El Ciclo de Apalancamiento Sintético: Por Qué un Fallo de Monetización Afecta a Todo de Una Vez
La carrera de ingresos entre Anthropic y OpenAI no es una historia de dos empresas. Es una reacción en cadena balance-sheet incrustada en tres capas distintas de la economía: laboratorios de IA, hyperscalers, e infraestructura de energía/centros de datos, cada una de las cuales ha comprometido costos fijos en función de la misma previsión de demanda.
Cuando cualquier capa falla, la presión no se desplaza secuencialmente a lo largo de una cadena.
Llega simultáneamente a cada nodo, porque las tres capas han fijado precios anticipadamente según la misma curva optimista de adopción.
Esta estructura es lo que hace que el momento actual sea inusual. Comprenderlo requiere tratar la stack de suministro de IA no como una jerarquía de vendedor-cliente sino como un ciclo de apalancamiento sintético: un sistema donde los compromisos de costos fijos en cada capa amplifican un pequeño déficit de ingresos en un gran evento de margen en múltiples sectores de capital a la vez.
La Arquitectura de Tres Capas y Su Suposición Compartida
El ciclo tiene tres participantes, cada uno desempeñando un papel balance-sheet distinto.
Laboratorios de IA, Anthropic y OpenAI, son los generadores de demanda. Sus trayectorias de ingresos determinan cuánta capacidad de cómputo necesitan provisionar los hyperscalers y, a su vez, cuánta infraestructura física (energía, refrigeración, espacio de colocation) debe ser construida y financiada. La tasa anualizada de OpenAI se reportó por encima de $40 mil millones.
Los inversores esperan que la tasa de Anthropic alcance entre $100 mil millones y $120 mil millones para finales de 2026, y las propias proyecciones de Anthropic apuntan a ingresos de entre $190 mil millones y $200 mil millones en 2028. Estas cifras son la señal de demanda que cada capa arriba y abajo ha utilizado para calibrar sus compromisos de capital.
Hyperscalers, principalmente Amazon, Microsoft y Alphabet, se sitúan en la capa intermedia. Han pre-comprado clústeres de GPU, firmado contratos de arrendamiento de centros de datos a varios años y extendido contratos de larga duración con fabricantes de chips y operadores de infraestructura, todos precios en función de las curvas de ingresos de los laboratorios descritas anteriormente.
OpenAI, por sí sola, ha contratado supuestamente servicios de Azure por un valor de $250 mil millones, una cifra que implica una trayectoria de utilización específica que Microsoft, casi con certeza, ha utilizado para justificar sus propias decisiones de gasto de capital.
Cuando la tasa de monetización real de un laboratorio se desvía de su curva proyectada, el hyperscaler no puede deshacer rápidamente las obligaciones de arrendamiento o devolver el silicio pre-comprado.
La base de costos fijos está bloqueada. Un déficit de demanda relativamente modesto se traduce en una compresión de margen materialmente mayor porque el denominador (ingresos) se reduce mientras que el numerador (depreciación, costos de arrendamiento, compromisos de energía) no lo hace.
Infraestructura de energía y centros de datos ocupa la tercera capa: REITs, servicios públicos y operadores especializados que han financiado la construcción sobre supuestos de compra a varios años vinculados directamente al gasto de capital en la nube, que a su vez está guiado por las proyecciones de ingresos de los laboratorios.
Estas entidades cargan los costos fijos de mayor duración en la stack.
La deuda de construcción, acuerdos de compra de energía y contratos de reserva de capacidad se extienden años más allá de las ganancias de cualquier trimestre. No pueden ser reestructurados en la misma línea de tiempo que la decisión de provisión de un hyperscaler o un ajuste de precios de un laboratorio.
Por Qué la Cascada es Simultánea, No Secuencial
El modelo mental intuitivo de una cascada imagina un proceso secuencial: un laboratorio falla en los ingresos, luego un hyperscaler responde reduciendo la guía de gasto de capital, luego un operador de infraestructura ve caer las reservas.
Ese modelo es erróneo para esta configuración particular, y entender por qué es importante para la evaluación del tamaño de posición y riesgo a través de los nombres de capital relevantes.
Las tres capas ya han fijado anticipadamente la curva de adopción. El arrendamiento del hyperscaler fue firmado. El préstamo de construcción del REIT fue retirado. El contrato de GPU fue ejecutado. Ninguno de estos compromisos dependía de que se cumpliera un hito de ingresos futuro; se firmaron porque se asumió que el hito era seguro.
Cuando la suposición subyacente es sometida a prueba de estrés, por ejemplo, por un informe de ingresos trimestral que implica una tasa de penetración empresarial más lenta de lo requerido por el modelo, el mercado de capitales vuelve a valorar las tres capas a la vez, porque las tres están expuestas a la misma suposición rota simultáneamente.
Este es el mecanismo que convierte lo que parece una historia competitiva entre dos empresas privadas en un evento de revalorización multi-sectorial que afecta a hyperscalers que cotizan en bolsa, nombres de semiconductores y acciones de infraestructura al mismo tiempo.
La Escala de los Compromisos de Capital
La escala de los compromisos de costos fijos amplifica la sensibilidad. Esa cifra, tomada como un punto de referencia, representa un compromiso de capital realizado contra proyecciones de ingresos anticipados, no contra ingresos ya obtenidos.
La brecha entre lo que la stack de IA ha comprometido a gastar y lo que realmente se ha monetizado es, en sí misma, una posición apalancada incrustada en las valoraciones de capital en todo el sector.
Para hacerlo concreto: si los ingresos de la capa de laboratorio crecen materialmente más lento que la curva de adopción que justificó $870 mil millones en gasto de capital, la capacidad excedente no puede ser inactivada de inmediato. Los cronogramas de depreciación continúan. Las obligaciones de arrendamiento siguen. El consumo de energía está contratado.
El apalancamiento operativo que hizo que los perfiles de margen de los hyperscalers fueran tan atractivos durante la fase de construcción funciona simétricamente en reversa durante un déficit de demanda, los costos fijos que fueron fácilmente absorbidos a alta utilización se convierten en un arrastre agudo de márgenes a una menor utilización.
| Capa | Tipo de Compromiso de Costos Fijos | Velocidad de Ajuste | Característica de Apalancamiento |
|---|---|---|---|
| Laboratorios de IA | Contratos de cómputo, personal, entrenamiento de modelos | Moderada (trimestres) | Generador de demanda; establece la señal |
| Hyperscalers | Clústeres de GPU, arrendamientos de centros de datos, contratos de energía | Lenta (años) | Amplificador de apalancamiento operativo |
| Infraestructura de Energía / DC | Deuda de construcción, acuerdos de compra, conexiones a la red | Muy lenta (multi-años) | Exposición de mayor duración; menos flexible |
La tabla ilustra por qué un fallo de un solo dígito porcentual en la capa de laboratorio no se contiene. Cada capa subsiguiente tiene menos flexibilidad y un horizonte de compromiso más largo, lo que significa que la carga de costos fijos persiste más tiempo incluso a medida que las expectativas de ingresos se reajustan.
Por Qué Esto Establece el Marco Analítico para el Resto del Artículo
Las cifras de ingresos de Anthropic y OpenAI reportadas hasta mediados de 2026, y las proyecciones que se extienden hasta 2028, no son simplemente puntos de datos interesantes sobre dos empresas privadas. Son la señal de demanda que toda la stack ha utilizado para justificar decisiones de asignación de capital por valor de cientos de miles de millones de dólares.
Las desviaciones de esas proyecciones, en cualquier dirección, se propagan a través de las decisiones de asignación de capital en infraestructura de IA en hyperscalers y hacia abajo en los balances de los operadores de infraestructura y servicios públicos.
Para los traders que analizan el sector a través de NVDA, AMZN, MSFT, GOOGL, y nombres de infraestructura, la pregunta relevante no es cuál laboratorio gana la carrera de ingresos. La pregunta relevante es si la trayectoria de monetización agregada es lo suficientemente rápida como para justificar la base de costos fijos que ya se ha comprometido contra ella.
El ciclo de apalancamiento sintético significa que esa respuesta importa para cada capa al mismo tiempo.
Anatomía de la Carrera: Valoración, Tasas de Ingresos y Concentración de Capital
Las Rondas de Financiación que Establecieron la Línea Base
Para entender lo que los mercados están valorando, el punto de partida es la estructura de capital de los dos laboratorios de IA privados dominantes.
A partir de agosto de 2026, OpenAI y Anthropic han realizado las rondas de financiación privada más grandes en la historia de la tecnología en un lapso de aproximadamente tres meses, y los números han cambiado lo suficientemente rápido como para que los marcos de valoración estándar tengan dificultades para mantenerse al día.
Esa ronda elevó a OpenAI a un reducido nivel de empresas privadas cuyas valoraciones rivalizan con las de las megacaps que cotizan en bolsa, y en ese momento, representó la señal más clara del mercado privado sobre dónde el capital institucional esperaba que aterrizara la monetización de la IA.
En tres meses, Anthropic superó esa marca. Ese único evento de financiación, que llegó tan pronto después de la propia ronda histórica de OpenAI, señaló que el capital no se estaba concentrando alrededor de un solo ganador, sino bifurcándose entre dos laboratorios simultáneamente, cada uno cerca de marcar un billón de dólares.
Ingresos: La Carrera Subyacente
Las valoraciones son prospectivas, pero la trayectoria de ingresos es lo que las ancla o socava. Las tasas de crecimiento aquí son estructuralmente inusuales, no incrementales, sino que están compuestos a un ritmo que hace que las comparaciones de trimestre a trimestre sean difíciles de contextualizar a través de los lentes normales de SaaS o software empresarial.
Para OpenAI, se informó que los ingresos del Q1 2026 fueron de $5.7 mil millones, con ingresos del Q2 2026 reportados en $6.7 mil millones, un aumento secuencial del 18%, según The Wall Street Journal y Reuters. En términos anualizados, Bloomberg y CNBC informaron que la tasa de ingresos anualizada de OpenAI era de más de $40 mil millones.
Para Anthropic, la trayectoria es más pronunciada y más reciente. Reuters informó que la tasa de ingresos anualizada de la compañía a finales de 2025 fue de aproximadamente $9 mil millones. Para mayo de 2026, esa cifra había aumentado a $47 mil millones en términos anualizados, según Reuters.
Bloomberg reportó que los ingresos de Anthropic en el Q1 2026 fueron de $4.73 mil millones, y los ingresos preliminares del Q2 2026 fueron de más de $11.5 mil millones, que Bloomberg observó fue más de 14 veces los ingresos de Anthropic en el Q2 2025 de $787 millones.
Al final de julio de 2026, Reuters, Bloomberg y CNBC informaron que la tasa de ingresos anualizada de Anthropic había superado los $65 mil millones, superando la cifra reportada de OpenAI.
La tabla a continuación coloca estos puntos de datos en secuencia:
| Periodo | Ingresos de OpenAI | Ingresos de Anthropic | Fuente |
|---|---|---|---|
| Q2 2025 | — | $787M (trimestral) | Bloomberg |
| Fin-2025 anualizado | — | ~$9B | Reuters |
| Q1 2026 (trimestral) | $5.7B | $4.73B | WSJ / Bloomberg |
| Q2 2026 (trimestral) | $6.7B | >$11.5B (preliminar) | WSJ / Bloomberg |
| Mayo 2026 anualizado | — | $47B | Reuters |
| Julio 2026 anualizado | >$40B | >$65B | Bloomberg/CNBC / Reuters |
La comparación de 14x año tras año para el Q2 de Anthropic, de $787 millones a más de $11.5 mil millones, es el único punto de datos más impactante en esta imagen de ingresos.
No es un signo de una empresa acelerándose desde una línea base modesta; refleja un cambio estructural en la adopción de la IA empresarial que comprime lo que históricamente sería una construcción de ingresos de varios años en menos de cuatro trimestres.
Asimetría de Rentabilidad
El crecimiento de ingresos a esta escala no se traduce automáticamente en eficiencia operativa, y los dos laboratorios presentan imágenes significativamente diferentes en esa dimensión. Bloomberg informó que los resultados preliminares de Anthropic para el Q2 2026 mostraron un ingreso operativo ajustado positivo, un marcador notable para una empresa en esta etapa de inversión.
OpenAI, por el contrario, reportó una pérdida operativa de $12.3 mil millones en el Q2 2026, según The Wall Street Journal. La divergencia refleja diferentes estructuras de costos, estrategias de infraestructura y el ritmo al que cada laboratorio está desplegando capital contra la capacidad futura.
Esta asimetría de rentabilidad es importante para cómo los inversores institucionales evalúan el riesgo en posiciones asociadas, incluidas las acciones proxy de capital, acciones de hiperescala y nombres de infraestructura.
Un laboratorio que genera ingresos operativos positivos a gran escala representa un perfil de riesgo diferente al de uno que absorbe grandes pérdidas, incluso si este último tiene un mayor ingreso absoluto.
Concentración de Capital como un Hecho Estructural del Mercado
Más allá de los números individuales de la empresa, el capital agregado que fluye hacia este subsector de dos laboratorios ha creado una dinámica de concentración que merece atención directa. La financiación de $122 mil millones de OpenAI y la Serie H de $65 mil millones de Anthropic suman un total de $187 mil millones a lo largo de tres meses.
Cuando se coloca en contraste con el entorno más amplio de recaudación de fondos para startups de IA, la parte del capital total que fluye hacia estas dos entidades se convierte en un hecho estructural sobre la liquidez del mercado privado en lugar de solo un titular.
