Hace 40 años, el 22 de octubre de 1978, el camarada Deng Xiaoping visitó Japón por primera vez. De Tokio a Kioto, 370 kilómetros de distancia, viajó en el primer tren bala del mundo, el Shinkansen "Hikari" de Japón. Cuando el personal de acompañamiento japonés le preguntó qué sensación tenía, dijo: "Me da la sensación de que empuja a uno a correr, así que ahora es el momento adecuado para nosotros para tomar un tren así."
La IA también empuja a uno a correr.
En los últimos dos años, Nvidia pasó de 60 mil millones de dólares en ingresos a 216 mil millones de dólares, y su precio de acción se multiplicó por diez. La ola de inversión en IA ha arrasado el mundo: módulos ópticos, centros de datos, refrigeración, robots, aplicaciones de IA, una ola tras otra. Todos los días hay nuevas historias de subidas, y todos los días alguien se arrepiente de no haber entrado antes.
Pero empujar a correr es una cosa, antes de correr, hay que ver claramente el camino.
La IA es la pista más larga que nuestra generación puede encontrar. Internet tomó diez años desde 1995 hasta la salida a bolsa de Google, y otros ocho años hasta la de Facebook. En el medio, experimentó la burbuja del 2000 que estalló, y el Nasdaq cayó un 78%. Lo más probable es que la IA siga un camino similar: actualmente podemos estar en la posición de 1998 o 1999, y las verdaderas mayores oportunidades probablemente aparecerán después del estallido de la futura burbuja, o tal vez estén escondidas en algún rincón que hoy nadie nota.
En la actualidad, la capacidad de los modelos avanza a gran velocidad, el capital fluye frenéticamente y las valoraciones han sido empujadas a alturas inquietantes. En este entorno, hay dos tipos de personas:
Un tipo de persona entra ahora mismo a comprar—apostando a que acertó el momento. Puede que ganen, pero es más probable que compren en medio de la subida y luego sean expulsados por una corrección.
Otro tipo de persona espera a que estalle la burbuja—pero el problema es, cuando realmente estalle, ¿te atreverás a comprar? ¿Sabes qué comprar? Si no sabes nada sobre esta industria, solo sentirás más pánico ante el pánico.
Yo elijo la tercera opción: No apresurarme a comprar acciones ahora, primero construir una posición—construir una "posición de conocimiento".
Porque no importa cómo se desarrolle la IA, cuando aparezca la verdadera oportunidad, si no queremos perderla—primero debemos convertirnos en expertos que conozcan a fondo toda la industria. La llamada "intuición asesina" no es más que el conocimiento que proviene de "tener un panorama claro en la mente".
A partir de hoy, comenzaré a hacer algo lento y trabajoso: estudiar la industria de la IA desde una perspectiva global, investigar poco a poco, y aclarar la cadena industrial de la IA de principio a fin. Quién está ganando dinero, de dónde viene el dinero, hacia dónde fluye, quién es insustituible, quién se alimenta de las sobras de otros.
Para cuando el mercado nos dé la oportunidad—ya sea un colapso, una corrección o algún rincón ignorado—podré juzgar en segundos: "¿Vale la pena entrar a este precio?"
Además, al hacer esto, tendré dos diferencias:
Primero, tengo una buena base en inversiones. Tengo experiencia rica y una velocidad de evolución extremadamente rápida en inversiones. Mis rendimientos en los últimos tres años, como mis antiguos seguidores saben muy bien, pocos alcanzan mi nivel. Por supuesto, lo más crucial no es la tasa de retorno, ya que puede haber suerte involucrada, lo más importante y ampliamente reconocido es mi velocidad de evolución—creo que en la era de la IA es aún más así, no se trata de quién es mejor, sino de quién evoluciona más rápido.
No es necesario detenerse en el pasado, el futuro comienza ahora, "ya veremos".
Segundo, me centro en una cosa: ¿cómo se gana dinero con esto? Mi alta velocidad de evolución en los últimos años se debe principalmente a mi enfoque: solo me centro en las oportunidades de riqueza detrás de los fenómenos. La mayoría de los artículos que se ven hoy en día te enseñan a usar nuevas habilidades, nuevos repositorios en GitHub, persiguiendo tendencias y cosas nuevas todos los días. Estas cosas son importantes, pero desde la perspectiva de un inversor, me preocupa más la oportunidad de riqueza detrás de ellas.
