Hace unos meses publicamos aquí que la inteligencia artificial no es un arma aunque se pueda usar como tal, y que si uno sigue el rastro del dinero ve que quien paga la mayor parte de la cuenta es el mundo civil y no Defensa. Entonces nos quedamos con la idea general y ahora vamos a ver qué dicen los números actuales. Tiene su interés porque la IA está cada día más presente, también en nuestro ámbito. Por ejemplo, Shotisize analiza el audio de un vídeo de tiro y superpone los tiempos de cada disparo. Nosotros mismos utilizamos habitualmente la IA para generar contenido, como ya te contamos al desmontar el asunto de la hoplología.
En este artículo no vamos a predecir nada, porque no somos Nostradamus ni queremos serlo. Simplemente vamos a mostrarte las cifras publicadas y compararlas para ver qué se puede observar. No te preocupes que para eso no hace falta saber cómo funciona un modelo de IA por dentro, igual que no hace falta ser mecánico para ver que un camión de 4m de alto no entra por un túnel de 2 ─solo hay que utilizar un metro y tomar medidas del camión y el túnel, que los números te dirán si entra─.
Antes de empezar, digamos que lo que vamos a desarrollar a continuación son cuentas hechas a partir de datos públicos, a partir de los que se puede observar algo. Se necesitan más datos o un fallo de razonamiento para rebatir las conclusiones. Si alguien tiene datos que no hemos tenido en cuenta, o demuestra que hay datos erróneos, el razonamiento quedaría invalidado y habría que revisarlo ─lo cual no es raro que suceda en cualquier ámbito a medida que se va sabiendo más─. Lo que no invalida un argumento es una opinión del tipo «no estoy de acuerdo», sin aportar datos y razonamiento, ni una falacia de apelación a la autoridad del tipo «llevo veinte años en esto». Eso no es un argumento, es una opinión, y ya lo dijimos en el artículo anterior. Lo que da fuerza a un razonamiento son las evidencias, no el currículum de su autor.
Con tener 2 aspectos claros sobre el coste de un gran modelo de lenguaje (LLM) es suficiente para seguir el hilo de este artículo. Entrenar un modelo implica hacerle analizar grandes cantidades de texto durante semanas o meses en miles de tarjetas gráficas, y eso se paga una sola vez. Después se ofrece como un servicio, por el que cada vez que alguien pregunta, el modelo responde y tiene un coste cada vez. Con esos dos aspectos en mente, se entiende lo que viene a continuación. No va de la parte técnica detrás de todo esto de la IA, porque no tenemos ni idea y nos vamos a limitar a aplicar un razonamiento lógico a los datos disponibles.
El dinero público no llega ni de lejos para pagar el desarrollo de la IA.
Hay expertos en la materia que dan por hecho que la IA más potente quedará reservada para su uso por gobiernos y ejércitos, y que al mercado civil solo llegarán las sobras. Para que eso ocurra hace falta que el Estado pueda pagarlo. Vamos a ver si puede.
En marzo de 2026 OpenAI recaudó 122.000 millones de dólares de una sola vez, sobre una valoración de 852.000 millones, convirtiéndose en la mayor ronda privada de financiación que se ha hecho nunca. 2 meses después Anthropic recaudó 65.000 millones sobre una valoración de 965.000 millones. Y las 4 grandes empresas de la nube, que son Amazon, Microsoft, Google y Meta, han dicho a sus inversores que este año se van a gastar unos 725.000 millones de dólares en construir instalaciones, frente a unos 410.000 millones el año pasado.
