Dentro del programa Market Insights, J.P. Morgan Asset Management publica periódicamente cuadernos monográficos que condensan un tema en una colección de gráficos sin narrativa impuesta. El de este trimestre se titula Investing in an AI transformation (edición 1Q26, preparada por Stephanie Aliaga, con datos a 28 de febrero de 2026) y hace exactamente eso con la inteligencia artificial: dieciséis láminas que recorren la capacidad de los modelos, su coste, la adopción empresarial, la productividad, el empleo, el capex, la electricidad y, al final, lo que todo esto está haciendo con los mercados. No hay tesis de inversión explícita; hay datos. Y los datos, bien ordenados, cuentan una historia con más matices que el relato dominante.
Agentes que duplican su alcance cada siete meses
La lámina que abre el cuaderno es probablemente la más citada del año en los círculos de IA. Con datos de METR, mide la duración de las tareas —de ingeniería de software, ciberseguridad, razonamiento general y machine learning— que un agente de IA es capaz de completar de forma autónoma con un 80% de fiabilidad, expresada en el tiempo que esas mismas tareas le llevarían a un profesional humano. En 2019, GPT-2 apenas sostenía tareas de segundos. GPT-4 (2023) rondaba pocos minutos. GPT-5, lanzado en 2025, supera ya los 30 minutos de trabajo humano equivalente, y la curva punteada que une los puntos es una exponencial limpia: la duración se duplica aproximadamente cada 7 meses desde hace 6 años.
Figura 1. Duración de tareas autónomas y tasas de alucinación — Fuente: J.P. Morgan Asset Management (METR, Artificial Analysis).
El panel derecho es el contrapunto necesario: las tasas de alucinación, definidas como el porcentaje de veces que el modelo responde incorrectamente cuando debería haberse negado o admitido que no sabe. Hasta los mejores de la tabla fallan mucho con esa vara de medir: un 26% Claude 4.5 Haiku, un 34% GLM-5, un 38% Claude Sonnet 4.6, y a partir de ahí la lista empeora. La foto conjunta es la tensión central de toda la transformación: capacidad creciendo en exponencial y fiabilidad mejorando mucho más despacio.
El coste se hunde y los modelos se multiplican
Dos láminas completan el cuadro de la oferta. La primera, con proyecciones de Epoch AI, estima que el número acumulado de modelos "muy grandes" (por encima de 10²⁴ FLOP de cómputo de entrenamiento) pasará de unas decenas en 2025 a más de 450 en 2030, y que para entonces habrá más de un centenar de modelos en el umbral extremo de 10²⁷ FLOP. La segunda dibuja la frontera coste-capacidad: consultar GPT-4 costaba 37,50 dólares por millón de tokens en marzo de 2023; GPT-5 (High) costaba 3,63 dólares en agosto de 2025 —un 93% menos por una capacidad muy superior— y GPT-5 Nano, 0,14 dólares. En la esquina de la eficiencia, Grok 4 cuesta 0,28 dólares por millón de tokens. La inteligencia artificial no solo mejora: se abarata a un ritmo del 90% largo en dos años, que es lo que históricamente convierte una tecnología de laboratorio en una tecnología de propósito general.
La adopción: récord de apps y casi la mitad de las empresas pagando
¿Se nota ya en la economía real? El cuaderno responde con tres capas. La primera es la creación: el número de aplicaciones iOS publicadas cada mes en Estados Unidos crece un 74% interanual en enero de 2026, un salto sin precedente en la serie, y las solicitudes de creación de nuevas empresas se mantienen en la zona de las 500.000 mensuales (ajustadas estacionalmente), muy por encima del escalón pre-2020.
Figura 2. Desarrollo de producto y creación de empresas — Fuente: J.P. Morgan Asset Management.
La segunda capa es el gasto: según los datos de Ramp que recoge la lámina 7, el 47% de las empresas estadounidenses pagaba suscripciones a modelos, plataformas o herramientas de IA en enero de 2026, cuando dos años antes eran menos del 20%. La medición oficial del Census es más conservadora —un 18% de las empresas declara usar IA en alguna función de negocio en febrero de 2026—, con una dispersión sectorial enorme: del 41% en el sector de información y el 34% en servicios profesionales y técnicos a un dígito en transporte o hostelería. Y la tercera capa, la más interesante, son los agentes: entre las organizaciones de más de 1.000 millones de dólares de ingresos que encuesta KPMG, el 62% está pilotando agentes de IA en el cuarto trimestre de 2025, pero solo el 26% los tiene desplegados — un retroceso frente al 42% del trimestre anterior. La adopción avanza, pero no en línea recta: entre el piloto y la producción hay un valle que muchas empresas están cruzando ahora mismo.
La lámina de contexto histórico ayuda a calibrar: de los 70 años que tardó el inodoro o los 50-60 de la electricidad y el teléfono hasta el 75% de adopción en Estados Unidos, a los pocos años del smartphone, la tableta o las redes sociales. El cuaderno sitúa la IA generativa, con interrogante, como candidata a la adopción más rápida de la serie.
