A finales de febrero 2025, con el shock de DeepSeek aún fresco en los algoritmos de los traders americanos, Man Solutions publica un short paper que coge la pregunta más obvia del momento — ¿es esto la burbuja del puntocom otra vez? — y la responde con tres gráficos en lugar de con retórica. La conclusión es matizada y por eso vale la pena leerla en lugar del titular: hay euforia, no se parece al puntocom donde más se publicita el paralelo, y la diferencia importa para entender qué tipo de corrección puede venir.
El paralelo que casi todos invocan
Las valoraciones absolutas del top tecnológico americano son la primera comparación que sale a la mesa cuando se habla de burbuja AI. Y la primera donde los datos rompen la narrativa fácil.
Figura. Movimientos del S&P 500 de 10% o más desde 1985, con la revisión de beneficios asociada a cada episodio. Las barras azul marino marcan la caída de precio del índice (de -2% a -55%, con los mínimos en el dotcom 2000-2002 y la crisis financiera 2007-2009); las barras azul claro, la revisión de earnings correspondiente. Las líneas discontinuas marcan las medias. Fuente: Man Group.
La distancia es seria. El top-5 del puntocom — Microsoft, Cisco, Intel, IBM y Oracle entonces — cotizaba a más de 55× earnings forward en su peak de marzo 2000. El top-5 actual está a la mitad. No es una valoración cómoda — está por encima de la media histórica de las grandes capitalizaciones tecnológicas y casi duplica al S&P 500 — pero llamarlo bubble en el sentido literal de la palabra es perder precisión analítica.
Donde el paper afila el filo es en lo que está debajo de ese múltiplo. En 2000, una parte significativa de las pure-plays no tenía earnings sobre los que aplicar un múltiplo de verdad. La metáfora del paper es brillante: el dotcom fue narrativa sobre clicks, sin economía real debajo. La inteligencia artificial generativa, en cambio, ya está moviendo márgenes en empresas que ganan dinero — antes de que el cliente diga nada sobre productividad.
Los earnings que sí existen
Figura. Arriba, evolución del precio del S&P 500 y de sus beneficios entre 1871 y 2024 (escala logarítmica). Abajo, expectativas de beneficio por acción (EPS) por año natural para el S&P 500: cada línea de color es la estimación del sell-side para un año concreto (de 1985 a 2027) y la línea negra es el EPS realizado a 12 meses. Fuente: Shiller, Man Group (febrero 2025).
Esta es la gráfica que el paper usa para vender su tesis central. No mide la promesa AI; mide lo que las empresas ya están entregando. Las top-10 beneficiarias de la temática — el cohorte que un asset manager comparable estaría posicionando — han elevado las ventas por empleado a tasas anualizadas de doble dígito desde el lanzamiento de ChatGPT. Eso no resuelve la pregunta de la valoración (¿cuánto tiempo dura?), pero sí desactiva la analogía gruesa con el dotcom.
Man Solutions es explícita en el matiz: "perhaps this is hindsight bias, but to me it feels relatively intuitive how, at the time, you could have imagined the pathways by which e-commerce, internet search or social media could exponentially generate revenue raising opportunities." En otras palabras: en 1999 también había una historia plausible. El problema fue que los pure-plays sin economía real recibieron capital y múltiplo como si la tuvieran. Hoy, en cambio, los grandes ganadores de la temática AI son empresas con margen, generación de caja y cuotas de mercado defendidas.
DeepSeek y la pregunta del moat
Figura. Ratio precio-ventas (P/S) actual de diez grandes negocios tech de suscripción (serie única de barras): Microsoft 12x, Adobe 10x, Salesforce 9x, Netflix 11x, Spotify 8x, Shopify 15x, Oracle 9x, ServiceNow 19x, Atlassian 17x y Zoom 6x. La línea discontinua superior marca la media del cohorte (11x) y la inferior una referencia "OpenAI?" (8x). Debajo, gráfico complementario de la cuota de las cinco mayores compañías por capitalización en el S&P 500. Fuente: Bloomberg, Man Group calculations (febrero 2025).
Aquí el paper apunta a la pregunta más relevante para el inversor profesional: ¿qué pasa con el moat cuando una mejora en la infraestructura AI puede bajar dramáticamente el coste de los modelos? El P/S actual de los grandes negocios tech con suscripción es muy dispar — Zoom está hoy en 6×, Shopify en 15×, mientras ServiceNow y Atlassian, los más caros del grupo, marcan 19× y 17×. El promedio del cohorte está en torno al 11×. Si DeepSeek y sus equivalentes futuros consolidan la idea de que la commoditización del modelo es más rápida de lo previsto, el cuello de botella se mueve del compute (capex de hyperscalers) hacia la distribución y los datos propietarios. Quien tenga distribución real y datos defendibles — Microsoft, Google, los SaaS con datos del cliente — sigue valiendo lo que dice valer. Quien tenga solo modelo, no.