Un piloto de F-35B Lightning II del Cuerpo de Infantería de Marina estadounidense asignado al Escuadrón de Ataque de Cazas de los Marines (VMFA) 211, 13.ª Unidad Expedicionaria de los Marines, se prepara para el despegue antes de ejecutar una misión de entrenamiento de ataque aéreo expedicionario frente a la costa de California, el 24 de agosto de 2026 (Foto del Cuerpo de Marines de los EE. UU. por la Cbo1º. Mary R. Jenni)
Comparemos esas cifras con las del comprador estatal más rico del mundo, el Ministerio de Defensa estadounidense [Department of War (DoW)]. El F-35 es el programa de armamento más caro de la historia. Comprar todos los aviones previstos, con el desarrollo incluido, cuesta 536.300 millones de dólares según el último informe de adquisiciones del Pentágono, y esa cifra comprende 25 años de programa, 20 países socios y 2.456 cazas. El bombardero B-21 tiene un presupuesto de 35.000 millones de dólares hasta 2028, y el misil Sentinel cuenta con 38.500 millones más 19.400 de obra. Por tanto, una sola ronda de financiación de OpenAI equivale a la cuarta parte de todo el programa F-35, y una sola ronda de financiación de Anthropic casi iguala a los programas B-21 y al Sentinel juntos.
Y si en lugar de aviones de última generación tenemos en cuenta el presupuesto que el Ministerio de Defensa estadounidense dedica a la IA en concreto, no hay comparación posible. El presupuesto estadounidense de 2026 tiene por primera vez una partida propia de IA y sistemas autónomos con 13.400 millones de dólares. De ahí, 9.400 son para drones aéreos, 1.700 para barcos de superficie, 734 millones para submarinos, 210 para vehículos de tierra y 1.200 para programas informáticos, de los que solo 200 millones son para la IA propiamente dicha. Toda esa partida presupuestaria (13.400 millones) es menos del 2% de lo que gastan esas 4 empresas en un año, y la parte que se dedica a modelos no llega ni al 0,03%. Los contratos lo confirman, porque los que el Pentágono repartió en julio de 2025 entre Anthropic, Google, OpenAI y xAI tenían un techo de 200 millones de dólares por empresa, que no son más que calderilla que cualquiera de esas empresas consume en unas semanas.
Teniendo en cuenta las dificultades presupuestarias del Ministerio de Defensa estadounidense para mantener sus actuales programas estrella, no parece que esté en su mejor momento para meterse en algo tan sumamente caro como desarrollar IA por su cuenta. Para 2026 la oficina del programa F-35 calculó que hacían falta unos 9.800 millones de dólares solo de sostenimiento. Se aprobaron 6.700 millones, la Fuerza Aérea puso otros 1.000 millones de su bolsillo y ni con esas llegaban, sino que le faltaban más de 2.000 millones de dólares, mientras la proporción de aviones estadounidenses listos para todas sus misiones caía al 25% en 2025. A eso hay que sumar la cadencia de producción. El F-35 empezó a desarrollarse en 2001 con una estimación de 233.000 millones de dólares, y la producción a pleno rendimiento se aprobó el 12 de marzo de 2024, 23 años después. Los laboratorios de IA sacan un modelo grande cada 6 o 12 meses y lanzan algunas mejoras cada pocas semanas. Esa cadencia de desarrollo no parece encajar con la propia de los programas de Defensa.
Aun así, alguien puede pensar que con un presupuesto de Defensa cercano al billón de dólares al año, si quisieran sacarían el dinero de donde fuera. Y probablemente sí podrían ponerlo, que ya lo dijimos en el artículo anterior. La cuestión no es si pueden pagarlo, sino si pueden hacerlo por su cuenta, porque además del dinero hacen falta los mejores investigadores, cantidades enormes de datos y millones de personas utilizándolo a diario para ir puliéndolo. Y eso último solo lo da un producto civil de consumo masivo.
El Ministerio de Defensa estadounidense ya lo está intentando.
El que piensa que efectivamente Defensa tendrá su propio modelo exclusivo cuenta con un argumento razonable. Defensa puede pagar sus propias instalaciones, montar sus propios centros de datos blindados en terreno militar y alojar un modelo puntero en exclusiva, sin las limitaciones que las propias empresas imponen a sus usuarios civiles y sin repartir la capacidad con nadie más. No se trata de una teoría, ni de lo lógico y razonable, sino de lo que ya están haciendo ahora mismo.