Productividad y empleo: la promesa y el matiz
La lámina 8 es puro contexto largo: el crecimiento de la productividad laboral estadounidense en tasa anualizada móvil de 10 años, desde 1885. Las grandes olas tecnológicas —la electrificación hacia 1890, la posguerra, el internet de los noventa— aparecen como jorobas que tardan una o dos décadas en formarse desde la invención hasta el dato. El ordenador personal se inventa en 1981 y la joroba de productividad llega a finales de los noventa. Las primeras formas de IA generativa se desarrollan en 2018, y el cuaderno dibuja a la derecha, en punteado, un posible AI boom todavía por confirmar. El mensaje implícito: si la historia rima, el grueso de la ganancia de productividad estaría aún por delante, no detrás.
En el empleo, el dato desactiva parte del alarmismo: de los aproximadamente 1,25 millones de despidos anunciados en Estados Unidos en los últimos 12 meses (datos de Challenger, Gray and Christmas a febrero de 2026), solo el 5% citaba la IA en el anuncio. El 95% restante respondía a los motivos de siempre: condiciones de mercado, reestructuraciones, recortes de costes. La transformación del mercado laboral puede llegar, pero a día de hoy la huella directa de la IA en los despidos anunciados es pequeña.
El dinero: tres cuartos de billón en capex y una red eléctrica a remolque
La parte central del cuaderno es la del dinero, y las cifras marean. El capex conjunto de los cinco grandes hyperscalers —Alphabet, Amazon, Meta, Microsoft y Oracle— fue de 71.000 millones de dólares en 2019, 241.000 en 2024 y 414.000 en 2025; las estimaciones lo llevan a 664.000 millones en 2026, 744.000 en 2027 y 775.000 en 2028. Más que duplicarse en tres años desde un nivel que ya era récord histórico.
Figura 3. El boom de capex de los hyperscalers — Fuente: J.P. Morgan Asset Management.
El panel derecho de esa misma lámina es el que vigilaría un analista de crédito: en porcentaje de ventas, el flujo de caja operativo de los hyperscalers sigue creciendo, pero el capex crece más deprisa, y el free cash flow se comprime visiblemente en la zona de previsión. La gran pregunta del ciclo —¿se financiará esta inversión con caja propia o acabará tensionando los balances?— queda planteada en un solo gráfico.
Y toda esa computación hay que enchufarla. La lámina eléctrica estima 181,6 GW de nueva capacidad de generación planificada en Estados Unidos entre lo que resta de 2025, 2026 y 2027, dominada por solar (52%) y baterías (27%), frente a solo 22,6 GW de retiradas. La infraestructura energética se ha convertido en parte inseparable de la tesis de la IA.
Mercados: del Mag 7 cansado a la concentración histórica
¿Y la bolsa? Aquí el cuaderno reserva sus matices más incómodos para el consenso. La tabla de la lámina 12 documenta que el Magnificent 7 ganó un 76% en 2023 y un 48% en 2024, aportando el 63% y el 55% del retorno del S&P 500 en esos años. Pero en 2025 su retorno (23%) ya fue inferior al de 2024, y en lo que va de 2026 el Mag 7 pierde un 7% mientras el S&P 493 sube un 4% y el índice agregado queda plano. La dispersión interna, además, es enorme: ya no son siete acciones moviéndose en bloque, sino siete historias distintas. En paralelo, el capital privado sigue entrando a manguerazos: la actividad de venture capital en IA acumula en 12 meses 1.821 operaciones en modelos de lenguaje por valor de 109.000 millones de dólares y 4.609 operaciones en aplicaciones sectoriales por 94.000 millones.
La lámina final pone la concentración en perspectiva de cuarenta años. Las diez mayores compañías del S&P 500 sumaban 251.000 millones de dólares de capitalización a comienzos de 1985 (DuPont, Kodak, Shell Oil, AT&T...), 597.000 millones en 1995, 2,4 billones en 2005, 3,2 billones en 2015 y 19,4 billones en 2025, con Microsoft, Amazon, Alphabet, Meta, Tesla, Broadcom y compañía copando la lista.
Figura 4. Las diez mayores del S&P 500, década a década — Fuente: J.P. Morgan Asset Management.
El gráfico tiene una doble lectura, y conviene quedarse con las dos. La primera: la concentración actual no tiene precedente en la serie, y quien compra el índice hoy compra, en una proporción histórica, una sola tesis tecnológica. La segunda: las listas de cada década apenas se repiten. De los diez gigantes de 1985, prácticamente ninguno sobrevivía en el top 10 de 2025. El liderazgo bursátil rota, incluso —especialmente— cuando parece eterno.
Nuestra lectura
Lo valioso de este cuaderno es que separa tres planos que el debate público mezcla constantemente: la capacidad tecnológica (exponencial y bien documentada), la adopción económica (real pero irregular, con un valle visible entre piloto y producción) y el retorno bursátil (que ya no acompaña en línea recta, como demuestra el Mag 7 en negativo este año). La historia de la productividad sugiere paciencia: las grandes olas tecnológicas tardaron una o dos décadas en aparecer en los datos agregados. Y la historia de la concentración sugiere humildad: que la transformación sea genuina no garantiza que los ganadores de hoy sean los de mañana. Entre el entusiasmo de la curva de METR y la prudencia del top 10 por décadas hay espacio de sobra para una cartera bien diversificada.