Cuando salió el iPhone 4, ¿te uniste a los demás para exclamar sobre el diseño y el rendimiento del teléfono, o investigaste la oportunidad de inversión detrás de él?
Este artículo es el primero de una serie de investigaciones, y su objetivo principal es una cosa: iluminar el mapa. Si comparamos estudiar sistemáticamente toda la cadena industrial de la IA con jugar un videojuego de mundo abierto—el primer paso no es ir a pelear contra el jefe, sino primero iluminar el mapa: cuáles son las grandes regiones, cuáles son los nodos clave, cuál es la misión principal, cuáles son las misiones secundarias. Con el mapa claro, sin importar lo que ocurra después, podremos tomar decisiones en segundos.
Capítulo 1: ¿Por qué ver la IA desde una perspectiva global?
Nvidia multiplicándose por diez en dos años es la historia más brillante de la inversión en IA. Pero si solo ves a Nvidia, es como ver solo un árbol—te perderás la estructura de todo el bosque a sus pies.
Cada gran ola tecnológica importante, el dinero se difunde capa por capa a lo largo de la cadena industrial. Esto se ha verificado repetidamente en la historia:
En la era de Internet, la primera ola de dinero fluyó hacia Cisco (equipos de red), la segunda hacia Google, Amazon (plataformas), la tercera hacia Facebook, Netflix (aplicaciones). En la era móvil, la primera ola fue Qualcomm (chips), la segunda Apple (terminales), la tercera WeChat, TikTok (superaplicaciones).
La IA no es una excepción. Podemos ver una cadena de difusión aproximada:
Primer círculo (2023-2024, ya valorado plenamente): GPU—Nvidia Segundo círculo (2024-2025, en proceso de valoración): Interconexión óptica, energía—LITE subió 16 veces, Vertiv subió 10 veces Tercer círculo (2025-2026, aún no valorado plenamente): Refrigeración, almacenamiento, fundición especializada Cuarto círculo (2026+, esperando catalizador): Aplicaciones de IA, infraestructura energética, robótica Para el inversor, la idea clave es: Cuanto más básica es la infraestructura, menos jugadores hay, menor es la sustituibilidad y más fuerte es el poder de fijación de precios.
Las empresas de aplicaciones de IA de la capa 4 pueden tener miles en competencia. Es por eso que Nvidia gana 216 mil millones de dólares al año, mientras que la mayoría de las empresas de aplicaciones de IA aún pierden dinero.
Pero esto también significa que en el segundo, tercer e incluso cuarto círculo de la capa de infraestructura—aquellas empresas que aún no han sido etiquetadas por el mercado como "concepto de IA"—puede haber muchas oportunidades ocultas. Primero aclaremos qué jugadores hay, qué hacen, cuánto valen.
Comprender su significado radica en: Cuando en el futuro el mercado experimente correcciones, pánico o divergencias, sabremos dónde debemos mirar.
Los cuatro círculos de difusión descritos anteriormente describen el orden de transmisión del sentimiento del mercado y los fondos—qué persigue el dinero primero, qué después. Pero para entender realmente la lógica comercial de cada eslabón, necesitamos otro gráfico: la estructura jerárquica de la cadena industrial. A continuación, la desglosaremos capa por capa, de abajo hacia arriba.
Divido toda la cadena industrial de la IA en 4 capas estructurales, 4 mapas de misiones principales.
Capítulo 2: Cuatro capas de estructura, cuatro mapas de misiones principales
Los cuatro mapas son: Infraestructura de computación, capa de modelos, middleware, capa de aplicación, además de una restricción final: Energía eléctrica.
Primera capa: Infraestructura de computación—el "motor" de la IA
Esta capa es la base física de toda la cadena industrial. Todo el dinero—no importa de qué capa entre—finalmente se sedimentará aquí.
(1) Diseño de chips: El rey de las armas
Nvidia es el hegemon indiscutible. Año fiscal 2026 (hasta enero de 2026) ingresos totales 216 mil millones de dólares, el centro de datos contribuyó con 193.7 mil millones—hace solo dos años era menos de 50 mil millones. Este ritmo de crecimiento no tiene precedentes en la historia de los semiconductores.