El Ministerio de Defensa estadounidense ha solicitado una partida presupuestaria de cerca de 30.000 millones de dólares para 2027 que dedicará a una iniciativa llamada AI Arsenal, que uno de sus responsables describió como una inversión en instalaciones propias del Gobierno para sacar más partido a su capacidad de compra. La memoria justificativa de dicha partida presupuestaria expone que la idea es dejar de pagar grupos sueltos de tarjetas gráficas por aquí y por allá, y montar algo ordenado, con centros de datos blindados para información secreta en varios sitios a la vez y una primera flota de procesadores de última generación. El motivo es evidente, no competir con la demanda de los usuarios civiles ni depender de ella a la hora de tirar de los recursos de las empresas del sector.
La cuestión es cómo están llevando a cabo esta idea. El Pentágono no lo está construyendo por su cuenta, sino que ha abierto al menos 12 bases militares a promotores privados a cambio de horas de cálculo, aunque solo hay 2 adjudicadas, y además con condiciones pendientes. Carlyle, una de las mayores firmas de inversión del mundo, se quedó con unos 1.384 acres en Fort Bliss, en Texas, y en el campo de pruebas de Dugway, en Utah, una sociedad de 2 de las mayores gestoras del planeta prepara 3 parcelas que suman unos 3.466 acres. El Secretario del Ejército de Tierra estadounidense [Secretary of the Army] dijo que lo de Fort Bliss es el primer centro de datos de este tamaño que el Pentágono ha hecho nunca, y la idea a largo plazo es un recinto con una parte comercial, otra parte militar reservada y su propia central eléctrica. Es decir, que hasta lo que llaman instalaciones propias del Gobierno resulta ser terreno cedido a fondos de inversión a cambio de horas de máquina.
Por otra parte tenemos el calendario de estos proyectos. Fort Bliss empezará a dar servicio en 2027 y Dugway en 2029, sin que eso signifique haber finalizado las obras. En ese plazo los laboratorios de IA habrán sacado varias tandas de modelos nuevos. Y esos 30.000 millones para 2027, que pueden parecer mucho, son la cuarta parte de una sola ronda de financiación de OpenAI y se reparten entre todo el proyecto AI Arsenal, no únicamente en el desarrollo de un único modelo.
Hay una cuestión de fondo que es la clave del asunto. Disponer de un modelo sin restricciones permite acceder a todo lo que ese modelo ya puede ofrecer, pero no lo convierte en uno más potente, sino en el mismo modelo sin las salvaguardas. El avance para ganar más potencia es entrenar el siguiente modelo, lo que significa no dejar de correr en una cinta que cuesta 3,5 veces más cada año, sin parar. El uso de un modelo ya hecho resulta muy barato comparado con el desarrollo del siguiente modelo. Esto quiere decir que el Pentágono perfectamente puede tener un modelo muy bueno funcionando en exclusiva para ellos sin ninguna restricción, pero lo que no puede tener es la fábrica que desarrolle el siguiente modelo.
Y eso de tener un modelo de uso exclusivo parece una ventaja, pero resulta ser el problema. Un modelo que solo usa el Gobierno no tiene clientes de pago entre los que repartir los costes de entrenarlo. Las empresas distribuyen esos costes entre millones de usuarios, y esos ingresos contribuyen a financiar el entrenamiento del siguiente modelo. Por ejemplo, Anthropic superó los 47.000 millones de dólares de ingresos al año antes de su última ronda de financiación, unos ingresos que un modelo reservado no percibe y que por sí solos superan con creces todo el presupuesto del proyecto AI Arsenal. No salen las cuentas con presupuestos limitados.