Esta concentración tiene implicaciones a largo plazo: las decisiones de inversión de los principales patrocinadores estratégicos, incluidos los proveedores de chips y los proveedores de la nube que han vinculado compromisos de infraestructura directamente a las trayectorias de ingresos de los laboratorios, amplifican las apuestas de cada informe trimestral de ingresos.
Reuters informó que Nvidia estaba lista para invertir hasta $100 mil millones en OpenAI y suministrar chips para centros de datos, y que AMD acordó vender a Anthropic decenas de miles de millones de dólares en servidores de IA mientras invertía hasta $5 mil millones en la empresa.
Se informó por separado que OpenAI había contratado $250 mil millones en servicios de Azure, según The Wall Street Journal y Reuters.
Estas no son participaciones financieras pasivas. Son compromisos estructurales que crean obligaciones de costo fijo a través de múltiples balances, todos valorados contra las mismas proyecciones de ingresos. Ese es el mecanismo a través del cual la variación de ingresos a nivel de laboratorio se convierte en un evento que afecta a múltiples activos en lugar de uno solo.
Proyecciones Futuras y Anclaje de Valoración
The Financial Times y Reuters informaron que los inversores esperaban que la tasa de ingresos anualizada de Anthropic alcanzara entre $100 mil millones y $120 mil millones para finales de 2026. Reuters también informó que Anthropic proyectaba ingresos de aproximadamente $190 mil millones a $200 mil millones para 2028.
Estas cifras funcionan como los anclajes implícitos contra los cuales se evalúan las valoraciones actuales y los compromisos de capital superpuestos a ellas.
Para los traders y analistas que monitorean este espacio a través de dinámicas de ingresos de monetización de IA, la variable clave no es si estas proyecciones son alcanzables en aislamiento, sino si la curva de adopción empresarial se materializa al ritmo y la tasa de penetración que los compromisos de infraestructura actuales ya han valorado.
Los números de ingresos anteriores son el marcador; el capex ya desplegado es la apuesta hecha contra ellos.
Para contexto sobre cómo se está financiando el ciclo de capital de infraestructura de IA más amplio, la interconexión entre las expectativas de ingresos de laboratorio y los compromisos de construcción de centros de datos es directa y medible, y ambas partes de esa ecuación ahora se están moviendo a un ritmo que comprime el retraso habitual entre el
despliegue de capital y la presión de monetización.
Mecánicas de Márgenes de Hiperscaladores: Cómo MSFT, AMZN, y GOOGL Están Expuestos
La Arquitectura de Costos Fijos Detrás de Azure, AWS, y Google Cloud
El apalancamiento operativo es un concepto sencillo: cuando un negocio incurre en grandes costos fijos, un cambio porcentual dado en los ingresos produce un cambio porcentual mayor en el ingreso operativo. Para los hiperscaladores en 2026, ese mecanismo ha sido potenciado por la expansión de la IA.
Microsoft, Amazon y Alphabet han comprometido cada uno programas de gasto de capital a varios años, clústeres de GPU, arrendamientos de centros de datos, fibra e infraestructura de refrigeración, contra una previsión de demanda específica: un crecimiento continuo de dos dígitos altos en el consumo de tokens de API de IA impulsado principalmente por clientes empresariales de OpenAI y Anthropic.
Los costos fijos están asegurados. La demanda no.
Esta sección desarrolla las vías financieras específicas a través de las cuales un déficit de monetización en la capa de laboratorio comprime los márgenes en cada una de las tres principales plataformas de nube.
Microsoft Azure: La Dependencia de la Tasa de Take-Rate de OpenAI
La exposición de Microsoft es la más directa. OpenAI ha contratado supuestamente por $250 mil millones en servicios de Azure, un compromiso que ancla la planificación de capacidad de IA de Azure y el tamaño del capex.
Microsoft ha estructurado la expansión de infraestructura de IA de Azure alrededor de la suposición de que los ingresos empresariales de OpenAI continúan escalando, generando una utilización sostenida de GPU en sus centros de datos.
Los mecanismos funcionan de la siguiente manera. Cuando OpenAI vende acceso a la API empresarial, a desarrolladores que construyen aplicaciones de IA, a corporativos que despliegan herramientas tipo Copilot, una parte de esos ingresos fluye de vuelta a Microsoft como consumo de computación de Azure.
Microsoft gana una tasa de take rate sobre este flujo: el margen entre lo que OpenAI paga por computación y el costo fijo de Microsoft por proporcionar esa computación.
Mientras la utilización se mantenga alta, los cargos de depreciación fijos se distribuyen a través de una amplia base de ingresos y los márgenes operativos se expanden.
Revierta la suposición. Si el crecimiento de ingresos empresariales de OpenAI se desacelera, ya sea por presión de precios, cancelaciones, o adopción empresarial más lenta, las tasas de utilización de GPU caen. La infraestructura del centro de datos no desaparece. Los cargos de depreciación sobre hardware ya adquirido continúan según lo programado. Los contratos de energía se mantienen.
Las obligaciones de arrendamiento persisten.
El resultado es que el segmento de IA de Azure absorbe la misma base de costos fijos contra un numerador de ingresos más pequeño, comprimiendo los márgenes operativos.
Se ha informado que el negocio B2B de OpenAI ha superado supuestamente a su segmento consumidor de ChatGPT en términos de ingresos, según comunicaciones a inversores de la empresa.
Esa transición es importante para Microsoft específicamente porque significa que los precios empresariales y la retención empresarial, no los conteos de suscripciones de consumidores, son ahora las variables primarias que determinan si la infraestructura de IA de Azure opera a una utilización rentable o se queda como capacidad ociosa.
AWS: La Apuesta de Throughput de Anthropic
Amazon Web Services ha hecho un compromiso estructural comparable por el lado de Anthropic. Amazon ha comprometido miles de millones de dólares en inversión en Anthropic, y AWS alberga la inferencia del modelo Claude a gran escala a través de su plataforma Bedrock.
La lógica financiera refleja la de Microsoft: AWS ha construido y reservado capacidad de GPU dimensionada contra el crecimiento proyectado en el consumo de API de Anthropic.
La trayectoria de ingresos de Anthropic ha sido pronunciada. Pero la variable clave para los márgenes de AWS no es la tasa misma; es la tasa de utilización de la infraestructura precomprometida en relación al throughput real.
Amazon anunció por separado que AMD acordó vender a Anthropic decenas de miles de millones de dólares en servidores de IA, con AMD invirtiendo hasta $5 mil millones en la startup, indicando que la cadena de suministro de hardware se ha dimensionado según la curva de crecimiento proyectada de Anthropic.
Una desaceleración en el consumo de API empresarial no permite que AWS devuelva servidores o renegocie arrendamientos en un tiempo corto.
Los costos de infraestructura fijos persisten, y el margen incremental sobre capacidad subutilizada es negativo.
Alphabet/Google Cloud: El Problema de Doble Competencia
Alphabet ocupa la posición más estructuralmente incómoda. Google Cloud compite directamente con ambos hiperscaladores anteriores, albergando los modelos Claude de Anthropic a través de su plataforma Vertex AI mientras también desarrolla su propia suite de modelos Gemini como alternativa a la familia GPT de OpenAI.
Alphabet es simultáneamente un proveedor de infraestructura de hiperscaladores, un laboratorio de IA y una plataforma de distribución, lo que significa que tiene exposición a costos fijos en múltiples puntos de la estructura.
Si la demanda empresarial de APIs de IA de frontera decepciona en términos generales, en lugar de solo en un laboratorio, Google Cloud enfrenta un escenario donde la utilización de Vertex AI disminuye independientemente del modelo que los clientes estén utilizando.
Los costos fijos de la infraestructura subyacente no distinguen entre inferencias de Gemini, inferencias de Claude, o capacidad inactiva.
Alphabet se enfrenta entonces a una elección sin un resultado limpio. Reducir el capex indicaría al mercado que las suposiciones sobre la demanda de IA estaban exageradas, un golpe a la credibilidad que históricamente reduce drásticamente los múltiplos de crecimiento.
Continuar construyendo en medio de una demanda débil preserva la opción pero profundiza la carga de costos fijos, comprimiendo aún más los márgenes operativos a corto plazo. Ninguno de los caminos es neutral.
Este es el vínculo estructural que distingue la posición de Alphabet de una simple exposición a ciclos de demanda.
La Relación de Apalancamiento Operativo Asimétrico
La razón por la cual la sensibilidad de márgenes de los hiperscaladores no es lineal radica en la estructura de la economía incremental de la IA. Una alta proporción de los costos de infraestructura de IA son semi-fijos: depreciación sobre clústeres de GPU, arrendamientos a largo plazo de centros de datos, acuerdos de compra de energía e infraestructura de red.
El costo marginal de servir un token adicional de consumo de API es bajo una vez que la infraestructura está construida.
Por el contrario, el costo de operar infraestructura por debajo de la utilización planificada es alto, porque los cargos fijos no se ven afectados por el volumen.
Esto crea asimetría. Un déficit del 10% en el crecimiento del volumen de tokens contra el plan no produce una reducción del 10% en los ingresos del segmento de IA en relación al plan; puede producir un déficit de ingresos más grande porque la presión de precios y el déficit de volumen a menudo ocurren simultáneamente durante decepciones en la demanda.
Y dado que la base de costos fijos está dimensionada según el escenario optimista, ese déficit de ingresos recae casi por completo en el ingreso operativo. El resultado es que un error porcentual de un solo dígito en el crecimiento del volumen puede traducirse en una disminución porcentual materialmente mayor en el ingreso operativo incremental del segmento de IA.
| Escenario | Volumen de Tokens vs. Plan | Base de Costos Fijos | Impacto en Ingresos Incrementales de IA | Dirección del Margen Operativo |
|---|---|---|---|---|
| Caso base | Según el plan | Totalmente comprometido | Los ingresos cumplen con las proyecciones | Estable a expandirse |
| Error del 5% en volumen | -5% vs. plan | Sin cambios | Ingresos -5% a -8% vs. plan | Compresivo |
| Error del 10% en volumen | -10% vs. plan | Sin cambios | Ingresos -10% a -15% vs. plan | Comprimido drásticamente |
| Error del 20% en volumen | -20% vs. plan | Sin cambios | Ingresos -20%+ vs. plan | Deterioro significativo |
La tabla anterior ilustra el mecanismo cualitativamente. Las magnitudes reales dependen de la estructura contractual específica de cada empresa, los cronogramas de depreciación y la proporción de ingresos de IA que son variables frente a comprometidos, cifras que no se divulgan públicamente a nivel de segmento.
El Compromiso de Capex como Riesgo Integrado
Estas no son proyecciones que se puedan revisar fácilmente a la baja. Los compromisos de construcción de centros de datos, acuerdos de compra de GPU, y contratos de infraestructura de energía típicamente llevan tiempos de anticipación de varios años y penalizaciones por cancelación.
Una decisión tomada en 2025 para construir capacidad para la demanda de IA de 2027 no se puede deshacer en 2026 basándose en un informe de utilización del segundo trimestre más suave de lo esperado.
Esta irreversibilidad es el núcleo del riesgo integrado. Las proyecciones de capex se basan en suposiciones de monetización de IA, específicamente, que el consumo de API empresarial continúa creciendo al ritmo establecido por Anthropic y las trayectorias reportadas de OpenAI en el primer semestre de 2026.
Los ingresos preliminares de Anthropic para el segundo trimestre de 2026 superaron supuestamente los $11.5 mil millones, más de 14 veces sus ingresos del segundo trimestre de 2025 de $787 millones.
Los ingresos de OpenAI para el segundo trimestre de 2026 se reportaron en $6.7 mil millones, un aumento del 18% secuencialmente desde $5.7 mil millones en el primer trimestre. Los planes de capex de hiperscaladores se calibraron contra el crecimiento continuo a esas tasas.
Si esas tasas de crecimiento se moderan, debido a fricciones regulatorias, fatiga en el presupuesto empresarial, presión competitiva de precios, o simplemente la desaceleración natural que sigue a un crecimiento extremo, los compromisos de capex permanecen, los cronogramas de depreciación permanecen, y la presión sobre los márgenes operativos se acumula cada trimestre hasta que la demanda se
re-acelera o los activos se deprecian.
Implicaciones Comerciales: Apalancamiento y Sensibilidad de Márgenes
Para los traders que se posicionan en torno a las ganancias de los hiperscaladores, las mecánicas de márgenes anteriores crean un marco analítico específico. Azure AI, AWS y Google Cloud informan cada uno márgenes operativos a nivel de segmento.
Una divergencia sostenida entre el crecimiento reportado del consumo de tokens y el crecimiento del costo de infraestructura es visible en esos márgenes antes de que aparezca en las cifras de ingresos generales, porque los ingresos aún pueden crecer en términos absolutos mientras el margen incremental sobre nuevos ingresos de IA se deteriora.
Los traders que utilizan posiciones apalancadas en MSFT, AMZN, o GOOGL deben tener en cuenta esta asimetría en el tamaño de la posición. Considere la estructura de amplificación a diferentes niveles de apalancamiento en una acción que se mueve un 8% en un informe de ganancias impulsado por la compresión de márgenes de IA:
| Apalancamiento | Capital | Tamaño de la Posición | Movida Adversa del 8% | Nota de Requisito de Margen |
|---|---|---|---|---|
| 10x | $1,000 | $10,000 | -$800 | ~9x de colchón antes de la liquidación |
| 50x | $1,000 | $50,000 | -$4,000 | Excede el capital, se activa la liquidación |
| 20x | $1,000 | $20,000 | -$1,600 | 60% de caída del capital |
A un apalancamiento elevado, un solo déficit de ganancias impulsado por la compresión de márgenes de IA puede exceder el umbral de margen de mantenimiento mucho antes de que reaccione el mercado en general.