El veredicto Maya
Hay tres lecturas operativas que sacamos de este paper. La primera: la analogía dotcom es emocionalmente útil para el cliente pero estadísticamente perezosa. Las valoraciones son altas pero no extremas; los earnings detrás existen; la concentración sí es histórica pero por otras razones. Quien quiera contar una historia de cautela puede hacerlo con los datos correctos en lugar de con la frase fácil.
La segunda: el riesgo real no es el múltiplo, es el moat. Es la lectura que Man Solutions deja entre líneas. Si la commoditización del lado modelo de la AI se acelera, los hyperscalers con datos propietarios y customer base están en mejor posición que los pure-plays AI sin distribución. Esto encaja con la cartera Pólvora–Largo Plazo de BISSAN, donde la calidad de la franquicia siempre ha pesado más que la velocidad del crecimiento.
La tercera: una corrección estilo dotcom requeriría tanto valoración como deterioro de earnings. En 2000 ocurrieron ambas a la vez. Hoy, una corrección puramente de múltiplo — sin que los earnings se desplomen — es perfectamente posible y mucho más absorbible para una cartera diversificada. No estamos para correr a esconder los activos, pero tampoco para ignorar que la dispersión de retornos en el top tecnológico va a ampliarse cuando el mercado tenga que decidir cuáles de los actuales líderes serán los líderes del 2030.
DeepSeek y la commoditización del modelo
El catalizador del paper merece más detalle. DeepSeek-V3 y DeepSeek-R1 son modelos abiertos publicados por la firma china DeepSeek en diciembre 2024 y enero 2025. Sus características críticas:
- Performance comparable a GPT-4o y Claude 3.5 Sonnet en benchmarks de razonamiento, código y matemáticas.
- Coste de inferencia 27× menor que GPT-4o según el paper original.
- Coste de training reportado de $5.6M (vs estimaciones de $100M+ para GPT-4).
- Modelo open source: weights publicados, replicable por cualquier organización.
El shock para el mercado el 27 de enero fue brutal: NVIDIA perdió $589B de market cap en un día (-17%), el mayor drop de la historia para una empresa cotizada. La pregunta que el mercado se hizo: si la AI de frontera puede entrenarse con $6M, ¿qué pasa con los $200B+ de CapEx anual que los hyperscalers (Microsoft, Google, Meta, Amazon) tienen planificados?
Man Solutions plantea el dilema con honestidad: si DeepSeek demuestra que menos compute = igual performance, el bull case de NVIDIA depende de la demanda inducida (Jevons paradox: si los modelos son más baratos, se usan más → demanda agregada de compute sube). Si DeepSeek demuestra que mismo compute con mejor algoritmo = más performance, el ROI marginal del CapEx hyperscaler se deteriora.
Implicaciones operativas: qué hacer con la temática AI
Tras DeepSeek, el portfolio AI debe diferenciarse entre tres tipos de exposiciones:
- Picks and shovels resilientes: NVIDIA, TSMC, ASML. Beneficiarios de la infraestructura subyacente independientemente de quién gane en aplicación. Riesgo: si CapEx hyperscaler se modera, sufren.
- Distribution moats: Microsoft, Google, Meta. Tienen datos propietarios + customer base que el modelo abierto no replica. Más resilientes a commoditización del modelo.
- Pure-play AI vulnerable: Palantir, C3.ai, SoundHound. Sin distribution moat ni data moat real. Más expuestos a corrección.
Para BISSAN, la lección operativa es priorizar tipo 2 (distribution moats) sobre tipo 3 (pure-plays). La calidad de moat va a ser el factor diferenciador en próximos 18-24 meses, no la exposure nominal a "AI theme". Man Solutions no lo dice explícitamente pero la lectura entre líneas apunta exactamente a eso.
La diferencia que hace la concentración
Otro punto del paper merece atención: la concentración del top-5 en el S&P 500 supera hoy el 30 %. En el peak dotcom rondaba el 18 %. Si hay parecido con 1999, el parecido es vía concentración, no vía valoraciones absolutas.
Las implicaciones son significativas para risk management:
- Si Mag 7 cae 30 %, S&P 500 cap-weighted cae aproximadamente 10 % por aritmetica. Si caen 50 %, S&P 500 cae 16-17 %.
- Equal-weight S&P 500 sería más resiliente: una caída del 30 % en Mag 7 solo impacta ~4-5 % del índice (cada uno pesa 0.2 %).
- Cliente medio europeo con cartera global tiene típicamente 60-70 % en US equity, de los cuales 30 % son Mag 7. Eso es 18-21 % de cartera total en 7 acciones.
Para BISSAN, esto refuerza la recomendación operativa: considerar Equal Weight (RSP) como alternativa a S&P 500 cap-weighted para porción del bloque equity US. El trade-off: menor performance en bull runs concentrados, mejor resiliencia en correcciones. Con dispersión esperada a ampliarse, ese trade-off favorece equal-weight en 2025-2027.
Man Solutions ha publicado uno de los pieces más útiles sobre la tensión actual entre euforia AI y disciplina de valoración. Vale la pena su lectura entera y su circulación interna en BISSAN para informar conversaciones con clientes sofisticados que pregunten sobre AI exposure.