¿Qué significan estos números? Pongamos un ejemplo concreto: entrenar un modelo de vanguardia, solo el costo de las GPU cuesta cientos de millones de dólares. Y el entrenamiento es único, una vez que el modelo está en línea, debe procesar cientos de millones de solicitudes de usuarios diariamente, cada una consumiendo capacidad de cálculo—este es el costo de "inferencia". El costo de inferencia de por vida de un modelo puede ser decenas de veces el costo de entrenamiento. Esto significa que mientras la IA siga siendo utilizada, Nvidia seguirá cobrando un "impuesto".
La ventaja competitiva de Nvidia no es solo el hardware. Su verdadera barrera es CUDA—un ecosistema de software con más de 5 millones de desarrolladores. Al igual que iOS para Apple, CUDA hace que una vez que los usuarios entran, sea difícil salir. AMD (MI300X) e Intel (Gaudi) están persiguiendo, pero la brecha del ecosistema es de al menos varios años.
Otra ruta son los chips de IA personalizados. Broadcom proporciona diseño personalizado para el TPU de Google, el Trainium de Amazon, etc. La lógica es simple: los gigantes tecnológicos no quieren estar siempre "atrapados" por una sola empresa. Pero al menos por ahora, los chips propios son un complemento, no un reemplazo.
Pregunta central: ¿Cuánto durará el monopolio de Nvidia? Duan Yongping dijo que tampoco lo entiende—"¿Nvidia dentro de 10 años seguramente seguirá existiendo, pero ¿seguirá siendo su posición de mercado actual?" Esta es una pregunta de varios billones de dólares. Y detrás de esto, la fabricación de chips tiene una cadena industrial, que ya ha impulsado a muchos, y yo prestaré más atención.
(2) Fabricación, empaquetado y almacenamiento de chips: La fábrica de armas
Los chips diseñados deben ser fabricados por alguien. TSMC prácticamente monopoliza la fabricación de los chips de IA más avanzados del mundo. Los chips centrales de Nvidia, AMD, Broadcom, Apple son todos fabricados por TSMC. En la carrera de 3 nanómetros, 2 nanómetros, Samsung y el negocio de fundición de Intel están muy atrasados.
Un cuello de botella más crítico es la memoria de alto ancho de banda (HBM). Por muy potente que sea el chip de IA, si los datos no "pueden alimentarse", es inútil. SK Hynix lleva la delantera en HBM, HBM3E es casi el proveedor exclusivo de Nvidia. Samsung y Micron están persiguiendo, con una brecha evidente en el rendimiento.
El empaquetado avanzado (CoWoS) es otro eslabón con cuello de botella de capacidad—la oferta insuficiente ha durado más de un año.
Pregunta central: La capacidad de TSMC y SK Hynix es poder. Quien controle la capacidad, controla el ritmo de la carrera armamentística de IA.
(3) Interconexión óptica y redes: El sistema nervioso
Los clusters de entrenamiento de IA se expanden de miles de GPU a cientos de miles. ¿Cómo se comunican los chips entre sí a alta velocidad? Los cables de cobre tradicionales encuentran límites físicos por encima de 800 Gbps—atenuación de señal, consumo de energía disparado, descontrol de la refrigeración. La interconexión óptica es la única salida, esto no se puede resolver con optimización de ingeniería, es una restricción dura establecida por las leyes fundamentales del electromagnetismo.
Jugadores clave: Lumentum (LITE, líder en láseres InP, acción multiplicada por 16), Coherent (COHR, integración vertical óptica), Tower Semiconductor (TSEM, fundición de fotónica de silicio, también he escrito informes de investigación en profundidad anteriormente), Arista Networks (ANET, conmutadores de centros de datos de IA), Astera Labs (ALAB, chips de conexión).
Pregunta central: La interconexión óptica es una oportunidad del segundo círculo—ya comenzó a ser valorada, pero puede que aún no esté completamente valorada. La clave es distinguir qué empresas aún tienen espacio, cuáles ya están price in, hace poco mis múltiples informes de investigación estaban relacionados con esto.
(4) Refrigeración y fuente de alimentación: Las alcantarillas de la ciudad
El último rack GB200 de Nvidia consume hasta 120 kilovatios. Miles de tarjetas juntas, el calor es impresionante. La refrigeración líquida pasó de ser "opcional" a "necesaria". La tecnología de refrigeración por inmersión bifásica de Microsoft ya ha reducido el consumo energético de refrigeración de los servidores de Azure en un 95%. Vertiv (VRT) es el líder en este campo, nVent (NVT), Modine (MOD) también están creciendo rápidamente.