El tema de la Carrera de Ingresos por Monetización de IA captura precisamente esta dinámica, donde la brecha entre el crecimiento de ingresos reportado y la rentabilidad es la variable que impulsa la revaloración, no solo los ingresos.
La gestión de riesgos en torno a las ganancias de los hiperscaladores en este entorno requiere tratar los márgenes del segmento de IA, no solo los superávit o déficits de ingresos, como la señal primaria, y dimensionar las posiciones en consecuencia dada la relación no lineal entre los déficits de consumo de tokens y los resultados del ingreso operativo.
NVDA como la Cámara de Compensación: Interpretando la Demanda de Chips como un Proxy de Ingresos de Laboratorio
NVDA como la Cámara de Compensación: Interpretando la Demanda de Chips como un Indicador Adelantado
Nvidia ocupa una posición estructural en la cadena de suministro de IA que ninguna otra acción replica: se sitúa en el punto exacto donde las ambiciones de ingresos de laboratorios de IA se convierten en gastos de capital.
Cuando Anthropic u OpenAI deciden acelerar su capacidad de entrenamiento o inferencia, el flujo de pedidos va al segmento de centros de datos de Nvidia antes de que aparezca en cualquier llamada de ganancias de hyperscaler o en informes de ocupación de REIT de infraestructura.
Esto convierte el pipeline de pedidos de NVDA y la guía a futuro en una señal casi en tiempo real sobre la salud de la monetización de laboratorios, y hace que la acción actúe, en la práctica, como un derivado sintético sobre el éxito agregado de ambos laboratorios de frontera simultáneamente.
El Pipeline Financiero Directo Desde los Ingresos del Laboratorio a los Pedidos de Chips
El mecanismo es sencillo. Los laboratorios de IA proyectan ingresos futuros, luego se comprometen a la capacidad de computación en función de esa proyección. Esa capacidad de computación se denominan principalmente en clústeres de GPU de Nvidia.
La decisión de compra, ya sea adelantar un pedido de clúster, retrasarlo o expandirlo, refleja la confianza interna del laboratorio en su propia trayectoria de ingresos en ese momento.
Esta conexión ha sido formalizada a gran escala. Reuters informó el 22 de julio de 2026 que Nvidia se preparaba para invertir hasta $100 mil millones en OpenAI y suministrar chips para centros de datos, una estructura que colapsa la distinción entre inversor estratégico y proveedor.
Nvidia no es simplemente un proveedor de OpenAI; es un accionista financiero cuyo ingreso por chips y la inversión en capital están ambos indexados a la velocidad de despliegue de OpenAI.
De manera similar, Reuters informó que AMD acordó vender a Anthropic decenas de miles de millones de dólares en servidores de IA e invertir hasta $5 mil millones en la startup, estableciendo la misma estructura de doble exposición en el lado de AMD.
El tamaño de la inversión es importante para interpretar la acción del precio de NVDA. Cuando los ingresos del laboratorio están creciendo, la tasa anualizada de Anthropic aumentó de aproximadamente $9 mil millones a fines de 2025 a más de $65 mil millones para finales de julio de 2026 según Reuters, la respuesta natural es adelantar los pedidos de clúster.
Cuando los ingresos preliminares del Q2 2026 de Anthropic superaron supuestamente los $11.5 mil millones (Bloomberg), el crecimiento secuencial de ese trimestre solo señala un cambio en la demanda de computación que tiene implicaciones directas para el próximo ciclo de orientación de Nvidia.
La Coalición de Fábricas de IA de Más de $500B+ como un Cinturón de Transmisión
La arquitectura de financiación que rodea la computación de IA ha creado un cinturón de transmisión de capital dedicado entre las proyecciones de ingresos de laboratorio y la demanda de chips.
Una coalición que comprende a Goldman Sachs, BlackRock, Blackstone, KKR, Apollo y Brookfield ha estructurado financiamiento explícitamente alrededor de la compra de clústeres de GPU de Nvidia para grandes complejos de centros de datos que atienden la demanda de laboratorios de frontera.
Esto no es inversión tecnológica generalizada, es capital construido con un propósito asignado contra pronósticos de demanda específicos de Anthropic y OpenAI.
La consecuencia práctica es que el pipeline de órdenes de NVDA ahora está parcialmente respaldado por capital institucional que ha asegurado esas proyecciones de ingresos de laboratorio de manera independiente.
Las divulgaciones de cartera de BlackRock del Q2 2026 muestran un aumento en las participaciones en nombres de GPU y semiconductores que incluyen AMD, Broadcom, Micron, Applied Materials y KLA junto a líderes de la nube, con una posición explícitamente vinculada al auge del capex de IA impulsado por los laboratorios de frontera.
Cuando las mismas instituciones que financian los centros de datos también tienen la acción de semiconductores, una señal de demanda a nivel de laboratorio se propaga a través del canal de financiamiento privado y del canal de acciones públicas simultáneamente.
La Dinámica de la Cámara de Compensación: Las Fallas del Laboratorio se Precios en NVDA Primero
El término "cámara de compensación" es preciso aquí. Una cámara de compensación procesa y netea transacciones antes de que ocurra el asentamiento downstream.
La acción de Nvidia realiza la misma función para el riesgo de monetización de IA: agrega señales de demanda de ambos laboratorios importantes y las incluye en los mercados de acciones antes de las ganancias de hyperscaler, antes de las divulgaciones del segmento de nube, y antes de que los informes de ocupación de REIT de infraestructura reflejen el cambio subyacente.
La asimetría es importante. Cuando los ingresos de Anthropic crecen más rápido que el consenso, como lo hicieron materialmente de Q1 a Q2 2026, la lectura para NVDA es una revisión al alza en la orientación del segmento de centros de datos.
Cuando cualquiera de los laboratorios aplaza los pedidos de clúster, la señal aparece en NVDA antes de que el hyperscaler que alberga ese laboratorio informe su propio trimestre.
OpenAI ha contratado servicios de Azure por un valor de $250 mil millones (Wall Street Journal, Reuters), y la relación principal de Anthropic en la nube pasa por Amazon Web Services.
Un aplazamiento de las compras de clústeres de GPU por parte de cualquiera de los laboratorios reduce los ingresos reconocidos de Nvidia en ese segmento, y esto es visible para la dirección de Nvidia antes de que sea visible para las líneas de informes de AWS o Azure.
Esta secuenciación crea una jerarquía de información práctica para los traders que monitorean el ciclo de capex de IA: las revisiones de orientación de NVDA llevan los comentarios del segmento de hyperscaler, lo que lleva a las divulgaciones de utilización de infraestructura.
Observar el libro de pedidos del centro de datos de Nvidia está estructuralmente antes en la cadena de información que esperar a las ganancias en la nube.
AMD como una Expresión de Dos Nombres de la Misma Tesis
La asociación estratégica de AMD con Anthropic, decenas de miles de millones en suministro de servidores más una inversión en acciones de $5 mil millones según Reuters, significa que la capa de chips ahora tiene una segunda expresión de la misma tesis subyacente de monetización de laboratorios.
AMD no es un sustituto perfecto de Nvidia en todos los trabajos, y su posicionamiento competitivo difiere por arquitectura y ecosistema de software.
Pero para el propósito de leer la demanda de chips como un proxy de ingresos de laboratorio, AMD lleva implicaciones de lectura a través de cada señal de demanda de Nvidia.
Cuando la trayectoria de ingresos de Anthropic se acelera, AMD se beneficia a través de su acuerdo de suministro directo. Cuando Nvidia emite orientación al alza del centro de datos vinculada a la expansión del clúster de OpenAI, el mercado pregunta naturalmente si los ingresos de AMD vinculados a Anthropic están experimentando el mismo viento de cola.
Los dos nombres juntos proporcionan una vista más clara de la demanda de computación de laboratorios de frontera agregados que cualquiera de los nombres por separado, y su desempeño relativo a veces puede señalar qué laboratorio está acelerando más rápido en un trimestre dado.
Mecánicas de Apalancamiento en Acciones de Semiconductores
Para los traders que utilizan los productos CFD de acciones de CoinUnited, la dinámica de la cámara de compensación en NVDA crea un perfil de riesgo específico que interactúa directamente con el apalancamiento.
Los ingresos del centro de datos de Nvidia no están distribuidos de manera uniforme a través de los trimestres; se concentran alrededor de ventanas de entrega de clústeres y ciclos de capex de laboratorios.
Esto significa que NVDA puede exhibir eventos de reevaluación agudos cuando se revisa la orientación, en lugar de un deslizamiento gradual.
Considera cómo el apalancamiento amplifica estos movimientos discretos:
| Apalancamiento | Capital | Tamaño de la Posición | Rally de NVDA Impulsado por Laboratorio del 5% | Caída Impulsada por Fallo del 5% | Distancia de Liquidación |
|---|---|---|---|---|---|
| 10x | $1,000 | $10,000 | +$500 | -$500 | ~9.5% |
| 50x | $1,000 | $50,000 | +$2,500 | -$2,500 | ~1.8% |
| 100x | $1,000 | $100,000 | +$5,000 | -$5,000 | ~0.9% |
Un movimiento del 5% en NVDA con una revisión de orientación está bien dentro del precedente histórico para eventos cercanos a ganancias. A 50x de apalancamiento, una posición de $1,000 captura $2,500 al alza, pero alcanza la liquidación en menos del 2% de movimiento adverso del precio.
La implicación es que la colocación de stop-loss debe tener en cuenta el rango de volatilidad intradía normal de la acción, no solo la dirección esperada del comercio.
El tamaño de la posición relativo al capital de la cuenta es tan importante como la convicción direccional.
La estructura de trading 24/7 de CoinUnited es relevante aquí específicamente porque las señales de ingresos de laboratorio y las noticias de pedidos de chips no respetan las horas de sesión del intercambio. Un informe de Reuters sobre compromisos de inversión de Nvidia o una divulgación de Bloomberg sobre los ingresos trimestrales de Anthropic pueden publicarse a cualquier hora.
La capacidad de comerciar acciones de semiconductores e IA las 24 horas significa que un trader puede responder a estas señales de cámara de compensación a medida que surgen en lugar de esperar a la apertura del mercado.
Qué Observar: El Conjunto de Señales Prácticas
Para los traders que tratan a NVDA como un proxy de monetización de laboratorios, se aplica la siguiente jerarquía de señales:
- -Cadencia de ingresos del laboratorio: La tasa de ejecución de Anthropic pasó de $47 mil millones anuales en mayo de 2026 a más de $65 mil millones para fines de julio de 2026, una aceleración de aproximadamente dos meses que implica directamente un adelanto de la computación.
- -Anuncios de órdenes de clúster: Acuerdos de suministro directos entre laboratorios y proveedores de chips (las estructuras de AMD-Anthropic y Nvidia-OpenAI) son divulgaciones discretas que mueven el mercado.
- -Actividad de la coalición de financiación: Nuetras tranchas de la coalición Goldman, BlackRock, Blackstone, KKR, Apollo, Brookfield signal que los plazos de construcción de los centros de datos se están manteniendo o acelerando, un indicador adelantado de la eventual entrega de chips.
- -Orientación de capex de hyperscaler: Los anuncios de capex de Azure, AWS y Google Cloud confirman o niegan lo que implica el libro de pedidos de Nvidia, pero lo retrasan.
El marco de la cámara de compensación no es una metáfora.
Describe una característica estructural de cómo la información de monetización de IA se mueve a través de los mercados de acciones: los proveedores de chips reciben primero las decisiones de gasto de laboratorio, las incorporan en la orientación a futuro, y esa orientación revisa los múltiplos del sector antes de que la demanda subyacente aparezca downstream.
Calculando la Cascade: Lo que un 5-10% de Falta de Monetización Hace Realmente a los Precios de las Acciones
Escenario A, Caso Base: La Trayectoria de Ingresos Actual Soporta la Orientación de Capex
El caso base comienza con lo que realmente muestran los datos verificados. La tasa anualizada de OpenAI superó los $40 mil millones, con los ingresos del segundo trimestre de 2026 reportados en $6.7 mil millones, un aumento del 18% secuencial desde $5.7 mil millones en el primer trimestre.
A estos niveles de trayectoria, el consumo agregado de API de laboratorios de IA es suficiente para justificar los compromisos de capex que los hiperescaladores han hecho y los volúmenes de pedidos de GPU incluidos en la orientación de ingresos de centros de datos de Nvidia.
La curva de demanda, tal como se refleja en los mercados de acciones, asume un crecimiento continuo de dos dígitos alto en el consumo de tokens empresariales, lo que significa que el caso base no es una suposición conservadora, sino una ya elevada. Cualquier desaceleración de la tasa de crecimiento actual, incluso una modesta, constituye una falta respecto al consenso.
Escenario B, Una Falta de Adopción del 5%: Cómo Transita a Través de Tres Balances
Considere un escenario donde la penetración de adopción de IA empresarial está 5 puntos porcentuales por debajo del consenso, con el crecimiento del consumo de tokens funcionando al 60% interanual en lugar del ritmo de ~65% incluido en los modelos futuros.
Sobre una base combinada de ingresos de Anthropic y OpenAI que actualmente se dirige hacia más de $100 mil millones anualizados, una desaceleración del crecimiento de 5 puntos porcentuales se acumula rápidamente.
La aritmética es sencilla. Si los ingresos combinados de los laboratorios crecen al 60% en lugar del 65% sobre una base de aproximadamente $100 mil millones anualizados, la falta anual respecto al consenso asciende a varios miles de millones de dólares.