Por supuesto, el proyecto AI Arsenal ofrece importantes ventajas al Pentágono, ya que el terreno es suyo, tiene sitio garantizado, y en los pliegos de prescripciones técnicas de Fort Bliss y Dugway han incluido un detalle muy agudo al obligar a los promotores a construir su propia central eléctrica para no depender de la red eléctrica local. De esta forma salvan el importante obstáculo de la espera de 3 a 7 años que afecta a los proyectos civiles, e incluso pueden hacer algo de dinero vendiendo el excedente. Se trata de una ventaja en cuanto a la construcción de los centros de datos, no en cuanto al desarrollo de nuevos modelos más potentes.
De momento no parece que el Pentágono esté totalmente inmerso en el desarrollo de sus propios modelos, algo que ya explican los números. Pero es que además tiene aprobados los sistemas de 8 empresas distintas para sus redes reservadas. Además, cuando a principios de 2026 Anthropic se negó a que sus modelos se usaran en armas autónomas y en vigilancia masiva de ciudadanos, el Pentágono cesó su relación con la empresa y solo unas semanas después OpenAI firmó su despliegue reservado. Lejos de desarrollar un modelo a medida, el Pentágono compra lo que hay en el mercado y cuando no es de su agrado cambia de proveedor, como hace cualquier cliente.
China marca el ritmo con su guerra de precios.
Para entender esto hay que pensar una cosa. Hay modelos ─denominados de pesos abiertos [open weights]─ cuyo fichero se publica entero para que cualquiera se lo baje, lo modifique a su gusto y lo instale en sus propios equipos para darle uso de forma ilimitada, sin pagar un céntimo por el uso del modelo. Casi todos los laboratorios chinos de IA desarrollan modelos de pesos abiertos, es decir, a libre disposición de cualquiera, lo que tiene un efecto inmediato sobre el mercado occidental.
La cronología de los hechos de abril de 2026 lo explica muy bien. Entre el 7 y el 24 de abril de 2026, 4 laboratorios chinos de IA sacaron modelos de programación de pesos abiertos, que fueron GLM-5.1 de Z.ai, M2.7 de MiniMax, Kimi K2.6 de Moonshot y DeepSeek V4 en 2 versiones. La respuesta de Occidente no se hizo esperar y el 16 de abril de 2026 se lanzó Claude Opus 4.7 y el día 23 de abril fue el turno de GPT-5.5. Básicamente China y Occidente encadenan sus lanzamientos en cuestión de días. El modelo chino GLM-5.1 se hizo público con la licencia más permisiva que existe, y según las pruebas del propio laboratorio ─fíate lo justo, que siempre van a barrer para casa─ le ganaba a GPT-5.4 y a Claude Opus 4.6 en tareas de programación. En julio de 2026 llegó Kimi K3, presentado como el mayor modelo abierto del mundo.
Sin embargo, la cuestión no es tanto la potencia de un modelo frente a otro, sino el precio, que explica algunas cosas. En mayo de 2026 los modelos chinos ofrecían una calidad de razonamiento similar a la de GPT-5 por la quinta parte del precio, con diferencias de entre 5 y 25 veces según el caso, mientras que en manejo de herramientas y en imagen seguían un escalón por debajo. Así que, como con cualquier producto o servicio, si una marca ofrece casi lo mismo por 5 veces menos precio que otra, esa otra solo tiene 2 opciones para mantenerse en el mercado, igualar el precio a la baja u ofrecer tanto más como más alto es su precio. No es más que la guerra de precios de cualquier sector, sean microprocesadores, coches o cualquier otra cosa. El cliente quiere lo más potente por el precio más bajo posible y cuando una marca compite con un mejor precio, las demás marcas tienen que espabilar para no perder mercado.
