He estado queriendo escribir sobre este artículo durante mucho tiempo, pero me vi obligado a hacerlo cuando vi el correo de renovación mensual de mi suscripción a Claude Max. En mi limitada existencia en internet (~15 años), nunca había pagado más de $10 al mes por ningún software hasta que Claude/ChatGPT llegaron a mi vida.
También detesto genuinamente los ensayos tipo "tesis", pero me sentí obligado a escribir sobre este porque creo que nadie más está pensando en lo grande que es el problema que está a punto de convertirse; definitivamente no en las altas esferas de nuestro gobierno, que probablemente tienen problemas más grandes que resolver (y no me refiero al aceite de cocina).
Con el discurso a la nación de esta semana, el Primer Ministro destacó nuestro creciente déficit en cuenta corriente (CAD), lo que lo llevó a aconsejar a nuestros conciudadanos "no viajar al extranjero", "reducir los viajes de oficina" y "no comprar oro", etc. ¿Cómo se relaciona todo esto con la inferencia?, te preguntarás.
Desde que empecé a dedicar tiempo a los servicios de TI, especialmente en cómo la IA iba a alterar radicalmente la estructura de márgenes de estas empresas, ha sido difícil no pensar en el ensayo de Daniel Gross de 2024 sobre los "AGI trades", donde equipara las entonces exportaciones de TI de la India por $250 mil millones con los tokens de GPT-4 (que en ese momento ni siquiera razonaban). Los tokens de GPT 5.5 de hoy se han vuelto mucho más valiosos...
El petrodólar ha sido la combinación monetaria de facto durante algún tiempo. Las importaciones de petróleo y oro históricamente, y siguen ampliando nuestro déficit en cuenta corriente. Debilita la rupia cuando los precios se disparan. El petróleo pone nerviosos a los macroeconomistas, ministros de finanzas y banqueros centrales por una razón. (La guerra en curso ha expuesto una debilidad estructural en nuestra economía, empeorando las cosas).
Pero la economía de la IA está creando un nuevo tipo de dependencia de importaciones que cada vez se parece más al nuevo petrodólar: el token-dólar.
Si la economía de servicios de la India comienza a depender de tokens de modelos extranjeros para entregar software, análisis, consultoría, BPM, atención al cliente, cumplimiento normativo, operaciones financieras y trabajo de codificación, entonces estamos creando un nuevo insumo denominado en dólares para el motor de exportación más importante de la India.
La India no necesita un actor de inferencia nacional de clase mundial porque suene patriótico o porque lo soberano suene genial, sino porque la rupia no puede permitirse un futuro en el que cada unidad de trabajo habilitado por IA se alquile en dólares.
El colchón macroeconómico de la India han sido los servicios (por ahora...)
La cuenta externa de la India tiene un problema estructural simple. Importamos muchos bienes importantes esenciales para nuestra economía. Petróleo, oro, electrónica, maquinaria, semiconductores, equipos de defensa, insumos industriales. Estas importaciones crean una demanda constante de dólares.
Lo que nos salva siempre han sido los servicios; específicamente, los servicios de TI (ITeS).
La India cerró el año fiscal 2026 con exportaciones de servicios por $418.3 mil millones frente a importaciones de servicios que produjeron un superávit neto en la balanza de servicios de $213.9 mil millones. Ese superávit es la única razón por la que la rupia no se quebró mucho antes. Paga nuestro petróleo, nuestro oro, nuestra electrónica, nuestra maquinaria. La revisión de abril del propio Ministerio de Finanzas admite que el superávit de servicios compensa el 64.2% del déficit comercial de mercancías. Toda la cuenta externa se equilibra sobre la base de las exportaciones de servicios, y las exportaciones de servicios se equilibran sobre la base de desarrolladores, analistas, personal de soporte e ingenieros indios que venden tiempo a clientes extranjeros con un margen.
Este pacto macroeconómico con el que la India ha vivido durante años se está viendo radicalmente alterado en este mismo momento...
El futuro perezoso de la IA para la India convierte las exportaciones de servicios en importaciones de tokens
Hoy, una empresa de TI india gana dólares de un cliente global y paga la mayor parte de su base de costos en rupias.
Mañana, la misma empresa podría ganar dólares de un cliente global, pero pagar a una empresa de modelos extranjera por inferencia cada vez que un agente de IA razona, codifica, redacta, verifica, busca, resume, clasifica o responde. El arbitraje de la era anterior ya no se mantendrá en un mundo cada vez más tokenómico...
El riesgo no es que las empresas indias utilicen herramientas de IA extranjeras. Ya lo están haciendo y aumentarán el gasto, a juzgar por los recientes MoU firmados con OpenAI y Anthropic. El riesgo es que el insumo escaso en la prestación de servicios pase de la mano de obra india a la inferencia extranjera.
Una vez que eso suceda, la TI india se convertirá en un revendedor de la inteligencia de otra persona.
Los tokens se comportan como bienes intermedios importados
Un token es fácil de descartar porque se siente abstracto, a diferencia de los barriles de crudo que se descargan en Jamnagar.