Esa falta no está distribuida uniformemente: se concentra en los contratos de API empresariales, que tienen márgenes más altos y que los hiperescaladores han valorado directamente en sus propias previsiones de ingresos de IA.
Para AWS, que alberga a Claude y ha hecho compromisos multimil millonarios con Anthropic, la falta de ingresos por un menor consumo de API se siente mientras los costos fijos del centro de datos permanecen sin cambios. La relación de apalancamiento operativo aquí es asimétrica: los costos fijos de depreciación y energía no se reducen con el volumen de tokens.
Una falta del 5% en el consumo puede traducirse en una presión sobre el margen operativo que es un múltiplo de la falta de ingresos en cargas de trabajo de IA incrementales.
La misma dinámica se aplica a Azure. OpenAI ha contratado aproximadamente $250 mil millones en servicios de Azure a lo largo del tiempo, lo que hace que la utilización de Azure esté directamente ligada a la velocidad de implementación de OpenAI.
Si la expansión de asientos de IA empresarial está 5 puntos por debajo del plan, las tasas de utilización de Azure IA disminuyen mientras que los cargos de infraestructura fija, la depreciación de clústeres de GPU, los arrendamientos de centros de datos y los contratos de energía permanecen completamente cargados.
Los modelos de EPS futuros para AMZN y MSFT llevan supuestos de crecimiento de IA que, si se reducen, se traducen en revisiones mensurables a las estimaciones de ingresos operativos.
| Magnitud de Falta | Crecimiento de Token vs. Consenso | Falta de Ingresos Combinados de Laboratorio | Impacto Primario en Acciones |
|---|---|---|---|
| 0% (Caso Base) | En línea (~65% interanual) | Ninguna | Estimaciones intactas |
| 5% Falta | ~60% interanual | Varios miles de millones anualizados | EPS futuros de AMZN, MSFT recortados |
| 10% Falta | ~55% interanual | Falta multimillonaria más grande | NVDA, AMD, AMZN, MSFT, GOOGL todos reajustados |
Escenario C, Una Falta de Adopción del 10%: La Cascade Completa
Una falta de 10 puntos porcentuales es categóricamente diferente en carácter, no solo en magnitud. A este nivel, la falta es lo suficientemente grande como para forzar decisiones a nivel de laboratorio que se propagan a la adquisición de hardware.
Cuando el crecimiento de ingresos de Anthropic o OpenAI se desacelera de manera material, la respuesta racional es diferir el próximo pedido de clúster, extrayendo la demanda de GPU que se había predicado sobre el mantenimiento del impulso de ingresos.
Los ingresos del centro de datos de Nvidia están directamente vinculados a las compras de clústeres de laboratorios frontera. Estos son algunos de los pedidos individuales más grandes en el libro de pedidos de Nvidia. Una postergación, no una cancelación, simplemente una postergación, elimina ingresos del ciclo de reservas actual.
Dado que Nvidia estaba dispuesta a invertir hasta $100 mil millones en OpenAI y suministrar chips para centros de datos, la exposición bidireccional es sustancial: si la monetización de OpenAI decepciona, la razón comercial para contratos acelerados de suministro de chips se debilita.
AMD, que acordó vender a Anthropic decenas de miles de millones de dólares en servidores de IA, tiene una exposición paralela. Una desaceleración de la demanda en Anthropic fluye hacia la línea de ingresos de servidores de AMD con dinámicas similares de apalancamiento operativo en la capa de hiperescaladores.
Más allá de los chips, los operadores de infraestructura de servicios públicos y centros de datos enfrentan su propio problema. Los acuerdos de compra de energía y financiamiento para la construcción de centros de datos de IA se dimensionaron en función de compromisos de capex que a su vez estaban dimensionados en función de las proyecciones de ingresos de laboratorios.
Una falta de demanda del 10% da a los hiperescaladores razones para desacelerar o pausar la expansión incremental de centros de datos, lo que reduce la visibilidad futura de ingresos para los REIT de infraestructura y contrapartes de servicios públicos, desencadenando un riesgo de reducción de capex.
La compresión del margen operativo entre los hiperescaladores en este escenario no es trivial. Los costos fijos, la depreciación de los clústeres de GPU ya entregados, arrendamientos a largo plazo, personal, no desaparecen.
Si el crecimiento de ingresos de IA se desacelera bruscamente mientras estos costos permanecen, la compresión del margen se concentra en el segmento de más alto crecimiento y mayor margen de cada P&L de hiperescalador.
El Amplificador de Riesgo de Tasa de Quema: La Carga Fija de Anthropic
La historia de financiamiento de Anthropic hace que el escenario de desaceleración de ingresos sea particularmente significativo.
El Financial Times informó que los inversores esperaban que la tasa anualizada de ingresos de Anthropic alcanzara entre $100 y $120 mil millones para finales de 2026, una trayectoria que implica una rápida ampliación continua del entrenamiento de modelos, investigación de seguridad e infraestructura de inferencia.
Estos no son costos variables. Las ejecuciones de entrenamiento de modelos, los equipos de investigación de seguridad y los compromisos de infraestructura de centros de datos representan una base de costo fijo que no se ajusta fácilmente si el crecimiento de ingresos se desacelera.
Si el crecimiento de ingresos de Anthropic va por debajo de las expectativas de los inversores incrustadas en la valoración de $965 mil millones, el consumo de efectivo por dólar de ingresos aumenta.
Los resultados preliminares de Anthropic para el segundo trimestre de 2026 mostraron informes de ingresos operativos ajustados positivos, un hito notable, pero el camino desde el ingreso operativo ajustado hasta el verdadero flujo de efectivo libre en un balance de este tamaño depende críticamente de mantener un alto crecimiento de ingresos.
Un escenario de desaceleración de ingresos podría acelerar la línea de tiempo para una recaudación de capital o una OPI en términos menos favorables de los que actualmente implica la marca privada. Anthropic presentó un prospecto de OPI confidencial ante la SEC en junio de 2026.
Una OPI ejecutada en un mercado que ya ha reajustado a la baja las expectativas de monetización de IA estaría a precio de un múltiplo más bajo que la misma oferta hecha en condiciones de caso base, y las matemáticas de dilución para los inversores existentes serían correspondientemente peores.
El Factor de Simultaneidad: Por Qué la Ventana de Falta es de 2-3 Semanas, No de 2-3 Trimestres
La rotación sectorial convencional asume que una falta en los resultados de una empresa se propaga a través de la cadena de suministro durante varios trimestres, los clientes reaccionan lentamente, los proveedores ajustan la orientación en el próximo ciclo de ganancias, el capex de infraestructura se revisa un año después. La cascada de monetización de IA no sigue este patrón.
Los hiperescaladores, Nvidia, AMD y los operadores de infraestructura todos guiaron hacia adelante usando las mismas proyecciones de demanda de laboratorio, proyecciones que a su vez se construyeron sobre la misma curva de adopción empresarial. También todos reportan ganancias dentro de una ventana comprimida de 2-3 semanas cada trimestre.
Una falta de consumo de API de IA en el tercer trimestre de 2026 que se manifiesta en las cifras de ingresos de laboratorio se propagaría a través de las orientaciones de ganancias de NVDA, AMZN, MSFT y GOOGL dentro de una sola temporada de ganancias, no a través de varios trimestres.
Esta simultaneidad elimina el mecanismo normal por el cual las malas noticias específicas del sector se amortiguan, la capacidad de observar cómo una parte de la cadena responde antes de reposicionar en otra. Cuando llega la señal, llega en todas partes a la vez.
El tema de Monetización de Ingresos de IA y Aumento de Demanda de Chips captura cuán estrechamente están acoplados estos nombres al alza; el mismo acoplamiento se aplica con igual fuerza a la baja.
Amplificación del Apalancamiento: Dimensionamiento de la Posición Relativa a la Volatilidad de la Cascade
Para los traders que tienen posiciones en CFDs de NVDA, AMZN, MSFT o GOOGL, el factor de simultaneidad es un insumo directo en las decisiones de dimensionamiento de posiciones. La siguiente tabla ilustra cómo el apalancamiento interactúa con un movimiento de precio del 10%, un resultado plausible en un escenario de cascada completa, a través de dos niveles de apalancamiento.
| Apalancamiento | Capital | Tamaño de Posición | Ganancia de Precio del 10% | Pérdida de Precio del 10% | Distancia Aproximada de Liquidación |
|---|---|---|---|---|---|
| 10x | $2,000 | $20,000 | +$2,000 | -$2,000 | ~9.5% |
| 50x | $2,000 | $100,000 | +$10,000 | -$10,000 | ~1.8% |
| 100x | $1,000 | $100,000 | +$10,000 | -$10,000 | ~0.9% |
A 50x de apalancamiento sobre $2,000 de capital, un trader controla una posición de $100,000 en NVDA. Un movimiento del 10% en NVDA, en cualquier dirección, genera $10,000 en P&L, un retorno del 500% o pérdida total sobre el capital desplegado.
A 100x de apalancamiento sobre $1,000 de capital, el mismo tamaño de posición de $100,000 produce el mismo P&L nominal de $10,000, pero la liquidación ocurre aproximadamente en un movimiento adverso del 0.9%.
En un escenario de cascada donde NVDA, AMZN, MSFT y GOOGL están todos reajustándose simultáneamente durante una ventana de ganancias de 2-3 semanas, la volatilidad intradía en nombres individuales puede exceder el 3-5% en una sola sesión.
A 100x de apalancamiento, un movimiento adverso del 0.9% desencadena la liquidación, lo que significa que el dimensionamiento de la posición debe tener en cuenta todo el sobre envolvente de volatilidad del entorno de cascada, no solo los rangos diarios normales.
La simultaneidad de la cascada comprime el tiempo disponible para gestionar riesgos después de la señal inicial, haciendo que el dimensionamiento de posiciones previo al evento sea la principal herramienta de control de riesgo.
Regulación como Guardián de Ingresos: EO 14409, Ley de IA de la UE y la Designación de Seguridad de Anthropic
Regulación como Guardián de Ingresos: EO 14409, Ley de IA de la UE y la Designación de Seguridad de Anthropic
Los marcos regulatorios en 2026 no son condiciones de fondo para la carrera de ingresos de los laboratorios de IA, son determinantes directos de qué laboratorios pueden monetizar, en qué mercados y a qué velocidad.
Tres desarrollos en particular, la Orden Ejecutiva 14409 de EE.UU., la activación de la aplicación de la Ley de IA de la UE, y la designación de seguridad nacional del gobierno de EE.UU. a Anthropic, han transformado el entorno político en una capa asimétrica de catalizadores que se sitúa por encima del concurso de ingresos de Anthropic y OpenAI.
Cada uno crea tanto fosos como restricciones, y cada uno genera eventos de mercado negociables cuyos resultados no son completamente visibles para los inversores por adelantado.
Orden Ejecutiva 14409: Costo de Cumplimiento como Foso Competitivo
La Orden Ejecutiva 14409, firmada el 2 de junio de 2026, establece un marco de revisión voluntaria previo al lanzamiento para modelos de IA de frontera.
Bajo esta estructura, las agencias gubernamentales reciben acceso anticipado a modelos de frontera, hasta 30 días antes del lanzamiento público, lo que permite la evaluación frente a criterios no divulgados antes de que proceda el despliegue comercial.
El costo de cumplimiento de este marco no es trivial. Apoyar un ciclo de revisión gubernamental estructurado requiere equipos de seguridad dedicados, infraestructura de documentación, capacidad de cómputo para entornos de evaluación paralelos y coordinación legal. Los laboratorios bien capitalizados absorben estos costos sin interrupciones materiales.
Para los competidores más pequeños que operan con ciclos de financiamiento más ajustados, una retención de 30 días previa al lanzamiento crea interrupciones en la cadena de ingeniería y ralentiza la cadencia de despliegue que impulsa los ingresos por API.
El efecto práctico: la EO 14409 funciona como un foso regulatorio que beneficia a Anthropic y OpenAI a expensas directas de los desarrolladores de modelos de frontera de tamaño medio y pequeño.
La misma carga de cumplimiento que impone un costo incremental a los grandes laboratorios impone una carga organizacional proporcionalmente mayor a los competidores con recursos limitados, reforzando la dinámica de concentración de capital que ya es visible en los datos de financiamiento.
Ambos laboratorios tienen la escala operativa, los equipos legales y las relaciones gubernamentales para manejar el marco sin perder ritmo.
Sus competidores generalmente no lo hacen.
La Exención de Código Abierto: Un Riesgo de Ingresos Estructural Escondido en la EO
La EO contiene una cláusula que merece más atención por parte de los inversores de la que ha recibido: los modelos de código abierto de origen estadounidense están explícitamente exentos del requisito de revisión gubernamental. Esta es una elección política deliberada, no un descuido, y tiene implicaciones materiales para los ingresos de modelos cerrados.
Los compradores empresariales que evalúan proveedores de IA están sujetos a marcos de gestión de riesgos que pesan cada vez más sobre el retraso en el despliegue, la incertidumbre de la autorización gubernamental y los requisitos de compartición de datos.
Una alternativa de código abierto que no conlleva ninguna de estas sobrecargas de cumplimiento, y que puede desplegarse en local con acceso completo a auditorías, se vuelve comparativamente más atractiva precisamente debido a la EO 14409.
Si la adopción empresarial de modelos de código abierto se acelera en respuesta a la fricción regulatoria impuesta a los proveedores de modelos cerrados, las curvas de monetización que justifican las valoraciones privadas actuales de Anthropic y OpenAI enfrentan una compresión estructural.
El mercado actualmente está valorando ambos laboratorios en trayectorias de ingresos que asumen una dominación continua en el consumo de API empresarial.
