El cuello de botella del cómputo: por qué la generación de vídeo con IA sigue siendo cara en 2026

Cada pocos meses alguien plantea una variante de la misma pregunta: la generación de texto se volvió tan barata que es prácticamente un error de redondeo, la generación de imágenes le siguió de cerca — entonces, ¿por qué un clip de vídeo con IA de diez segundos sigue costando dinero de verdad? La respuesta no es una conspiración de proveedores protegiendo márgenes: es aritmética. La generación de vídeo se sitúa en un punto fundamentalmente distinto de la curva de coste computacional respecto al texto o las imágenes, por razones que están incrustadas en cómo funcionan realmente los modelos de difusión y los transformers, y esas razones se agravan por una cadena de suministro de hardware que, a mediados de 2026, está genuinamente limitada en capacidad. Entender ambas mitades de esta historia explica por qué el precio por segundo de vídeo de los grandes laboratorios —cifras del orden de decenas de centavos en lugar de fracciones de centavo— no es una sobreprima temporal de lanzamiento. Se parece más a un suelo de coste que se erosionará lentamente en lugar de derrumbarse.

La brecha de órdenes de magnitud, medida en FLOPs

Empecemos por lo que realmente cuesta una sola generación en operaciones de punto flotante. Los análisis académicos de FLOPs sobre pipelines de difusión sitúan una sola llamada de generación de imagen en torno a 10 GFLOPs por paso de eliminación de ruido, y una generación típica recorre entre 20 y 50 pasos hasta converger en una imagen limpia —lo que da, en total, un orden de magnitud de 10² a 10³ GFLOPs para una imagen terminada. Un análisis comparable de modelos de difusión de vídeo sitúa una sola llamada de generación de vídeo varios órdenes de magnitud por encima —las comparaciones de FLOPs citadas con frecuencia rondan las 10.000 veces el cómputo de una sola imagen, no el factor 10 o 100 que la intuición podría sugerir. Esa brecha no es una diferencia de redondeo; es la diferencia entre una petición que una GPU de consumo puede atender en menos de un segundo y una petición que ocupa un acelerador de clase datacenter durante minutos.

Dos factores impulsan esa brecha, y merece la pena separarlos porque se suman en lugar de sustituirse. El primero es simplemente el número de fotogramas: un clip de cinco segundos a 24 fotogramas por segundo son 120 imágenes individuales, cada una de las cuales necesita su propio paso de eliminación de ruido. Eso solo ya es un multiplicador de dos órdenes de magnitud antes de que ocurra nada específico del vídeo. El segundo factor, que se suele subestimar, es la coherencia temporal. Un enfoque ingenuo generaría cada fotograma de forma independiente y los uniría después, pero eso produce precisamente el parpadeo y los rostros que se derriten que caracterizaron los primeros vídeos de IA. Los modelos modernos, en cambio, ejecutan mecanismos de atención a lo largo de la dimensión temporal —la generación de cada fotograma se ve informada por los fotogramas vecinos para mantener rostros, objetos e iluminación coherentes—, y la atención escala peor que linealmente con la longitud de la secuencia. Apilar más fotogramas en una sola generación coherente no solo añade cómputo proporcional al número de fotogramas; añade cómputo por las relaciones entre todos ellos entre sí.

Lo que eso significa en dólares

Al traducir FLOPs a horas de GPU, las cifras se vuelven concretas. Los aceleradores de clase datacenter como el H100 y el H200 de NVIDIA se alquilan en 2026 por entre 1 y 3 dólares la hora en capacidad cloud al contado o al por mayor, y suben hasta 12 dólares la hora en algunos planes bajo demanda de grandes proveedores cloud. A precio al contado, generar un clip de 30 segundos en una tarjeta de clase H100 lleva del orden de cuatro a seis minutos de cómputo dedicado, lo que se traduce, a nivel de hardware puro, en pocos centavos por segundo de vídeo terminado —muy lejos de los precios que ven los consumidores. Esa brecha entre el coste computacional puro y el precio de venta es en sí misma reveladora: las tarifas de API publicadas por los grandes laboratorios de vídeo —los aproximadamente 0,10 dólares por segundo de Sora para salida estándar en 720p, los planes de Kling facturados por créditos que van desde un nivel de entrada de 8-10 dólares hasta un nivel Ultra de 128 dólares para volumen sin límite, los créditos de suscripción de Runway en lugar de una facturación bruta por segundo— quedan muy por encima del coste marginal puro del hardware por segundo. Esa diferencia no es margen puro. Cubre la I+D del modelo amortizada sobre una base de usuarios instalada mucho más pequeña que la de cualquier modelo de texto, las generaciones fallidas y repetidas que nunca llegan a la pantalla de un cliente que paga, y cada vez más un paso de escalado o mejora que se ha vuelto casi obligatorio —las estimaciones del sector sugieren que una amplia mayoría de los endpoints de vídeo en producción ejecutan ahora por defecto alguna forma de escalado tras la generación, lo que añade una segunda etapa intensiva en cómputo que la mayoría de los usuarios nunca ve desglosada por separado.