Pero en la cuenta externa, la abstracción no importa, ya que un pago recurrente en dólares sigue siendo una salida de rupias.
Ahora, mapea eso en la industria de servicios de la India. Una factura anual de tokens de $42 mil millones al 10% del gasto en inferencia extranjera no se vería como petróleo en el balance comercial. Pero se comportaría como una fuga importante en la cuenta externa.
El bucle de retroalimentación de la rupia
Esto se vuelve más feo cuando agregas la depreciación de la moneda.
La inferencia extranjera se cotiza en dólares. Las empresas indias a menudo ganan, gastan o reportan en rupias. Si la rupia se debilita, cada token cotizado en dólares se vuelve más caro en términos de moneda local.
Eso crea un círculo vicioso:
Más adopción de IA aumenta la demanda de inferencia extranjera. La demanda de inferencia extranjera aumenta la salida de dólares. La salida de dólares añade presión a la cuenta externa. Una rupia más débil hace que la inferencia extranjera sea más cara. Un mayor costo de inferencia comprime los márgenes indios.
Por eso la inferencia nacional no es solo un proyecto de vanidad soberana, sino que actúa casi como una cobertura cambiaria (FX hedge) para cada empresa tecnológica y startup en la India.
Los centros de datos de GPU son las refinerías de petróleo del futuro
Estratégicamente, las GPU son lo más parecido que tiene la economía de la IA a activos energéticos productivos, porque convierten electricidad, chips, modelos y software en cognición/inteligencia en forma de tokens. Y ahora, los tokens en bruto cada vez más producen y hacen el trabajo también.
Un país que carece de cómputo alquilará inteligencia de países y empresas que lo tengan. Al menos en el caso del petróleo, tenías que tener bendiciones divinas para encontrar petróleo dentro de tus fronteras, pero para producir tokens solo necesitas la bendición de Jensen y una orden de compra (con suerte, Lisa Su también estará a la altura...).
Nos dirigimos rápidamente hacia un futuro muy real en el que la India se verá obligada a importar todos sus tokens porque no logró construir un mercado de inferencia nacional confiable que no esté denominado en dólares.
Solo la contratación pública no resolverá esto
El gobierno se ha movido en la dirección correcta. Bajo la Misión IndiaAI, se han incorporado más de 38,000 GPU para una instalación de cómputo común, con acceso disponible para startups, academia e instituciones públicas. Las GPU bajo la misión también se han descrito como disponibles a ₹65 por hora.
Pero una nube de GPU sin una capa de inferencia sólida se convierte en otro portal gubernamental. Útil para pilotos y titulares, débil para casos de uso de producción, invisible para los desarrolladores, irrelevante para las empresas.
¿Cómo se vería una plataforma de inferencia pública india? Debería tener:
- Precios en rupias.
- Modelos de pesos abiertos de última generación servidos de la manera más eficiente en tokens (vLLM, SGLang, TensorRT, etc.).
- Puntos de referencia públicos de latencia y rendimiento actualizados en tiempo real.
- Opciones de implementación privada.
- Ciclos rápidos de actualización de modelos.
- Rendimiento en idiomas indios.
- Costo por flujo de trabajo resuelto, no solo costo por token.
El punto de referencia debería ser simple: ¿puede un desarrollador indio cambiar de una API extranjera a un endpoint nacional sin reescribir la aplicación, sacrificar la confiabilidad o esperar de tres a seis meses para que el catálogo de modelos se ponga al día?
Si la respuesta es no, entonces NO tenemos aún una plataforma o estrategia de inferencia.
Puede que hayamos perdido el juego de preentrenamiento de LLM de frontera SoTA esta vez
La India debería ser honesta sobre dónde se encuentra.
Entrenar un modelo de frontera contra OpenAI, Google, Anthropic, Meta y los laboratorios más fuertes de China requiere cómputo, talento, datos, infraestructura, profundidad de evaluación, distribución y miles de millones de dólares en capital de riesgo.
Pero la batalla macroeconómica inmediata es la inferencia, porque la mayoría de los flujos de trabajo empresariales no necesitan el modelo más inteligente del mundo. Necesitan el modelo más barato que resuelva la tarea de manera confiable.
Y la inferencia es genuinamente un generador de dinero siempre que las GPU no estén en tu balance. Considerando que la inferencia de última generación es un co-diseño de hardware y software, estar lo más cerca posible del metal aquí ayuda y construye fosos estructurales para tu negocio.
Un flujo de trabajo de reclamaciones de back-office no siempre necesita el último Opus/5.5. Un agente de cumplimiento normativo no siempre necesita el máximo razonamiento de frontera. Un resumidor de atención al cliente no siempre necesita el modelo más caro disponible.
Un modelo de pesos abiertos fuerte, enrutado, en caché y ajustado para flujos de trabajo personalizados, con evaluaciones del mundo real y servido localmente a un costo más bajo, puede ganar una gran parte de las cargas de trabajo empresariales indias.
Ahí es donde la India todavía tiene una ventana. China se dio cuenta de esto hace unos 2 años con los LLM y hace 15 años con la infraestructura de computación en la nube.