Curiosamente no parece que los intentos por frenar el avance de los modelos chinos dieran resultado. GLM-5 se entrenó entero en microprocesadores chinos de Huawei, y GLM-5.3-Flash también solo con chips chinos. Estados Unidos prohíbe vender a China las tarjetas gráficas más potentes de Nvidia desde 2022 para intentar retrasar sus desarrollos varios años. El efecto ha sido acelerar el desarrollo de su propia industria de microprocesadores, que ya venía de antes con los Ascend de Huawei, y que mientras hagan su función no va a importar demasiado si no son los más potentes del mundo. Se podría decir que «no se le pueden poner puertas al campo» y esta tecnología parece uno de esos campos.
Cada modelo nuevo cuesta más tenerlo en funcionamiento.
Este es otro aspecto de los modelos de IA que también influye en la evolución del mercado. El lanzamiento de un nuevo modelo de IA no es como una nueva versión de una aplicación de móvil, que genera gasto a la empresa para su desarrollo, pero no tanto una vez se distribuye y se usa. Cada nuevo modelo de IA cuesta más desarrollarlo y también cuesta más mantenerlo funcionando cada día que pasa.
Veamos las cifras que ofrece Epoch AI, que parece ser quien sigue el sector más de cerca. La potencia de cálculo que se utiliza para entrenar los modelos de vanguardia se multiplica por 5 cada año desde 2020, es decir, se dobla cada 5,2 meses. Por su parte, los microprocesadores mejoran mucho más despacio y su rendimiento por cada dólar invertido solo crece un 49% al año, con un 34% anual de mejora de eficiencia energética, es decir, cada año dan un 34% más de cálculo por vatio. Si la potencia de cálculo necesaria se multiplica por 5 cada año y los microprocesadores solo multiplican su potencia por 1,49 cada año, los costes de potencia de cálculo se multiplican por 3,5 al año, es decir, se duplican cada 7 meses. Y la electricidad necesaria se duplica cada año.
Eso en cuanto a desarrollo de un nuevo modelo, pero es que mantener cada modelo en funcionamiento también tiene un coste elevado. Un trabajo publicado en la revista Joule calcula que una consulta normal gasta 0,31 Wh, mientras que una consulta de las que el sistema se para a pensar antes de contestar se va a 3,91 Wh, es decir, 13 veces más consumo. Y el mismo trabajo señala que basta con que el 10% de las preguntas del día sean de ese tipo para más que doblar el gasto de todo el servicio. A eso se suma la propia forma de trabajar de los modelos, por la que una sesión en la que el sistema trabaja solo y va llamando a mil herramientas consume lo que antes consumían cientos de conversaciones.
Lo que hay detrás de toda esa potencia de proceso y consumo son centros de datos, con su coste y consumo. Un centro de datos de un gigavatio, que viene a ser lo que da una central mediana, cuesta unos 38.000 millones de dólares y se tarda unos 2,1 años en construirlo. Los transformadores tardan de 12 a 18 meses en entregarse, conectarse a la red eléctrica supone una espera de 3 a 7 años en las zonas de mayor demanda, y de los 16 gigavatios anunciados para 2026 en Estados Unidos solo hay unos 5 realmente en construcción, con entre el 30% y el 50% de los proyectos retrasados o cancelados. Por lo tanto, a la financiación y los microprocesadores se suma el cuello de botella de la electricidad.
Imagen de Novoklimov. CC BY 4.0
Teniendo estas cifras en cuenta, se hace evidente que el lanzamiento de un nuevo modelo de IA no consiste simplemente en ofrecer algo más potente, sino en disponer de suficientes recursos. Ahí parece que radica la clave en el ritmo de la evolución de todo esto. Los laboratorios de IA no dejan de desarrollar nuevos modelos, pero los recursos son limitados y limitantes, generando retrasos. Sam Altman ha reconocido que OpenAI tiene limitada su capacidad y que eso le afecta a la hora de sacar productos nuevos, y ha hablado de lo difícil que es repartir lo poco que hay. Google lleva varios meses de retraso para el lanzamiento de su modelo Gemini 3.5 Pro, con sus propios ingenieros quedándose sin sitio para trabajar, y eso en una empresa que va a gastar entre 180.000 y 190.000 millones de dólares este año.