Una aceleración impulsada por políticas en la adopción empresarial de código abierto no se refleja en esas trayectorias, lo que convierte a la exención de código abierto en un catalizador negativo latente incrustado en el mismo marco regulatorio que de otro modo se enmarca como un foso.
La Designación de Seguridad Nacional de Anthropic: Viento en Contra Federal para los Ingresos
En febrero de 2026, el gobierno de EE.UU. designó a Anthropic como un Riesgo de Cadena de Suministro para la Seguridad Nacional, dirigiendo a las agencias federales a cesar el uso de la tecnología de Anthropic.
Esta designación creó un viento en contra inmediato y concreto para los ingresos federales de Anthropic, removiendo una categoría de clientes que, para los proveedores de IA empresarial, a menudo representa tanto ingresos directos como una señal reputacional que influye en las decisiones de adquisición empresarial comercial.
El impacto en los ingresos opera en dos canales. El canal directo es la pérdida de contratos federales existentes y en proceso.
El canal indirecto es el efecto de señalización en empresas adyacentes a la defensa, contratistas gubernamentales, instituciones financieras reguladas con contrapartes gubernamentales y operadores de infraestructura crítica, que llevan a cabo sus propias revisiones de riesgos de la cadena de suministro y pueden reflejar la decisión federal por razones de cumplimiento.
La designación está en tensión con la trayectoria de ingresos reportada de Anthropic. Se informa que la tasa de ingresos anualizada de la compañía superó los 65 mil millones de dólares a finales de julio de 2026, un aumento desde aproximadamente 47 mil millones en mayo de 2026, según Reuters y Bloomberg.
Ese tasa de crecimiento implica que el viento en contra federal aún no ha interrumpido materialmente el impulso agregado, pero tampoco se refleja completamente en las tuberías de contratos a futuro, que tardan trimestres en manifestarse como déficits de ingresos.
La designación es una restricción de movimiento lento, no un alto repentino, y su pleno impacto en los ingresos puede hacerse visible únicamente en los informes del tercer y cuarto trimestre de 2026.
Aplicación de la Ley de IA de la UE: Costo de Cumplimiento a Gran Escala
El 2 de agosto de 2026, la Oficina de IA de la UE obtuvo plena autoridad de aplicación sobre proveedores de IA de propósito general bajo la Ley de IA de la UE.
El alcance de la aplicación es amplio: los proveedores de modelos de frontera deben divulgar resúmenes de datos de entrenamiento, políticas de cumplimiento de derechos de autor y los flujos de información a los implementadores de abajo hacia arriba.
El incumplimiento conlleva el riesgo de restricción de acceso al mercado en toda la UE, uno de los mercados de IA empresarial más grandes a nivel global.
Se estima que los costos de cumplimiento para los laboratorios principales son de cientos de millones, una cifra que refleja el trabajo de ingeniería y legal requerido para producir documentación de datos de entrenamiento auditable, rediseñar tuberías de datos para la transparencia a abajo y mantener informes regulatorios continuos.
Estos son costos de cumplimiento en gran medida fijos que, al igual que el marco de revisión de EO 14409 en EE.UU., son más fácilmente absorbidos por laboratorios bien capitalizados que por competidores más pequeños.
Sin embargo, la capa de aplicación de la UE introduce un tipo de riesgo distinto: eventos regulatorios binarios. Una acción de aplicación formal contra un laboratorio importante, o un hallazgo de que las divulgaciones de datos de entrenamiento de un laboratorio son incompletas, puede desencadenar la suspensión de acceso al mercado que no es graduada.
A diferencia de una desaceleración de la demanda que reduce los ingresos de manera incremental, una acción de aplicación de la UE puede eliminar un segmento de ingresos de una geografía entera en una sola decisión administrativa.
Para los laboratorios cuyo base de clientes empresariales incluye multinacionales con operaciones en la UE, el riesgo se extiende más allá de los ingresos directos de la UE a cláusulas de cumplimiento contractual que desencadenan revisiones en implementaciones globales.
La Reunión de la Casa Blanca: Criterios Clasificados y Opacidad para Inversores
A principios de agosto de 2026, la Casa Blanca convocó una reunión con OpenAI, Anthropic, Microsoft y otros actores importantes en IA para finalizar los detalles operacionales del marco de revisión voluntaria establecido por la EO 14409.
La reunión en sí se convirtió en un evento que mueve el mercado, no por su resultado, que sigue parcialmente no divulgado, sino por lo que reveló sobre la asimetría de la información.
Los criterios de referencia contra los cuales se evaluarán los modelos de frontera bajo el marco de revisión son clasificados. Los inversores no pueden determinar independientemente qué modelos cumplirán el umbral, cuáles enfrentarán retenciones de despliegue, o cuánto tiempo tomará la resolución de casos disputados.
Esta opacidad crea una categoría de riesgo regulatorio que no puede ser valorada con precisión, solo probabilísticamente.
Para la carrera de ingresos de monetización de IA, esto importa porque el tiempo de lanzamiento de un modelo es un impulsor directo de ingresos. Los ingresos por API de un nuevo modelo de frontera comienzan a acumularse el día del lanzamiento público. Una retención gubernamental de 30 días difiere esos ingresos.
Una retención extendida, o una autorización disputada, difiere aún más, potencialmente trasladando un trazo significativo de ingresos de un trimestre al siguiente.
En un entorno donde el mercado está valuando ambos laboratorios en tasas de ingresos a futuro, un único retraso en el lanzamiento de un modelo de 45 a 60 días puede mover una cantidad significativa de ingresos anualizados fuera de la ventana de consenso.
Eventos Regulatorios como Catalizadores en Cascada Asimétrica
La capa regulatoria no afecta solo a los laboratorios.
Dado que la utilización de GPU de hiperescaladores y la demanda de chips son descendentes del consumo de API de los laboratorios, un evento regulatorio que acelera o retrasa el lanzamiento de un modelo importante se propaga a través de toda la cascada de balances descrita en el marco analítico de este artículo.
La asimetría de los catalizadores regulatorios vale la pena declararla con precisión:
| Evento Regulatorio | Impacto en Ingresos del Laboratorio | Impacto en Hiperescaladores | Impacto en Demanda de Chips |
|---|---|---|---|
| Aprobación rápida para nuevo modelo de frontera | Anticipación inmediata de ingresos por API | Aumento de la tasa de utilización; mejora del apalancamiento de costos fijos | Aceleración de la demanda de inferencia de GPU |
| Retención de revisión prolongada (30+ días) | Deslizamiento en el trimestre de ingresos; riesgo de orientación | Falta de utilización; presión sobre el margen de infraestructura fija | Aplazamientos de órdenes; riesgo de orientación de NVDA/AMD |
| Acción de aplicación de la UE sobre un laboratorio importante | Riesgo en segmento de ingresos de la UE; posible pérdida de acceso al mercado | Revisión de contratos empresariales basados en la UE; riesgo de rotación | Reducción de la demanda de inferencia en centros de datos de la UE |
| Expansión de la prohibición federal (Anthropic o OpenAI) | Pérdida de ingresos federales; efecto de señalización empresarial | Revisión de contratos federales de AWS/Azure | Aplazamiento de capex de entrenamiento e inferencia |
| Aceleración de la adopción de código abierto (exención de EO) | Compresión de ingresos por API de modelos cerrados | Mixto: algunas cargas de trabajo se trasladan de APIs gestionadas | Net negativo: caída de la demanda de entrenamiento; la inferencia puede descentralizarse |
La cascada opera simultáneamente en lugar de secuencialmente, porque los hiperescaladores y proveedores de chips ya han valorizado las curvas de ingresos de los laboratorios en sus propias orientaciones.
Un resultado regulatorio negativo no espera que las ganancias de los hiperescaladores lo confirmen, se revalora en tiempo real a medida que los participantes del mercado actualizan sus distribuciones de probabilidad de ingresos de los laboratorios.
Esto convierte a los catalizadores regulatorios en algunos de los eventos de mayor velocidad en el complejo de acciones de IA. La ventaja informativa disponible para un comerciante que anticipa correctamente un resultado regulatorio, o que se posiciona para el binario antes del evento, es grande.
La desventaja informativa impuesta por los criterios clasificados de referencia significa que esa desventaja también es estructural: la mayoría de los participantes del mercado están manejando la misma opacidad.
Operando la Cascada con Apalancamiento: NVDA, MSFT, AMZN, GOOGL en CoinUnited.io
Posicionando la Operación de la Cascada: Lo Que CoinUnited.io Ofrece en Este Configuración
La cascada de monetización de IA, donde un error de porcentaje de un solo dígito en el consumo de API empresarial afecta a NVDA, MSFT, AMZN y GOOGL simultáneamente dentro de un período de ganancias comprimido, es estructuralmente diferente de un evento ordinario de una sola acción.
Requiere una infraestructura de trading que coincida con la velocidad, las horas y el alcance entre activos de la propia cascada.
La Ventaja 24/7 No Es Una Característica de Marketing Aquí, Es el Comercio
Los eventos de monetización de IA no observan los horarios de apertura de la NYSE. Las cifras de ingresos de Anthropic han surgido a través de informes de medios durante las horas de trading asiáticas y después del cierre del mercado estadounidense.
Los eventos regulatorios, incluida la autoridad completa de la Oficina de IA de la UE sobre los proveedores de IA de propósito general desde el 2 de agosto de 2026, caen en fechas del calendario independientemente de la hora en que sea en Nueva York.
Las reuniones de la Casa Blanca convocadas a principios de agosto de 2026 para finalizar los detalles del marco de revisión voluntaria fueron programadas en función de los plazos de política, no de los calendarios del mercado de valores.
Un trader que utilice una cuenta de corretaje convencional absorbe la brecha completa entre cuando se publica la información y cuando la NYSE abre a las 9:30 AM ET. En una posición de alto apalancamiento, esa brecha puede ser la diferencia entre una pérdida gestionada y una liquidación.
Los traders de CoinUnited pueden entrar, ajustar o salir de posiciones en el momento en que la noticia cruza, convirtiendo lo que de otro modo sería un riesgo de brecha no compensado en un evento comerciable en vivo.
Esto importa el doble en un entorno de cascada correlacionado: cuando los cuatro nombres se mueven por el mismo catalizador, los primeros minutos del descubrimiento de precio contienen la mayor parte de la señal de información. Esperar a la apertura significa comerciar la segunda derivada del movimiento.
Ejemplo Práctico 1, NVDA Largo a 50x Apalancamiento
Nvidia funciona como el derivado sintético en la monetización agregada de laboratorios de IA: cuando Anthropic u OpenAI adelantan pedidos de GPU, el precio de NVDA se mueve antes de que las ganancias de hyperscalers lo confirmen.
Un trader que espera un anuncio positivo de ingresos de laboratorio, consistente con la trayectoria de Anthropic de una tasa de ejecución anualizada de $47 mil millones en mayo de 2026 a más de $65 mil millones a finales de julio de 2026, podría estructurar la siguiente posición:
| Parámetro | Valor |
|---|---|
| Margen depositado | $2,000 |
| Apalancamiento | 50x |
| Tamaño de posición nocional | $100,000 |
| Movimiento objetivo | +5% aumento del precio de NVDA |
| Ganancia bruta en movimiento del 5% | $5,000 |
| Retorno sobre margen | 250% |
| Distancia aproximada de liquidación (adversa) | ~2% desde la entrada |
| Banda de stop-loss recomendada | 1% desde la entrada |
Cómo funciona la matemática: Con 50x de apalancamiento, un movimiento del 1% en el subyacente genera un movimiento del 50% en el margen. Un movimiento favorable del 5% en NVDA en una posición nocional de $100,000 produce $5,000 de ganancia bruta contra $2,000 de margen, un retorno del 250%.
La misma aritmética se aplica al revés: un movimiento adverso del 2% sin un stop en su lugar borra el margen por completo (50 × 2% = 100% de pérdida de margen), desencadenando la liquidación.
Colocar un stop al 1% desde la entrada limita la pérdida a $1,000, preservando $1,000 para un intento posterior si el tiempo del catalizador es incorrecto.
Cero comisiones de trading en CoinUnited significan que la ganancia total de $5,000 se captura sin fricción de corretaje que afecte una posición que ya está dimensionada con precisión.
Ejemplo Práctico 2, MSFT Corto a 100x Apalancamiento
Los ingresos de Microsoft Azure AI están directamente relacionados con el consumo empresarial de OpenAI: OpenAI ha contratado por un valor reportado de $250 mil millones en servicios de Azure, lo que significa que cualquier recorte en la guía sobre la utilización de Azure AI fluye inmediatamente al modelo de ganancias futuras de MSFT.
Un trader que se posiciona para una decepción en la guía de Azure AI, o para un escenario donde la pérdida operativa de OpenAI en el segundo trimestre de 2026 de $12.3 mil millones impulsa a los clientes empresariales a reevaluar los costos de compromiso, podría estructurar una posición corta:
| Parámetro | Valor |
|---|---|
| Margen depositado | $500 |
| Apalancamiento | 100x |
| Tamaño de posición nocional | $50,000 |
| Movimiento objetivo | -3% declive del precio de MSFT |
| Ganancia bruta en declive del 3% | $1,500 |
| Retorno sobre margen | 300% |
| Distancia aproximada de liquidación (adversa, hacia arriba) | ~1% por encima de la entrada |
| Disciplina de stop-loss requerida | Ajustada; el riesgo de brecha en noticias nocturnas es agudo |
Con 100x de apalancamiento, el umbral de liquidación se encuentra aproximadamente 1% por encima de la entrada. MSFT es un nombre que puede tener una brecha del 2-3% ante un solo titular nocturno, un pre-anuncio de ganancias de Azure, una aclaración regulatoria de la Casa Blanca, o una actualización sobre una asociación de OpenAI.