Los gigantes tecnológicos chinos se han dado cuenta de que no pueden quedarse callados y ceder el control a Occidente con el entrenamiento de modelos; las recientes compras de H200 y su enfoque en las NPU nacionales de Huawei también muestran cuán en serio toman este inminente impuesto a las importaciones. Nuestros principales líderes están ocupados pontificando sobre cómo deberíamos dejar de preentrenar y aprender a amar los casos de uso sin ninguna capacidad de inferencia real que mostrar...
Estados Unidos ya entiende profundamente la capa de inferencia y se están convirtiendo en laboratorios de investigación de inferencia...
Together (Tri Dao, su científico jefe, es el cerebro detrás de Flash Attention), Fireworks (entrenamiento posterior con RL con Cursor como cliente ancla), Baseten, DeepInfra, Modal y ahora con vLLM (Inferact) y SGLang (Radixark), todos recaudando cientos de millones de dólares en financiación, están construyendo capas de inferencia de alto rendimiento alrededor de modelos de pesos abiertos, convirtiéndose de facto en neo-laboratorios de inferencia.
Actualizan los catálogos de modelos rápidamente. Compiten en latencia, costo y experiencia del desarrollador. La propia NVIDIA ha destacado a empresas como Baseten, DeepInfra, Fireworks y Together por reducir los costos de tokens a través de inferencia optimizada en sistemas Blackwell.
Ni una sola empresa india opera a esta escala, incluso cuando el mundo ha reconocido tradicionalmente nuestra capacidad para ofrecer servicios de TI.
Como resultado, todavía carecemos de la plataforma de inferencia nacional predeterminada en la que un desarrollador serio, un banco, una empresa SaaS, un proveedor de TI o un departamento gubernamental pueda confiar como primer punto de contacto.
Si bien tenemos a empresas como Simplismart, Neysa y Yotta, un vistazo rápido a sus plataformas muestra lo lejos que estamos en todos los diferentes parámetros.
El problema del incumbente indio
Los grandes actores de GPU y nube de la India no pueden seguir tratando la inferencia como una página de catálogo. Si el mundo está pasando de Llama a Qwen a DeepSeek a Kimi a lo que sea que salga el próximo mes (¡Xiaomi ahora tiene un modelo de pesos abiertos de frontera!), los proveedores de inferencia indios no pueden actualizar los catálogos de modelos a la velocidad de las adquisiciones del sector público.
La inferencia nacional debe mantenerse al mismo estándar que la inferencia extranjera.
- Mejor, donde importan las cargas de trabajo específicas de la India.
- Más barata, donde importa la economía de la rupia.
- Privada, donde importa la regulación.
- Actual, donde importa el rendimiento del modelo.
Esto es un problema de política y una oportunidad para startups
La buena noticia es que esto se puede construir y no necesitamos hervir el océano.
Ya sabemos que Anthropic, Google y OpenAI consideran a la India como su segundo mercado más grande para el gasto en IA; el apetito claramente está ahí. ElevenLabs está en camino de generar $100 millones en ingresos anuales en la India vendiendo únicamente inferencia de voz.
Si bien la Misión IndiaAI comenzó en el camino correcto, en algún punto el caucho no tocó el asfalto, porque pensamos que solo adquirir GPU era suficiente.
El cómputo subvencionado debería recompensar el uso real en producción, no la colección de logotipos.
La pregunta es quién captura el margen al final (aparte de Jensen). Si las empresas de modelos extranjeras capturan el margen de tokens, las nubes extranjeras capturan el margen de infraestructura, y las empresas indias se quedan con el margen de integración, entonces la IA se come la única ventaja que tenemos (el arbitraje laboral), empeorando su dependencia externa.
Si la India construye inferencia nacional, la historia cambia, ya que todas las GPU importadas se convierten en infraestructura nacional. Parte del gasto en tokens en dólares se convierte en gasto en rupias y parte del margen se queda con las empresas de infraestructura indias.
Parte de la capacidad de IA estará disponible para startups y empresas indias sin una exposición constante al tipo de cambio. Algunas exportaciones de servicios se vuelven más defendibles.
Cierre
La próxima factura al estilo de las importaciones de petróleo de la India puede no provenir solo de los petroleros que atracan en Jamnagar.
DEFINITIVAMENTE provendrá de millones de llamadas API realizadas por empresas de servicios indias y startups que se autodenominan nativas de IA mientras alquilan inteligencia en dólares.
Durante décadas, la India importó energía y exportó software.
Pero esto es evitable. Requiere que la India deje de confundir la adquisición de GPU con la capacidad de inferencia, deje de confundir la marca patriótica soberana que NO es infraestructura de nivel de producción, y deje de fingir que la factura de la IA es problema de otro. La factura ya está llegando. La mía fue de $138 el mes pasado, fuertemente subsidiada. La tuya no lo estará en un futuro cercano.
La inferencia nacional es ahora infraestructura macroeconómica. Necesitamos aumentar la capacidad con urgencia, como si la rupia dependiera de ello.