La prueba más evidente la tenemos en la evolución de los precios. En los cambios de versión de 2026, todas las marcas subieron el precio, y en 4 de cada 5 casos la parte más cara subió un 100% o más. OpenAI dejó GPT-5.5 en el precio más alto del mercado. Anthropic no tocó la tarifa de Opus 4.7 respecto a la anterior, pero cambió la forma de contabilizar lo que consume cada consulta, y la subida efectiva acabó en torno al 25%.
Puede parecer que subir el precio contradice lo de la guerra de precios que veíamos antes, pero es justo la otra de las 2 salidas posibles. Al no dar la capacidad para bajar tarifas, las marcas occidentales han optado por ofrecer más potencia y cobrarla más cara. La presión de los modelos chinos sigue estando ahí, solo que se nota en lo que se da gratis y en la gama baja, y no en la gama alta, donde manda la escasez de recursos.
Así que como en cualquier otro sector tenemos la pescadilla que se muerde la cola. Una marca no lanza el producto más potente cuando lo considera oportuno, sino cuando sus competidores le obligan a ello y cuando tiene la capacidad para ponerlo en funcionamiento. El dinero que se capta hoy no se convierte en capacidad de servicio hasta finales de 2026 o en 2027, es decir, que lo que se lanza este año se decidió hace 2. Cuando un laboratorio chino lanza un modelo abierto de potencia similar por un menor precio, las marcas occidentales no pueden empezar entonces a desarrollar un producto mejor porque llegarían tarde. Lanzan al mercado el modelo que ya tenían listo, en el momento que más les conviene, ajustando el precio al alza. No es más que la competencia incentivando la innovación.
Algunas consideraciones.
Para empezar, las fechas no demuestran causa y efecto. Se tarda meses en entrenar un modelo, así que Claude Opus 4.7, publicado el 16 de abril de 2026, no empezó a desarrollarse en respuesta al lanzamiento del modelo chino GLM-5.1, publicado el día 8. La competencia fuerza el momento del lanzamiento de un nuevo modelo y el ajuste de sus precios, pero no marca la agenda del desarrollo y mejora continua.
Por otra parte, no hay pruebas de que los laboratorios de IA se aguarden modelos ya terminados. Una revisión de los casos documentados entre 2025 y 2026 comprobó que solo dos laboratorios explicaron por qué aguantaron un modelo y que normalmente lo que la prensa llamaba retrasos eran plazos anunciados desde el primer día. Z.ai, por ejemplo, cumplió el suyo y publicó GLM-5.3 el 28 de agosto de 2026, 14 días después de anunciarlo, aunque la licencia final no fue la libre que había prometido sino una propia con letra pequeña para las empresas grandes. La cosa es que sí que está documentado que la falta de recursos frena los nuevos desarrollos, pero no tanto que los aguanten una vez están listos.
Otro detalle a tener en cuenta es que casi todos los números de rendimiento que se utilizan al hablar de modelos de IA los publica el propio fabricante del modelo. Z.ai presenta sus propias gráficas sin que nadie más las revise, las de Kimi K3 tampoco las revisan otros, y la comparativa de GPT-5.5 con la competencia utiliza las calificaciones que les da la propia OpenAI. Cada marca se valora a sí misma y a las demás, así que no son datos fiables si no proceden de una fuente externa imparcial.
Además, en contra de lo anteriormente expuesto, que esto lo pague el mercado no quiere decir que sea sólido. Una buena parte de la infraestructura y obras para el desarrollo y funcionamiento de los modelos de IA se está pagando con dinero prestado, lo que representa un punto débil. Las grandes empresas de la nube pidieron 108.000 millones de dólares prestados en 2025 y 194.000 millones en lo que va de 2026, y cerca de 500.000 millones si se cuenta todo el sector. Entre que invierten y empiezan a sacarle partido pasan de 3 meses a 2 años, y los préstamos hay que devolverlos haya o no beneficios. Si la cosa no va bien, se complica más rápido que si estuviera pagado con acciones y no con préstamos. Ya pasó con la fibra óptica hacia el año 2000, cuando reventaron las cuentas de medio sector y la fibra ya estaba instalada para que la aprovechara otro más barato.