Pregunta central: No es glamoroso, pero indispensable. Típico del tercer círculo—la mayoría no lo ve, pero sin él los centros de datos de IA no funcionarían. Pronto saldrán informes de investigación relacionados.
(5) Servidores y centros de datos
Dell, Supermicro integran chips, memoria, redes, refrigeración en servidores de IA. Equinix, Digital Realty proporcionan salas físicas. CoreWeave (OPV 2025) es el representante de la nube pura de GPU.
(6) Plataformas de computación en la nube: Mayoristas de capacidad de cálculo
AWS, Azure, GCP son los "mayoristas" de capacidad de cálculo—las tres nubes juntas representan alrededor del 65% de la cuota de mercado global. Oracle se convirtió en un ganador inesperado con el crecimiento de su nube de IA.
Segunda capa: Modelos y herramientas—el "sistema operativo" de la IA
Esta es la capa más observada, de crecimiento más sorprendente, pero con la estructura más incierta de toda la cadena industrial de IA.
Cinco grandes compiten: OpenAI (GPT), Anthropic (Claude), Google (Gemini), Meta (Llama de código abierto), xAI (Grok). El crecimiento de los ingresos en esta capa es impresionante—los ingresos anuales recurrentes (ARR) de Anthropic pasaron de 10 mil millones de dólares a finales de 2024, a 90 mil millones a finales de 2025, y en abril de 2026 superaron los 300 mil millones.
Salesforce tardó 20 años en alcanzar 300 mil millones de ingresos anuales, Anthropic lo logró en menos de 3 años. Actualmente, el ARR de OpenAI es de aproximadamente 240 mil millones de dólares, las dos juntas superan los 500 mil millones. Las empresas de modelos ya no son una "historia de quemar dinero", son un negocio real que genera dinero.
Pero detrás del aumento de ingresos, hay un cambio estructural en curso que merece atención: El enfoque de la capacidad de cálculo de IA está pasando de "entrenamiento" a "inferencia".
En los últimos dos años, el principal consumo de capacidad de cálculo de IA estaba en entrenar grandes modelos—alimentar cantidades masivas de datos para que el modelo aprenda a entender el mundo. Pero una vez que el modelo está entrenado, lo siguiente es "inferencia"—es decir, hacer que el modelo realmente responda preguntas, ejecute tareas.
La investigación de Deloitte muestra que el consumo de capacidad de cálculo de la inferencia ya superó al del entrenamiento a finales de 2025, representando más del 55% del gasto en infraestructura en la nube de IA. Incluso alguien señaló que "antes, el 80% de la capacidad de cálculo se gastaba en entrenamiento y el 20% en inferencia, en el futuro esta proporción se invertirá."
¿Qué significa esto? El mercado de inferencia puede ser mucho mayor que el de entrenamiento (se prevé que alcance los 2550 mil millones de dólares para 2030), y la inferencia tiene necesidades de chips diferentes al entrenamiento—se centra más en la eficiencia de costos y la baja latencia, que en el rendimiento máximo extremo. Esta puede ser la brecha para desafiar el monopolio de Nvidia: AMD, Marvell (que acaba de recibir una inversión de 20 mil millones de dólares de Nvidia), y los diversos chips propios están apuntando al mercado de inferencia.
La pregunta más digna de considerar en esta capa es: ¿Los modelos de IA formarán un oligopolio, o serán "comoditizados"?
Meta ofrece Llama de forma gratuita, DeepSeek creó un modelo competitivo con un costo extremadamente bajo. El paquete API de GLM-5 actualmente está agotado, el código abierto está reduciendo el umbral de la capa de modelos. Pero la "comoditización" tampoco es tan simple—las diferencias de capacidad entre los modelos se están reduciendo, pero no han desaparecido.
Especialmente en escenarios de uso profundo, las diferencias de experiencia entre modelos siguen siendo significativas, y la integración de API de las empresas, la personalización de flujos de trabajo, la acumulación de datos formarán costos de cambio. La estructura final puede no ser "el ganador se lo lleva todo", ni "completamente comoditizada", sino algo intermedio—unas pocas empresas de modelos ocupan el mercado principal, pero mantienen una competencia diferenciada entre sí.