La resolución agrava esto aún más. Duplicar la resolución de salida duplica aproximadamente el tiempo de renderizado en el mismo hardware, razón por la cual la generación de vídeo en 4K —una función real de 2026 en modelos como Kling 3.0— tarda notablemente más y cuesta notablemente más que el nivel 720p al que recurren por defecto la mayoría de los planes gratuitos y de entrada. Nada de esto es una segmentación de precios arbitraria; refleja de forma bastante directa cuántos píxeles tiene que calcular realmente el acelerador por cada segundo de metraje.

El lado de la oferta: GPUs y energía, no solo algoritmos

Incluso si cada laboratorio de vídeo encontrara la manera de reducir el cómputo por fotograma, el mercado de generación de vídeo de 2026 seguiría chocando con una segunda restricción, independiente: sencillamente no hay suficiente capacidad de GPU y de energía de clase datacenter para satisfacer la demanda a los precios actuales, y mucho menos a precios hipotéticamente más bajos. Los plazos de entrega de las GPU de datacenter se han extendido este año a entre 36 y 52 semanas, y la demanda realmente supera a la oferta en la gama alta —informes que indican que compradores chinos por sí solos habrían realizado pedidos de más de dos millones de chips de clase H200, frente a un inventario mundial disponible que se cuenta en cientos de miles, ilustran la magnitud de ese desajuste. La hoja de ruta de NVIDIA ha avanzado de Hopper hacia la generación Blackwell, pero las nuevas generaciones de arquitectura tardan años en alcanzar el volumen que realmente aliviaría la oferta, y la dependencia de la difusión de vídeo del ancho de banda de memoria (la generación de vídeo se apoya más en el rendimiento de memoria de alto ancho de banda que en los FLOPs puros, lo que explica en parte por qué las tarjetas de clase H100/H200 con buses de memoria amplios superan de forma desproporcionada a alternativas más baratas) significa que los chips concretos que necesitan los laboratorios de vídeo son precisamente los que más escasean.

El cuello de botella más reciente en 2026, y posiblemente más duradero que la escasez de chips, es la energía. Los analistas describen ahora la infraestructura de IA como limitada por la energía más que por las GPU: Gartner proyecta que en torno al 40% de los datacenters de IA estarán limitados por energía para 2027, y los plazos de entrega de los transformadores de alta tensión y equipos de conmutación necesarios para poner en marcha nueva capacidad de datacenter se han alargado de 12-18 meses a hasta 36-48 meses en algunos mercados. Se puede fabricar una GPU más rápido de lo que se puede actualizar una red eléctrica regional para hacerla funcionar a gran escala. Ese desajuste significa que la capacidad de generación de vídeo —que necesita más energía por cada salida terminada que la generación de texto o imagen, simplemente porque necesita más horas de GPU por salida— compite por una porción de infraestructura eléctrica que no crece ni de lejos al mismo ritmo que la producción de chips.

Por qué esto no se derrumbará pronto hasta los precios de la generación de texto

Es tentador suponer que los precios del vídeo simplemente seguirán la misma trayectoria que ya recorrieron el texto y la imagen —caro en el lanzamiento, luego popularizado en un par de años a medida que los modelos se vuelven más eficientes y el hardware más barato. Parte de eso ocurrirá: las técnicas de destilación que reducen los pasos de eliminación de ruido de decenas a un solo dígito, arquitecturas de atención temporal más eficientes y un almacenamiento en caché más inteligente que reutiliza cómputo entre fotogramas similares son todos ellos campos de investigación activos, y cada avance incremental sí reduce el coste por segundo. Pero la generación de vídeo no persigue un objetivo fijo —a medida que el cómputo por fotograma se abarata, los usuarios empujan al alza la resolución, la duración del clip, la tasa de fotogramas y la complejidad multiplano, absorbiendo los ahorros logrados, del mismo modo en que ocurrió con los modelos de imagen cuando las mejoras de fotorrealismo devoraron las ganancias de eficiencia en lugar de traducirlas en precios más bajos. Si a esto se suman las restricciones de suministro energético y de chips, la expectativa realista para el próximo año o dos no es “el vídeo se vuelve tan barato como el texto” —es una lenta erosión del coste por segundo, limitada menos por el ingenio algorítmico de nadie en particular que por la velocidad a la que realmente se puede construir la infraestructura física que sostiene a toda la industria.