Ejecutar esta posición sin un stop pre-colocado no es una elección de gestión de riesgo; es una exposición a liquidación antes de que se pueda tomar cualquier decisión activa. La operación funciona cuando la tesis es correcta y la entrada se cronometra con un catalizador; requiere un stop estricto en su lugar antes de abrir la posición, no después.
Expresión entre Activos: Una Plataforma, Cuatro Nombres, Una Tesis
El ciclo de apalancamiento opera a través de chips (NVDA), infraestructura en la nube (MSFT, AMZN, GOOGL) y composición de índices (los benchmark de NASDAQ reflejan a los cuatro) simultáneamente.
Un trader que quiere expresar el tema de la cascada a través de todas las capas, largo NVDA en el ángulo de la demanda de computación, corto MSFT en el riesgo de guía de Azure, corto AMZN en la desaceleración de ingresos de AWS AI, y corto GOOGL en la presión competitiva de Google Cloud, normalmente requeriría cuentas de corretaje separadas para cada nombre, con grupos de margen separados,
estructuras de tarifas separadas y interfaces de ejecución separadas.
En CoinUnited, los CFDs de acciones de los cuatro se negocian desde la misma cuenta, contra el mismo grupo de margen, 24/7, con cero comisiones por operación.
La reducción de fricción no es cosmética: en un período de ganancias comprimido donde NVDA, AMZN, MSFT y GOOGL guían todos dentro de un período de 2-3 semanas, la capacidad de gestionar cuatro posiciones simultáneamente desde un solo panel y ajustar cualquiera de ellas instantáneamente cuando un catalizador llega fuera del horario del mercado, es una ventaja estructural de ejecución.
Los traders también pueden combinar estas posiciones de CFD de acciones con temas relacionados de monetización de IA y temas de ingresos o con la dinámica más amplia de contratos en la nube y de computación GPU rastreados a través de los temas de investigación de CoinUnited, brindando una vista de plataforma
única de toda la cascada.
Riesgo de Margen a Nivel de Portafolio: El Riesgo Más Subestimado en Esta Configuración
La simultaneidad de la cascada crea un riesgo de que los cálculos de margen por operación se pierdan por completo.
Cuando NVDA, MSFT, AMZN y GOOGL todos caen por el mismo catalizador, un gran error de demanda, una acción de cumplimiento de la UE, o un anuncio regulatorio de la Casa Blanca, los retrocesos correlacionados en múltiples posiciones cortas apalancadas comprimen el colchón de margen agregado más rápido que los disparadores de stop-loss de cualquier posición individual.
Considere una ilustración simplificada:
| Posición | Apalancamiento | Margen | Nocional | Movimiento Adverso del 3% | Margen Restante |
|---|---|---|---|---|---|
| NVDA Largo | 50x | $2,000 | $100,000 | -$3,000 | Liquidado |
| MSFT Corto (hacia el lado incorrecto) | 100x | $500 | $50,000 | -$1,500 | Liquidado |
| AMZN Corto (hacia el lado incorrecto) | 75x | $1,000 | $75,000 | -$2,250 | Liquidado |
| GOOGL Corto (hacia el lado incorrecto) | 50x | $1,000 | $50,000 | -$1,500 | Liquidado |
| Total del Portafolio | , | $4,500 | $275,000 | -$8,250 | Todas las posiciones liquidadas |
En una cascada correlacionada, las cuatro posiciones se mueven adversamente al mismo tiempo. La pérdida agregada de $8,250 contra $4,500 de margen total significa que todas las posiciones se cierran forzosamente antes de que se alcance cualquier stop-loss individual, porque el margen es compartido. El margen cruzado amplifica el riesgo de cascada en lugar de contenerlo.
Disciplina práctica para este régimen de volatilidad:
- -Modelar el margen total del portafolio, no el margen por operación. Sumar la exposición nocional a través de todas las posiciones abiertas antes de agregar una nueva.
- -Usar margen aislado cuando esté disponible para limitar la contagión de una posición que se derrame en otras.
- -Dimensionar posiciones para que todo el portafolio sobreviva un movimiento adverso correlacionado del 3-5%, consistente con el análisis de escenarios que muestra que un 5% de déficit en la adopción empresarial puede presionar simultáneamente a NVDA, AMZN, MSFT y GOOGL dentro de una sola ventana de ganancias.
- -Colocar stops antes de los eventos de catalizador, no después. En un mercado 24/7, una posición desprotegida puede ser liquidada durante un titular regulatorio a las 3 AM antes de que un trader pueda reaccionar.
Tabla de Comparación de Apalancamiento: NVDA a Través de Múltiples Niveles de Apalancamiento
La tabla a continuación muestra cómo el capital idéntico y un movimiento del 5% de NVDA producen resultados radicalmente diferentes, y umbrales de liquidación, dependiendo del apalancamiento elegido.
| Apalancamiento | Capital (Margen) | Posición Nocional | 5% Ganancia | 5% Pérdida | Distancia Aproximada de Liquidación |
|---|---|---|---|---|---|
| 10x | $2,000 | $20,000 | +$1,000 (50%) | -$1,000 (50%) | ~9.5% adversa |
| 50x | $2,000 | $100,000 | +$5,000 (250%) | -$5,000 (250%) | ~2% adversa |
| 100x | $2,000 | $200,000 | +$10,000 (500%) | -$10,000 (500%) | ~1% adversa |
| 200x | $2,000 | $400,000 | +$20,000 (1000%) | -$20,000 (1000%) | ~0.5% adversa |
El escenario de cascada de monetización de IA involucra nombres que rutinariamente se mueven un 5-10% en catalizadores de ganancias individuales. A 100x y más, un rango normal del día de ganancias del 3-5% es lo suficientemente grande como para liquidar una posición múltiples veces sin que la tendencia subyacente sea incorrecta.
Un mayor apalancamiento no es inherentemente más rentable, es un instrumento de temporización más estrecho que requiere entradas más ajustadas, stops más ajustados y un tamaño de posición más pequeño en relación con el capital total.
Para este régimen de volatilidad específico, donde los movimientos correlacionados a través de NVDA, MSFT, AMZN y GOOGL pueden ser simultáneos y abruptos, muchos traders encuentran que un apalancamiento de 20x-50x es el rango práctico que preserva suficiente colchón de margen para sobrevivir a un movimiento adverso del 2-3% antes de que un catalizador se desarrolle por completo, mientras aún
genera retornos significativos sobre una tesis direccionalmente correcta.
Riesgo de Concentración y el Evento de Repricing de la IPO: Lo Que Hace Alumen la Salida a Bolsa del Público a la Cascada
Concentración de Capital como Riesgo Sistémico
La concentración de capital en los mercados de IA privados ha alcanzado un nivel que hace que las narrativas de las empresas individuales sean inseparables de la valoración más amplia del mercado de acciones.
Según datos de PitchBook citados por Yahoo Finance, las startups de IA recaudaron $407 mil millones en el primer semestre de 2026, con aproximadamente $217 mil millones, más del 53% de ese total, fluyendo hacia solo OpenAI y Anthropic en tres rondas.
Esa proporción no es meramente una curiosidad sobre el entusiasmo del capital de riesgo. Significa que las suposiciones de crecimiento consensuadas integradas en cada acción relacionada con la IA, desde proveedores de chips hasta plataformas en la nube y REITs de infraestructura energética, se derivan funcionalmente de esas mismas dos fuentes de demanda.
Cuando los analistas modelan el consumo futuro de la API de IA, en gran parte están modelando a Anthropic y OpenAI.
La consecuencia es estructural: si la narrativa de crecimiento de alguna de las firmas se quiebra, el repricing no se limita a la marca privada de esa firma. Se propaga simultáneamente a cada acción pública que ha sido valorada en función de las mismas suposiciones de adopción, porque esas acciones ya han incorporado la demanda que se espera que generen esos dos laboratorios.
La Presentación de IPO de Anthropic: Una Marca Dura Reemplaza la Flexibilidad Narrativa
La presentación confidencial de la IPO de Anthropic ante la SEC en junio de 2026 introduce un cambio cualitativo en la forma en que las valoraciones de los laboratorios de IA privados funcionan como señales del mercado. En los mercados privados, la valoración se gestiona a través de rondas de financiación en marcas negociadas, con una limitada responsabilidad trimestral.
Una vez que una empresa presenta públicamente, incluso confidencialmente, esa flexibilidad se reduce considerablemente.
Los mecanismos son sencillos. Informes de medios han citado valoraciones de IPO aspiracionales de hasta $2 billones, aunque estas cifras no están verificadas de forma independiente.
Sea cual sea el precio de oferta final, la IPO crea un ancla dura en el mercado público: los ingresos trimestrales se divulgarán, se compararán con la orientación anterior y se juzgarán en relación con la tasa de crecimiento implícita integrada en el precio de listado.
Esto importa para el comercio en cascada porque las marcas privadas de Anthropic han funcionado como un punto de referencia para toda la pila de valoración de laboratorios de IA. Un listado público convierte esta referencia privada en un descubrimiento de precios en el mercado en tiempo real.
El resultado de la IPO tiene lecturas asimétricas para la cascada:
| Escenario de IPO | Resultado de Anthropic | Lectura en Cascada |
|---|---|---|
| Precios por encima de $965B de la ronda H | Valida la tesis de capex de hyperscaler | NVDA, AMZN, MSFT probablemente revalorados al alza |
| Precios en o cerca de $965B | Confirmación neutral | Movimiento limitado inmediato en cascada |
| Precios por debajo de $965B | Invalida la pila de valoración del mercado privado | Aportes de capital riesgo, posibles llamadas de margen en posiciones de infraestructura de IA |
| Precios muy por debajo de $965B | Señales de decepción de la demanda | Desenlace correlacionado en nombres de chips, nube y REIT simultáneamente |
La trayectoria de ingresos proporciona contexto para dónde se sitúa la barra. Bloomberg reportó que los ingresos preliminares de Anthropic en el Q2 de 2026 superaron los $11.5 mil millones para el trimestre, en comparación con ingresos del Q2 de 2025 de $787 millones, más de 14 veces el crecimiento interanual.
De manera crítica, Bloomberg también informó que el ingreso operativo ajustado de Anthropic en el Q2 de 2026 se volvió positivo.
Esa señal de rentabilidad cambia materialmente la narrativa de la IPO en relación con una entidad generadora de pérdidas: le brinda a los suscriptores un camino visible hacia múltiplos de ganancias en el mercado público en lugar de solo un argumento de múltiplos de ingresos.
El Financial Times y Reuters informaron que los inversores esperaban que el ritmo de ingresos anualizado de Anthropic alcanzara entre $100 mil millones y $120 mil millones para finales de 2026. Reuters también informó que Anthropic proyectaba ingresos de aproximadamente $190 mil millones a $200 mil millones para 2028.
Estas proyecciones son ahora los números contra los cuales se medirá cada divulgación trimestral.
La eliminación de la gestión narrativa del mercado privado es en sí un factor de riesgo para toda la cascada.
El Camino de Listado Público de OpenAI: Microsoft como un Derivado
El potencial listado público de OpenAI, mencionado en informes de medios sobre la preparación confidencial del S-1, introduce un evento de repricing paralelo con una complejidad adicional que no se aplica a Anthropic.
La participación en el capital de Microsoft y el acuerdo de reparto de ingresos con OpenAI significa que la propia valoración de MSFT es parcialmente un derivado del descubrimiento de precios del mercado público de OpenAI.
OpenAI fue contratada por servicios de Azure por un valor de $250 mil millones, según el Wall Street Journal y Reuters. Ese compromiso funciona en ambas direcciones: OpenAI depende de la infraestructura de Azure, y las tasas de utilización de IA de Azure dependen del consumo de OpenAI.
Cuando la valoración de OpenAI se determina de manera privada, la exposición de Microsoft es opaca para el mercado.
Una vez que OpenAI cotice públicamente, cualquier brecha entre la capitalización de mercado de OpenAI y el valor implícito de la participación de Microsoft se vuelve inmediatamente cuantificable y comerciable.
Los ingresos del Q2 de 2026 de OpenAI se reportaron en $6.7 mil millones para el trimestre, con una pérdida operativa del Q2 de $12.3 mil millones según el Wall Street Journal.
Esa estructura de pérdidas, ingresos sustanciales contra una base de costos mayor, significa que el mercado público necesitará fijar un precio para un camino hacia la rentabilidad que el hito de ingreso operativo ajustado de Anthropic en el Q2 ya sugiere que es alcanzable en la industria.
Si el precio de listado público de OpenAI refleja una prima o un descuento de rentabilidad en relación con la IPO de Anthropic, eso en sí mismo se convertirá en una señal de cómo el mercado valora el posicionamiento competitivo relativo de los dos laboratorios.
Se informó que Nvidia estaba lista para invertir hasta $100 mil millones en OpenAI y proporcionar chips de centros de datos, según Reuters el 22 de julio de 2026.
Estos compromisos de inversores estratégicos significan que el precio de la IPO de OpenAI también marca el valor de posiciones mantenidas por Nvidia y Amazon, creando una dinámica reflexiva donde un precio de IPO débil marca simultáneamente la inversión estratégica de dos de los participantes más grandes en el comercio en cascada.
Señales del Mercado Secundario como Indicadores Futuro
Entre las rondas de financiación formales y cualquier eventual listado público, las transacciones en el mercado secundario, los programas de liquidez de los empleados, las ofertas de compra estructuradas y las operaciones de bloques institucionales en acciones privadas, proporcionan un descubrimiento de precios en tiempo real imperfecto pero real sobre las valoraciones de los laboratorios.