Si las ganancias de la capa de modelos se comprimen por el código abierto, el verdadero valor se transferirá hacia las capas superiores e inferiores. Hacia la capa superior, es decir, la capa de infraestructura, porque todos necesitan ejecutar modelos, la demanda de capacidad de cálculo no disminuye sino que aumenta. Hacia la inferior, es decir, hacia la capa de aplicación, porque el costo de llamada disminuye, y las aplicaciones de IA son más fáciles de monetizar. Este proceso de redistribución de ganancias, puede ser una de las variables más importantes de la cadena industrial de IA en los próximos años.
Tercera capa: Middleware y plataformas—Capa de pegamento
Capa intermedia que conecta modelos y aplicaciones. Empresas representativas: Scale AI (anotación de datos y evaluación de IA, valoración de 138 mil millones de dólares), LangChain (marco de desarrollo de aplicaciones LLM), Hugging Face (plataforma para compartir modelos, el GitHub de la IA).
Esta capa actualmente en su mayoría aún no cotiza en bolsa, de menor escala. Pero una vez que la capa de aplicaciones de IA estalle, estas empresas "pegamento" pueden experimentar un crecimiento explosivo—como el auge de Shopify y Stripe cuando estalló el comercio electrónico. Merece seguimiento continuo.
Cuarta capa: Aplicaciones verticales—La entrada del dinero
El lugar donde la IA crea valor directamente para el usuario final. Varias direcciones:
Plataforma de IA empresarial: Palantir vende sistemas operativos de IA a gobiernos y empresas. ServiceNow, Salesforce están incorporando IA a SaaS tradicionales.
Herramientas de código: GitHub Copilot es el estándar de facto, Cursor lo desafía. La lógica es clara—si la IA puede duplicar la eficiencia de los programadores, cada empresa pagará.
IA médica: Isomorphic Labs (bajo Alphabet, herencia de AlphaFold) puede ser el objetivo más digno de seguimiento a largo plazo, posiblemente OPV en 2027.
Robótica e inteligencia corpórea: La dirección con mayor TAM a largo plazo. Tesla Optimus, Figure AI, Unitree. Pero actualmente es muy temprano.
Conducción autónoma: Waymo es el más maduro comercialmente, Tesla FSD persigue con soluciones visuales.
La capa de aplicación es la más diversa y difícil para elegir ganadores. Pero una tendencia que merece atención es: se prevé que en 2026 el mercado global de aplicaciones de IA superará por primera vez el mercado de infraestructura ascendente—el dinero está pasando de "construir la ciudad" a "abrir tiendas". Al mismo tiempo, los Agentes de IA (agentes autónomos) se están convirtiendo en la nueva forma de aplicaciones empresariales, se estima que para finales de 2026, más del 40% de las aplicaciones empresariales incluirán funciones integradas de Agentes de IA, mientras que en 2025 esta proporción era menos del 5%.
Dimensión transversal: Energía—La restricción última de la IA
Todas las capas no pueden evitar un problema: ¿De dónde viene la electricidad?
El consumo de energía de los centros de datos de IA crece exponencialmente. Microsoft tiene pedidos de Azure por 80 mil millones de dólares que no puede entregar debido a la falta de electricidad. Esto ha generado una ola de inversión en energía: Constellation Energy (energía nuclear), NuScale y Oklo (pequeños reactores nucleares), GE Vernova (turbinas de gas).
La IA continuará expandiéndose, la infraestructura energética es un sector derivado con alta certeza.
Capítulo 4: Cuatro preguntas más allá del consenso
Después de dibujar el mapa, lo más valioso no es confirmar el consenso, sino identificar lo que el mercado puede estar ignorando. Actualmente, me centro más en 4 preguntas, y la investigación posterior comenzará más desde estos ángulos.
Pregunta 1: ¿El cambio del entrenamiento a la inferencia cambiará el destino de quién?
En los últimos dos años, la principal demanda de capacidad de cálculo de IA era entrenar grandes modelos. Pero ahora la inferencia (hacer que el modelo realmente funcione) ya supera al entrenamiento como un mercado mayor. La inferencia tiene requisitos diferentes a los del entrenamiento para los chips—se centra más en la relación costo-beneficio que en el rendimiento extremo.
Esto puede abrir una ventana: el monopolio de Nvidia en el mercado de entrenamiento es casi inamovible, pero el mercado de inferencia está más disperso, AMD, Marvell, Broadcom y los diversos chips propios tienen oportunidades. Al mismo tiempo, la naturaleza de "consumo continuo" de la inferencia significa que la demanda de capacidad de cálculo no es única, sino que crece continuamente con la popularización de las aplicaciones de IA—esto es una buena noticia para toda la cadena de suministro.
