En los últimos dos años, la inteligencia artificial ha cambiado su enfoque. Si en 2022–2023 todo giraba en torno a los grandes modelos y su entrenamiento, hoy la verdadera batalla ya no se libra en la construcción de los modelos, sino en su ejecución continua, en la capacidad de responder a miles de millones de consultas cada día. Es la guerra de la inference, y es mucho más importante de lo que parece.
Messari lo dice claramente en su informe “State of AI 2025”: para 2030 la inferencia representará entre el 50% y el 75% de la demanda global de cálculo. Un umbral tan alto que rediseñará completamente la geografía de la infraestructura de IA.
Hoy, cada vez que un usuario abre ChatGPT, genera una imagen, pide un consejo, analiza un texto, solicita a un agente navegar por la web o tomar una decisión: está consumiendo inference. Y lo mismo ocurre con miles de agentes de IA que ejecutan operaciones continuas en segundo plano, sin que nadie los observe.
El resultado es un consumo de cálculo que crece de manera vertical, mucho más allá de lo necesario para entrenar los modelos mismos.
Índice
La nueva presión: usuarios reales, interacciones reales
Las razones de este crecimiento son múltiples, pero todas convergen en una única dirección: la IA es ahora un servicio de masas. Los usuarios ya no se limitan a experimentar; utilizan la IA de manera cotidiana, prolongada y cada vez más compleja.
Las sesiones de ChatGPT se han vuelto más largas y más complejas: según los datos reportados por Messari, el tiempo dedicado a los modelos se ha duplicado en un año, y la duración media de una sola sesión ha aumentado un 75%. Es una señal clarísima: la IA ya no es un asistente «ocasional», sino un verdadero entorno operativo donde el usuario permanece más tiempo, realizando solicitudes más extensas y más densas en tokens.
A esto se suma la explosión de la IA para consumidores. En 2024, las aplicaciones de inteligencia artificial han superado los mil millones de descargas, con un crecimiento superior al 100% interanual. ChatGPT cuenta hoy con más de 700 millones de usuarios semanales, mientras que Gemini, Copilot y Claude siguen ritmos similares. Es una ola continua de demandas que se traduce en computación, y por lo tanto, en costos.
El factor “reasoning”: los modelos inteligentes cuestan mucho más
Para hacer todo aún más pesado está el ascenso de los modelos orientados al “reasoning”, aquellos que no se limitan a completar frases, sino que intentan razonar, explicar, planificar. Estos modelos consumen hasta diez veces más tokens para responder a la misma pregunta en comparación con un modelo tradicional.
Si a esto se suma el hecho de que el sector ha adoptado técnicas de post-entrenamiento basadas en el reinforcement learning —como lo demuestra DeepSeek— la presión sobre el cómputo explota aún más. El reinforcement learning genera miles de iteraciones para cada problema individual, multiplicando el consumo de cálculo a escala industrial.
En otras palabras: cuanto más inteligente se vuelve la IA, más costosa se vuelve de operar.
El problema de los costos: la inference se ha convertido en el nuevo «núcleo duro» de la IA
Hay un punto que a menudo se subestima: el entrenamiento es un costo enorme, pero es un costo único. Una vez entrenado, el modelo existe. La inferencia, por el contrario, es un costo continuo, infinito, proporcional al número de usuarios, agentes y aplicaciones que lo utilizan.
Para los grandes laboratorios — OpenAI, Anthropic, Google — la inference se ha convertido en el gasto dominante. Y esta dinámica está creando espacio para una revolución silenciosa que afecta muy de cerca al ecosistema crypto.
El open-source cambia el equilibrio: modelos más pequeños, más rápidos y mucho más económicos
Mientras los modelos propietarios continúan creciendo en tamaño y complejidad, el open-source está cerrando rápidamente la brecha. Según el benchmark Artificial Analysis citado por Messari, la diferencia entre los mejores modelos closed y los open de larga escala es hoy sorprendentemente reducida, especialmente si se compara con los costos.
Un modelo open de 120 mil millones de parámetros cuesta hasta un 90% menos en inferencia en comparación con ChatGPT-5, con una pérdida de capacidad en general marginal.
