad, para navegar en sus respectivas industrias. En efecto, dado que las barreras de entrada a estas tecnologías se están aminorando, cada vez más empresas podrán optar por implementarlas, creando incentivos para que otras lo hagan también.
Referencias
Mack, C. (2011). Fifty Years of Moore’s Law. IEEE Transactions on Semiconductor Manufacturing, 24(2), 202-207.
Metz, C. (2025, January 27). What is DeepSeek? And How is it Upending A.I. The New York Times. https://www.nytimes.com/2025/01/27/technology/what-is-deepseek-china-ai.html
Metz, C., & Tobin, M. (2025a, January 28). How Chinese A.I. start-up DeepSeek is Competing with Silicon Valley Giants. The New York Times. https://www.nytimes.com/2025/01/28/technology/china-deepseek-ai-silicon-valley.html
Metz, C., & Tobin, M. (2025b, February 12). DeepSeek’s AI chip costs undercut Silicon Valley’s giants. The New York Times. https://www.nytimes.com/2025/02/12/technology/deepseek-ai-chip-costs.html