Por último, hay que reconocer que el Estado sí que tiene la sartén por el mango, pero no por su poder económico sino por su poder de control a través de permisos y restricciones de uso. En junio de 2026 el Gobierno estadounidense ordenó a Anthropic que restringiera el acceso a sus 2 modelos más potentes a todo el que no fuera estadounidense, incluso extranjeros que trabajaran en EE.UU. en empresas estadounidenses, lo que supuso la interrupción temporal para todo el mundo del acceso a estos 2 modelos ─hasta su restablecimiento 18 días después─. La interrupción impuesta por el Estado no fue porque fueran dueños de pago de los modelos más avanzados, sino por el control del Estado sobre una tecnología pagada por sus usuarios que puede plantear riesgos. Hay una gran diferencia entre una cosa y otra, y ya la contamos con detalle en el artículo anterior.
Conclusión.
Sin llegar a poder adivinar qué pasará mañana, midiendo lo que mide el camión y lo que mide el túnel, hoy el camión no entra por el túnel. Del mismo modo, con los datos disponibles a día de hoy, se observa que el desarrollo de esta tecnología no está todavía determinado por un Gobierno, sino que depende de cuánto está dispuesto a prestar quien pone el dinero, cuánta luz hay disponible para enganchar los centros de proceso de datos y qué producto acaba de lanzar al mercado la competencia. Si mañana salen datos que digan otra cosa, se revisa el razonamiento y ya está, que para eso lo publicamos con las fuentes a la vista.
Referencias.
1. Epoch AI, panel de tendencias de inteligencia artificial, actualizado a 5 de febrero de 2026. Coste y potencia de entrenamiento, mejora de las máquinas, consumo eléctrico y coste por gigavatio.
2. Breaking Defense, informe actualizado de compras del F-35, agosto de 2026.
3. GAO, sostenimiento del F-35, costes y disponibilidad de la flota.
4. Aerospace Global News, subida de 51.000 millones en el programa F-35, agosto de 2026.
5. MilitarySpend, principales programas de compra del año fiscal 2026, a partir de los libros de justificación del presupuesto del Departamento de Defensa.
6. DefenseScoop, la iniciativa AI Arsenal y los 30.000 millones pedidos para 2027.
7. Military.com, centros de datos en bases militares, Fort Bliss y Dugway, julio de 2026.
8. Análisis del planteamiento del Pentágono sobre instalaciones propias frente a nube comercial.
9. CNBC, ronda de financiación de Anthropic de mayo de 2026.
10. ValueAdd, ronda de OpenAI de marzo de 2026 y valoración.
11. Goldman Sachs Exchanges, cómo la deuda de la IA está cambiando el mercado de crédito, 5 de agosto de 2026. Hay que tener en cuenta que Goldman coloca esa deuda, así que no es una fuente neutral.
12. Análisis de los cuatro modelos chinos de programación de abril de 2026.
13. Comparativa de los modelos chinos de 2026 y diferencia de precio.
14. La capacidad de cálculo como cuello de botella, con la comparativa de subidas de precio por versión.
15. Declaraciones de Sam Altman sobre la falta de capacidad y los lanzamientos.
16. Retraso de Gemini 3.5 Pro y falta de capacidad dentro de Google, julio de 2026.
17. Retrasos y cancelaciones de centros de datos en Estados Unidos, 2026.
18. Registro de casos de ficheros retenidos y retrasos de publicación, 2025 y 2026.
19. Comunicado de Anthropic sobre la suspensión y la vuelta del acceso a Fable y Mythos.