La ronda H de Anthropic a $965 mil millones creó de manera similar una referencia en el mercado secundario.
Para los comerciantes en cascada, estas transacciones secundarias funcionan como un indicador adelantado sobre cómo pueden moverse las acciones de cascada pública cuando una narrativa importante de laboratorio cambia.
Una operación secundaria que ocurre a un descuento material respecto a la última marca de la ronda primaria señala que los titulares sofisticados están revisando sus supuestos de salida, a menudo antes de que el mercado público haya procesado la implicación para NVDA, AMZN, MSFT o GOOGL.
Por lo tanto, monitorear los precios de transacciones secundarias anunciadas y compararlos con marcas primarias anteriores es, por lo tanto, una herramienta práctica de monitoreo para este comercio.
La Dinámica de Demasiado Grande para Fallar y el Riesgo de Desenlace Correlacionado
Con aproximadamente $217 mil millones concentrados en dos firmas privadas, y las instituciones más grandes de Wall Street, Goldman Sachs, BlackRock, Blackstone, KKR y Apollo, comprometidas explícitamente con la financiación de fábricas de IA estructuradas en torno a la demanda de laboratorios de frontera, cualquier seriedad en el escenario de angustia de alguno de los laboratorios crea un problema
de coordinación para los tenedores institucionales.
La respuesta institucional probable ante un escenario genuino de angustia sería coordinada: financiamiento puente, apoyo estructurado o IPO acelerada para proporcionar liquidez.
Pero la coordinación en apoyo a una entidad en problemas también implica algo más peligroso para los comerciantes: el desenlace del complejo de acciones de IA más amplio sería correlacionado, no secuencial.
Cada institución que posee clusters de GPU, arrendamientos de centros de datos, acuerdos de capacidad en la nube y participaciones en laboratorios privados enfrenta simultáneamente la misma presión de margen debido a la misma decepción en la demanda subyacente.
La coalición de financiación de fábricas de IA de más de $500 mil millones, que abarca a Goldman, BlackRock, Blackstone, KKR, Apollo y Brookfield, como se cubrió en secciones anteriores, significa que la exposición del sector financiero a la IA no está diversificada a través de posiciones independientes. Está concentrada en la misma fuente de demanda.
Para los comerciantes que expresan este tema a través de posiciones apalancadas en la ola de reallocation de capital de infraestructura de IA, la implicación es la gestión del margen a nivel de cartera en lugar de la gestión del stop-loss por comercio.
Un desenlace correlacionado en NVDA, AMZN, MSFT y GOOGL en el mismo ciclo de ganancias, que es estructuralmente plausible dado que los cuatro guiaron el capex en base a las mismas proyecciones de demanda de laboratorios, puede desencadenar liquidaciones agregadas a través de un portafolio multi-posiciones antes de que cualquier posición individual alcance su stop.
La clave para la gestión de riesgos no es cuánto apalancamiento se aplica a un solo nombre, sino cuánto exposición notional combinada se correlaciona con el mismo catalizador subyacente.
| Apalancamiento | Capital por Nombre | Notional de 4 Nombres | Caída Correlacionada del 5% | P&L de la Cartera | Distancia Aproximada a Liquidación |
|---|---|---|---|---|---|
| 20x | $500 | $40,000 | –$2,000 | –$2,000 (–100% del capital) | ~4.5% |
| 50x | $500 | $100,000 | –$5,000 | –$5,000 (–250% del capital) | ~1.8% |
| 100x | $250 | $100,000 | –$5,000 | –$5,000 (–500% del capital) | ~0.9% |
La tabla anterior ilustra por qué la estructura de correlación de este comercio exige un tamaño de posición muy por debajo de los umbrales de liquidación de nombres individuales.
En un escenario de cascada, un movimiento correlacionado del 5% a través de cuatro nombres a 50x de apalancamiento no representa una pérdida del 5% en la cartera, representa un desvanecimiento total del capital antes de que cualquier posición individual hubiera sido liquidada en aislamiento.
![](data:image/svg+xml,<svg width="251" height="37" viewBox="0 0 251 37" fill="none" xmlns="http://www.w3.org/2000/svg">%0D%0A <g clip-path="url(%23sy6kzo59ya)">%0D%0A <path d="m65.883 9.018.032 5.181h-1.223c-.773-3.733-2.671-5.73-5.797-5.73-4.441 0-6.5 4.442-6.5 9.913 0 5.985 2.38 10.588 6.79 10.588 3.024 0 5.084-1.898 6.211-6.597h1.287l-.482 6.05a13.606 13.606 0 0 1-7.434 1.93c-7.016 0-11.36-4.409-11.36-11.071 0-7.467 4.989-12.166 11.36-12.166a12.961 12.961 0 0 1 7.112 1.899M68.714 21.89c0-5.47 3.572-9.236 8.367-9.236a7.95 7.95 0 0 1 8.271 8.496c0 5.471-3.573 9.205-8.367 9.205a7.908 7.908 0 0 1-8.271-8.464zm11.876.354c0-4.762-1.095-8.406-3.669-8.406-2.38 0-3.478 2.703-3.478 6.92 0 4.762 1.126 8.431 3.701 8.431 2.382 0 3.444-2.735 3.444-6.956M93.236 27.555c0 1.126.515 1.318 2.03 1.416v1.062h-8.497V28.97c1.514-.097 2.03-.29 2.03-1.415V16.16l-1.93-1.126v-.611l5.663-1.77h.709l-.005 14.9zM88.345 8.18a2.625 2.625 0 0 1 5.246 0 2.625 2.625 0 0 1-5.246 0zM109.007 18.157c0-1.867-.709-2.8-2.479-2.8a6.474 6.474 0 0 0-3.604 1.319v10.877c0 1.126.482 1.319 1.962 1.416v1.062h-8.432V28.97c1.513-.097 2.029-.29 2.029-1.416V16.16l-1.93-1.126v-.612l5.76-1.77h.741l-.129 3.154a7.735 7.735 0 0 1 5.954-3.153c3.025 0 4.602 1.739 4.602 5.245v9.655c0 1.126.514 1.319 1.995 1.416v1.062h-8.432V28.97c1.48-.097 1.963-.29 1.963-1.416v-9.396zM123.52 21.851c0 3.927 1.706 6.308 5.247 6.308 3.54 0 5.985-1.867 5.985-6.5V10.82c0-1.74-.419-2.03-3.058-2.253V7.442h7.37v1.126c-2.252.258-2.574.515-2.574 2.253v11.425c0 5.535-3.797 8.116-8.561 8.116-5.697 0-9.108-2.64-9.108-8.174v-11.4c0-1.77-.321-1.965-2.574-2.221V7.44h9.849v1.126c-2.253.258-2.574.45-2.574 2.22l-.002 11.064zM152.26 18.157c0-1.867-.707-2.8-2.478-2.8a6.484 6.484 0 0 0-3.605 1.319v10.877c0 1.126.483 1.319 1.964 1.416v1.062h-8.432V28.97c1.513-.097 2.029-.29 2.029-1.416V16.16l-1.931-1.126v-.612l5.761-1.77h.74l-.129 3.154a7.731 7.731 0 0 1 5.953-3.153c3.025 0 4.602 1.739 4.602 5.245v9.655c0 1.126.514 1.319 1.996 1.416v1.062h-8.432V28.97c1.479-.097 1.962-.29 1.962-1.416v-9.396zM166.259 27.555c0 1.126.515 1.318 2.029 1.416v1.062h-8.496V28.97c1.512-.097 2.029-.29 2.029-1.415V16.16l-1.932-1.126v-.611l5.664-1.77h.709l-.003 14.9zM161.368 8.18a2.62 2.62 0 0 1 2.622-2.518 2.625 2.625 0 0 1 2.623 2.518 2.626 2.626 0 0 1-4.441 1.786 2.62 2.62 0 0 1-.804-1.786zM175.33 12.976h4.183v1.48h-4.183v10.652c0 1.964.741 2.8 2.253 2.8a3.755 3.755 0 0 0 2.414-.901l.387.58a5.65 5.65 0 0 1-4.956 2.768c-2.64 0-4.57-1.384-4.57-4.989v-10.91h-1.996v-.741a13.265 13.265 0 0 0 5.508-4.928h.965l-.005 4.189zM195.514 19.38v.741h-10.492c-.129 4.506 2.189 7.177 5.342 7.177a5.427 5.427 0 0 0 4.796-2.609l.515.29a6.75 6.75 0 0 1-6.888 5.374c-4.665 0-7.787-3.443-7.787-8.406 0-5.507 3.539-9.3 7.948-9.3 4.313 0 6.566 2.864 6.566 6.726m-10.427-.45h6.437c0-3.025-.805-5.085-2.899-5.085-2.125 0-3.283 2.125-3.541 5.084M207.001 7.054v-.676l5.696-1.545h.707v21.788c0 1.094.064 1.45 1.287 1.545l.805.064v.965l-5.857 1.16h-.838l.129-2.993a6.145 6.145 0 0 1-5.181 2.993c-3.895 0-6.5-3.154-6.5-8.046 0-6.087 3.604-9.59 8.206-9.59a5.117 5.117 0 0 1 3.478 1.126V8.048l-1.932-.994zm-5.342 13.709c0 3.926 1.609 6.855 4.538 6.855a3.901 3.901 0 0 0 2.736-1.03v-8.496c0-2.51-1.062-3.99-2.993-3.99-2.703 0-4.28 2.64-4.28 6.667M219.683 24.754a2.796 2.796 0 0 1 2.587 1.729 2.8 2.8 0 1 1-5.387 1.072 2.75 2.75 0 0 1 1.721-2.6 2.753 2.753 0 0 1 1.079-.2zM230.592 27.555c0 1.126.516 1.318 2.029 1.416v1.062h-8.501V28.97c1.512-.097 2.03-.29 2.03-1.415V16.16l-1.932-1.126v-.611l5.664-1.77h.708l.002 14.9zM225.7 8.18a2.626 2.626 0 0 1 4.441-1.787c.488.47.777 1.11.804 1.787a2.625 2.625 0 0 1-5.245 0zM233.842 21.89c0-5.47 3.573-9.236 8.367-9.236a7.95 7.95 0 0 1 8.271 8.496c0 5.471-3.572 9.205-8.366 9.205a7.904 7.904 0 0 1-7.809-5.179 7.904 7.904 0 0 1-.463-3.285zm11.876.354c0-4.762-1.094-8.406-3.669-8.406-2.382 0-3.479 2.703-3.479 6.92 0 4.762 1.126 8.431 3.7 8.431 2.382 0 3.444-2.735 3.444-6.956M18.386.684a17.469 17.469 0 1 0 0 34.937 17.469 17.469 0 0 0 0-34.937zm0 31.74a14.277 14.277 0 1 1 0-28.554 14.277 14.277 0 0 1 0 28.554z" fill="%23fff"/>%0D%0A <path d="M18.393 36.019a17.868 17.868 0 1 1 17.86-17.868 17.887 17.887 0 0 1-17.86 17.868zm0-34.938a17.07 17.07 0 1 0 17.063 17.07 17.089 17.089 0 0 0-17.063-17.07zm0 31.74a14.675 14.675 0 1 1 10.366-4.297 14.691 14.691 0 0 1-10.373 4.303m0-28.552a13.877 13.877 0 1 0 13.879 13.878A13.893 13.893 0 0 0 18.386 4.275z" fill="%23fff"/>%0D%0A <path d="M17.42 8.46a8.46 8.46 0 1 1-16.923 0 8.46 8.46 0 0 1 16.924 0" fill="%23E48A22"/>%0D%0A </g>%0D%0A <defs>%0D%0A <clipPath id="sy6kzo59ya">%0D%0A <path fill="%23fff" transform="translate(.5)" d="M0 0h250v36.019H0z"/>%0D%0A </clipPath>%0D%0A </defs>%0D%0A</svg>%0D%0A)
![](data:image/svg+xml,<svg width="157" height="158" viewBox="0 0 157 158" fill="none" xmlns="http://www.w3.org/2000/svg"><g clip-path="url(%23arusb4546a)"><path fill="%23fff" transform="scale(1.9886)" d="M27.72,2.61a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-30.14,2.01a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-32.16,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.06,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-36.18,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-36.18,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-36.18,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-34.18,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-40.2,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-52.25,2.01a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-64.32,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-58.29,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-68.34,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-68.34,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-72.36,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-70.36,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m20.1,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m10.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-62.32,2.01a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m26.14,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-72.36,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m26.14,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-64.32,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m30.14,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-72.36,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m22.12,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-72.36,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m26.12,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-70.36,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m34.16,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-68.34,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m10.