Pero la verdadera revolución se refiere a los modelos small y mid-size, entre 4 y 40 mil millones de parámetros. Hoy en día, muchos de estos modelos son capaces de resolver tareas complejas incluso funcionando en una sola GPU de consumo como una RTX 4090 o 5090. Esto significa que la inferencia ya no tiene que estar centralizada en gigantescos centros de datos: puede ser distribuida.
Y es aquí donde el mundo de la AI descentralizada encuentra su terreno natural.
El auge de las redes de cómputo descentralizadas (DCN): una nueva economía del cálculo
Las redes de cálculo descentralizadas (DCN) — como Render, Akash, io.net, Aethir, Hyperbolic, EigenCloud y Exabits — agregan millones de GPU distribuidas en todo el mundo. Durante años, estas redes han tenido dificultades para encontrar un verdadero mercado: el entrenamiento de los grandes modelos era simplemente demasiado complejo debido a la latencia y los continuos intercambios de información entre GPU.
Pero la inferencia es otra historia.
La inferencia requiere mucha menos comunicación horizontal, puede ejecutarse de manera altamente paralelizada y puede aprovechar hardware heterogéneo. No necesita clústeres perfectos y súper sincronizados. Es un trabajo ideal para miles de nodos dispersos, especialmente ahora que los modelos más pequeños están volviéndose sorprendentemente potentes.
Esta vez, el mercado realmente está presente. Y Messari lo define como el primer y verdadero «product-market fit» de todo el sector deAI.
El caso Fortytwo: la swarm intelligence como demostración práctica
Entre las innovaciones más interesantes, el informe menciona Fortytwo Network, una red que coordina pequeños modelos instalados en los portátiles de los usuarios. Estos modelos trabajan juntos como un enjambre: cada uno responde a la misma pregunta, luego evalúa las respuestas de los demás, y finalmente la red produce una respuesta optimizada basada en el consenso.
El mecanismo genera crédito, reputación y recompensas onchain. Y es tan eficiente que Fortytwo ha logrado incluso producir conjuntos de datos enteramente generados por el swarm y post-entrenar un modelo especializado en Rust, obteniendo resultados superiores a modelos mucho más grandes.
Es un ejemplo concreto de cómo la descentralización no solo es deseable, sino ya competitiva.
La cuestión de la verificación: la pieza indispensable para la inferencia descentralizada
Cada vez que se ejecuta una solicitud en un nodo distribuido, surge una pregunta crucial: ¿cómo se puede estar seguro de que el resultado es correcto? Es aquí donde la crypto entra en juego de manera decisiva.
Messari analiza tres enfoques dominantes hoy en día:
- las pruebas de conocimiento cero (zkML), lentas pero extremadamente seguras;
- los sistemas optimistas, donde el resultado se considera válido salvo challenge;
- las enclaves de hardware (TEE), más rápidas pero basadas en confianza en el hardware.
Entre los pioneros del sector se menciona a EigenCloud, que está llevando al mercado una inferencia determinística y verificable, compatible con las API de OpenAI y ya utilizada para frameworks de agentes de Coinbase y Google.
La verificación no es un detalle técnico: es lo que hace que la IA sea adecuada para las finanzas, la salud, la gobernanza y las transacciones autónomas. Es el puente entre la IA y Web3.
El futuro: una economía de agentes que consumen computación de manera continua
La conclusión del informe es clara: el futuro de la IA no estará dominado por los modelos más grandes, sino por quienes sepan ofrecer la inferencia de la manera más escalable, económica y verificable posible. Si hoy los usuarios humanos generan millones de solicitudes, mañana los agentes autónomos generarán miles de millones. Y cada una de estas solicitudes tendrá un costo de cálculo.
En ese momento, las decentralized compute networks ya no serán una alternativa experimental: se convertirán en una necesidad económica.
Conclusión
Estamos entrando en la era de la inference, no del training.
Una era en la que la demanda crece sin límites, en la que el cálculo ya no es una inversión aislada sino un flujo continuo, y en la que millones de modelos — grandes o pequeños — deberán ser servidos cada segundo.
Y es precisamente aquí, en este enorme espacio económico, donde el mundo crypto está encontrando su papel más natural: el de coordinar, verificar, distribuir y economizar la potencia de cálculo necesaria para sostener una sociedad cada vez más inteligente.