Pregunta 2: ¿Dónde está el retorno de la inversión de 600 mil millones de dólares?
En 2026, los gastos de capital de los cinco gigantes tecnológicos superarán los 600 mil millones de dólares, pero los ingresos generados por las aplicaciones de IA son solo una fracción de esta cifra. Históricamente, una brecha similar entre inversión y retorno solo ocurrió una vez—la infraestructura de telecomunicaciones a finales de la década de 1990. El final entonces fue la quiebra de muchas empresas de fibra óptica.
Por supuesto, la diferencia clave es: en ese entonces las empresas de telecomunicaciones dependían de deuda, hoy los gigantes tecnológicos dependen de sus propias ganancias, y su ratio de endeudamiento está en mínimos históricos. Pero si la monetización de las aplicaciones de IA no sigue el ritmo, el crecimiento del gasto de capital seguramente se desacelerará—y esto se transmitirá a toda la cadena de suministro, ¿qué empresas enfrentarán riesgos por esto?
Pregunta 3: ¿Cómo es el panorama del segundo y tercer círculo?
Nvidia es el primer círculo, ya completamente investigado y valorado. La interconexión óptica y la energía son el segundo círculo, que el mercado está redescubriendo. ¿Y el tercer círculo? Refrigeración, fundición especializada, seguridad de IA, chips de inferencia en el borde—¿qué empresas hay en estos eslabones? ¿Cuál es su modelo de negocio? ¿Cómo es la competencia? Si no aclaramos estas preguntas ahora, será demasiado tarde cuando realmente surja la oportunidad. Esto es precisamente lo que haremos capa por capa en la investigación siguiente.
Pregunta 4: ¿Cómo afecta la geopolítica a la cadena industrial?
Las restricciones a la exportación de chips de IA de EE. UU. a China están dividiendo la cadena industrial global de IA en dos. El H20 de Nvidia está prohibido, China está construyendo una infraestructura de IA independiente. Esto significa que dos cadenas industriales paralelas están invirtiendo, y el volumen total puede ser mayor de lo esperado. Pero también significa que algunos proveedores enfrentan el riesgo de "elegir bando".
Capítulo 5: Cómo proceder a continuación
El mapa está dibujado, lo siguiente es la misión principal.
Comenzaré desde la primera capa, profundizando en cada eslabón uno por uno. Como limpiar áreas en un videojuego—primero la misión principal (las empresas y lógicas más centrales de cada capa), luego las misiones secundarias (rincones marginales pero que pueden sorprender).
En cada parada, aclarar tres cosas: ¿Cuál es el modelo de negocio de este eslabón? ¿Cómo es el panorama competitivo? ¿En qué nivel está la valoración? Aclarando estas tres cosas, sin importar cómo cambie el mercado en el futuro, tendremos una base para juzgar.
Algunas palabras finales
Mientras escribía este resumen de la cadena industrial, recordé la historia de LITE.
Anteriormente en mi cuenta de WeChat, analicé en profundidad Lumentum (LITE). "¿Cómo aprovecharon otros la subida de 20 veces de LITE en un año?" Este es un caso de libro de texto: a mediados de 2024, el mercado aún lo consideraba una "acción cíclica de telecomunicaciones", a $50 por acción nadie lo quería. Pero su esencia es el "sistema nervioso" del centro de datos de IA, con una cuota global del 50-60% en láseres InP, los límites físicos del cable de cobre, la expansión de capacidad contracíclica de la gerencia durante las pérdidas, y el valor contable de los activos superior al valor de mercado.
Toda la información era pública, solo que en mi mente no tenía un mapa de la cadena industrial para identificarlo.
Todas las oportunidades perdidas, en última instancia, no son por "actuar demasiado lento", sino por "investigar muy poco".
Es por eso que quiero construir una "posición de conocimiento". La IA es una pista lo suficientemente larga—tan larga que no es necesario ansiedad por no haber subido ahora, pero tampoco se puede esperar sin hacer nada. Aclarar cada capa, cada eslabón de la cadena industrial, esta tarea en sí misma es la mejor preparación. Para cuando el mercado nos dé la oportunidad—ya sea en las ruinas después del estallido de la burbuja, o en algún punto de inflexión que aparezca repentinamente—con el mapa en mano, podremos juzgar en segundos.
"La intuición asesina no es innata, se gana con miles de horas de investigación."