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m24.12,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-68.34,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m24.12,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m10.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-68.34,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m18.09,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-70.34,2.01a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m14.06,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-64.32,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m10.06,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-70.36,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m16.07,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-70.34,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m16.09,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m10.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-68.34,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-52.27,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m10.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-56.29,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m16.07,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-50.25,2.01a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m14.07,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-52.25,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-50.25,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m8.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-50.25,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m20.1,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-52.25,2.02a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m10.05,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m20.09,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.03,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m-48.25,2a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.07,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m6.04,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m4.01,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m12.07,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2.02,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2m2,0a1,1,0,1,1,0,2a1,1,0,1,1,0-2"/><path d="M123.088,117.106a1.988,1.988,0,1,1,.002,3.976,1.988,1.988,0,0,1-.002-3.976z" fill="%23fff"/><path d="M123.088,133.085a1.988,1.988,0,1,1,.002,3.976,1.988,1.988,0,0,1-.002-3.976z" fill="%23fff"/><path d="M91.095,145.087a1.987,1.987,0,1,1,0,3.977,1.988,1.988,0,0,1-1.989-1.989,2.01,2.01,0,0,1,1.989-1.988zM107.109,145.087a1.988,1.988,0,1,1,0,3.977,1.988,1.988,0,0,1-1.989-1.989c-.035-1.081.872-1.988,1.989-1.988zM115.098,145.087a1.987,1.987,0,1,1,0,3.977,1.987,1.987,0,0,1-1.988-1.989c-.035-1.081.872-1.988,1.988-1.988zM123.088,145.087a1.988,1.988,0,1,1,.002,3.976,1.988,1.988,0,0,1-.002-3.976z" fill="%23fff"/><path d="M151.069,149.064a1.988,1.988,0,1,1-1.989,1.989c-.035-1.082.872-1.989,1.989-1.989zM25.271,22.438a2.852,2.852,0,0,1-2.852,2.852h-6.49a2.852,2.852,0,0,1-2.853-2.852v-6.491c0-1.575,1.277-2.852,2.83-2.852h6.492a2.852,2.852,0,0,1,2.852,2.852v6.49h.021z" fill="%23fff"/><path d="M33.38,30.568a2.852,2.852,0,0,1-2.852,2.851H7.798a2.852,2.852,0,0,1-2.851-2.851V7.817a2.852,2.852,0,0,1,2.851-2.852H30.55a2.852,2.852,0,0,1,2.852,2.852v22.75h-.021zM29.315,11.86a2.852,2.852,0,0,0-2.852-2.852H11.842A2.852,2.852,0,0,0,8.99,11.86v14.642a2.852,2.852,0,0,0,2.852,2.852h14.642a2.852,2.852,0,0,0,2.852-2.852V11.86h-.021zM25.271,142.338a2.852,2.852,0,0,1-2.852,2.852h-6.49a2.852,2.852,0,0,1-2.853-2.852v-6.491a2.852,2.852,0,0,1,2.852-2.852h6.491a2.852,2.852,0,0,1,2.852,2.852v6.491z" fill="%23fff"/><path d="M33.38,150.468a2.852,2.852,0,0,1-2.852,2.852H7.798a2.852,2.852,0,0,1-2.851-2.852v-22.751a2.852,2.852,0,0,1,2.851-2.852H30.55a2.852,2.852,0,0,1,2.852,2.852v22.751h-.021zm-4.065-18.686a2.852,2.852,0,0,0-2.852-2.852H11.842a2.852,2.852,0,0,0-2.852,2.852v14.621a2.852,2.852,0,0,0,2.852,2.852h14.642a2.852,2.852,0,0,0,2.852-2.852v-14.621h-.021zM145.171,22.438a2.852,2.852,0,0,1-2.852,2.852h-6.491a2.851,2.851,0,0,1-2.851-2.852v-6.491a2.851,2.851,0,0,1,2.851-2.852h6.491a2.852,2.852,0,0,1,2.852,2.852v6.49z" fill="%23fff"/><path d="M153.301,30.568a2.852,2.852,0,0,1-2.852,2.851h-22.75a2.852,2.852,0,0,1-2.852-2.851V7.817a2.852,2.852,0,0,1,2.852-2.852h22.75a2.852,2.852,0,0,1,2.852,2.852v22.75zm-4.065-18.707a2.852,2.852,0,0,0-2.852-2.852h-14.621a2.852,2.852,0,0,0-2.851,2.852v14.642a2.852,2.852,0,0,0,2.851,2.852h14.621a2.852,2.852,0,0,0,2.852-2.852V11.86zM78.535,62.051c-9.176,0-16.607,7.431-16.607,16.607,0,9.176,7.431,16.607,16.607,16.607,9.176,0,16.607-7.431,16.607-16.607,0-9.176-7.431-16.607-16.607-16.607zm0,30.214c-7.501,0-13.572-6.07-13.572-13.572,0-7.501,6.07-13.572,13.572-13.572,7.501,0,13.572,6.07,13.572,13.572,0,7.501-6.071,13.572-13.572,13.572z" fill="%23fff"/><path d="M78.535,95.649c-9.385,0-16.991-7.64-16.991-16.99,0-9.386,7.64-16.992,16.99-16.992,9.386,0,16.992,7.64,16.992,16.991,0,9.35-7.64,16.991-16.991,16.991zm0-33.214c-8.966,0-16.258,7.292-16.258,16.258s7.291,16.258,16.258,16.258c8.966,0,16.258-7.291,16.258-16.258-.035-8.966-7.292-16.258-16.258-16.258zm0,30.214c-7.71,0-13.956-6.28-13.956-13.956,0-7.71,6.28-13.956,13.956-13.956,7.71,0,13.956,6.28,13.956,13.956,0,7.676-6.28,13.956-13.956,13.956zm0-27.179c-7.292,0-13.223,5.931-13.223,13.223,0,7.292,5.931,13.223,13.223,13.223,7.292,0,13.223-5.931,13.223-13.223-.035-7.292-5.966-13.223-13.223-13.223z" fill="%23fff"/><path d="M69.569,77.507a8.06,8.06,0,1,0,0-16.119,8.06,8.06,0,0,0,0,16.119z" fill="%23E48A22"/></g><defs><clipPath id="arusb4546a"><path fill="%23fff" transform="translate(0 .019)" d="M0,0h157v157H0z"/></clipPath></defs></svg>)
![Download on the App Store](data:image/svg+xml,<svg width="111" height="33" viewBox="0 0 111 33" fill="none" xmlns="http://www.w3.org/2000/svg">%0D%0A <g clip-path="url(%23uavr3vx5ga)">%0D%0A <path d="M109.771 28.74a3.117 3.117 0 0 1-1.929 2.882 3.123 3.123 0 0 1-1.195.237H4.355a3.127 3.127 0 0 1-3.13-3.119V3.867A3.126 3.126 0 0 1 4.355.743h102.292a3.127 3.127 0 0 1 3.125 3.124V28.74h-.001z" fill="%23fff"/>%0D%0A <path d="M106.646 32.584H4.356A3.857 3.857 0 0 1 .5 28.741V3.867A3.853 3.853 0 0 1 4.355.02h102.29a3.86 3.86 0 0 1 3.855 3.848V28.74a3.853 3.853 0 0 1-3.854 3.845z" fill="%23A6A6A6"/>%0D%0A <path d="M109.771 28.74a3.117 3.117 0 0 1-1.929 2.882 3.123 3.123 0 0 1-1.195.237H4.355a3.127 3.127 0 0 1-3.13-3.119V3.867A3.126 3.126 0 0 1 4.355.743h102.292a3.127 3.127 0 0 1 3.125 3.124V28.74h-.001z" fill="%23000"/>%0D%0A <path d="M25.063 16.13a4.717 4.717 0 0 1 2.25-3.961 4.84 4.84 0 0 0-3.812-2.059c-1.603-.168-3.159.959-3.976.959-.833 0-2.09-.942-3.447-.915a5.079 5.079 0 0 0-4.271 2.603c-1.848 3.195-.47 7.89 1.3 10.472.886 1.265 1.92 2.679 3.274 2.626 1.325-.052 1.82-.84 3.417-.84 1.584 0 2.05.84 3.43.81 1.42-.021 2.317-1.27 3.171-2.546a10.434 10.434 0 0 0 1.452-2.952 4.572 4.572 0 0 1-2.786-4.197h-.003zm-2.61-7.718a4.643 4.643 0 0 0 1.065-3.33 4.74 4.74 0 0 0-3.064 1.583 4.42 4.42 0 0 0-1.092 3.207 3.917 3.917 0 0 0 3.091-1.46zM44.25 25.674H42.4l-1.015-3.183H37.86l-.966 3.183H35.09l3.493-10.838h2.156l3.509 10.838h.002zm-3.17-4.517-.918-2.83c-.097-.29-.28-.97-.547-2.042h-.033c-.108.461-.28 1.142-.515 2.042l-.902 2.83h2.914zm12.137.515a4.422 4.422 0 0 1-1.085 3.152 3.178 3.178 0 0 1-2.41 1.03 2.415 2.415 0 0 1-2.235-1.109v4.1H45.75v-8.417c0-.835-.021-1.691-.064-2.569h1.529l.097 1.239h.032a3.09 3.09 0 0 1 2.398-1.395 3.095 3.095 0 0 1 2.552 1.088c.645.817.973 1.84.925 2.88l-.001.001zm-1.77.064a3.22 3.22 0 0 0-.516-1.882 1.781 1.781 0 0 0-1.513-.771c-.427 0-.84.15-1.166.426-.349.284-.59.678-.684 1.118a2.26 2.26 0 0 0-.08.528v1.302a2.09 2.09 0 0 0 .525 1.44 1.737 1.737 0 0 0 1.36.587 1.783 1.783 0 0 0 1.529-.755c.389-.59.58-1.29.544-1.995v.002zm10.768-.064a4.422 4.422 0 0 1-1.084 3.152 3.182 3.182 0 0 1-2.413 1.03 2.415 2.415 0 0 1-2.233-1.109v4.1h-1.739v-8.417c0-.835-.021-1.691-.065-2.569h1.53l.096 1.239h.033a3.092 3.092 0 0 1 3.803-1.153c.443.189.836.478 1.148.846.645.817.973 1.84.924 2.88v.001zm-1.771.064a3.22 3.22 0 0 0-.517-1.882 1.778 1.778 0 0 0-1.511-.771c-.427 0-.841.15-1.168.426-.349.284-.59.678-.683 1.118-.048.172-.075.35-.082.528v1.302a2.097 2.097 0 0 0 .523 1.44 1.74 1.74 0 0 0 1.361.587 1.781 1.781 0 0 0 1.53-.755c.39-.59.581-1.289.547-1.995v.002zm11.831.9a2.893 2.893 0 0 1-.964 2.251 4.278 4.278 0 0 1-2.956.949 5.163 5.163 0 0 1-2.809-.675l.402-1.447a4.84 4.84 0 0 0 2.511.676 2.371 2.371 0 0 0 1.53-.442 1.444 1.444 0 0 0 .548-1.181 1.511 1.511 0 0 0-.452-1.11 4.188 4.188 0 0 0-1.496-.836c-1.9-.707-2.85-1.742-2.85-3.104a2.737 2.737 0 0 1 1.006-2.187 3.981 3.981 0 0 1 2.664-.852 5.27 5.27 0 0 1 2.463.515l-.437 1.415a4.31 4.31 0 0 0-2.084-.498 2.121 2.121 0 0 0-1.438.45 1.289 1.289 0 0 0-.437.982 1.327 1.327 0 0 0 .5 1.061 5.63 5.63 0 0 0 1.577.836c.78.274 1.485.725 2.06 1.318.45.521.686 1.192.663 1.88v-.002zm5.762-3.472H76.12v3.794c0 .965.338 1.447 1.014 1.447.26.006.52-.021.773-.08l.048 1.318a3.942 3.942 0 0 1-1.352.192 2.085 2.085 0 0 1-1.61-.63 3.077 3.077 0 0 1-.578-2.107v-3.94h-1.141v-1.302h1.141v-1.43l1.707-.515v1.943h1.915l-.001 1.31zm8.627 2.54a4.284 4.284 0 0 1-1.03 2.959 3.674 3.674 0 0 1-2.865 1.19 3.504 3.504 0 0 1-2.746-1.14 4.154 4.154 0 0 1-1.022-2.879 4.249 4.249 0 0 1 1.054-2.974 3.655 3.655 0 0 1 2.842-1.155 3.577 3.577 0 0 1 2.768 1.142 4.1 4.1 0 0 1 1 2.856v.001zm-1.802.04a3.496 3.496 0 0 0-.465-1.843 1.72 1.72 0 0 0-1.562-.931 1.746 1.746 0 0 0-1.594.93 3.554 3.554 0 0 0-.466 1.877 3.485 3.485 0 0 0 .466 1.844 1.782 1.782 0 0 0 3.141-.015 3.51 3.51 0 0 0 .48-1.863v.001zm7.454-2.356a3.03 3.03 0 0 0-.547-.047 1.641 1.641 0 0 0-1.42.692 2.605 2.605 0 0 0-.434 1.543v4.1H88.18v-5.355c0-.82-.017-1.64-.052-2.46h1.514l.063 1.495h.049c.164-.488.466-.918.868-1.239.363-.271.804-.419 1.257-.42.145 0 .29.01.435.032v1.656l.002.003zm7.774 2.011c.004.264-.017.528-.064.788h-5.214a2.262 2.262 0 0 0 .756 1.77 2.59 2.59 0 0 0 1.707.544c.72.01 1.435-.115 2.11-.368l.272 1.204a6.527 6.527 0 0 1-2.623.483 3.805 3.805 0 0 1-2.86-1.067 3.95 3.95 0 0 1-1.039-2.87 4.473 4.473 0 0 1 .967-2.942 3.331 3.331 0 0 1 2.734-1.253 2.916 2.916 0 0 1 2.56 1.253c.48.728.722 1.586.694 2.456v.002zm-1.658-.45a2.348 2.348 0 0 0-.337-1.335 1.518 1.518 0 0 0-1.384-.725 1.648 1.648 0 0 0-1.381.706c-.297.392-.475.86-.515 1.35h3.62l-.003.004zM37.359 11.005a11.12 11.12 0 0 1-1.25-.063v-5.24c.487-.075.98-.112 1.472-.11 1.994 0 2.912.98 2.912 2.576 0 1.842-1.085 2.837-3.134 2.837zm.292-4.742a3.49 3.49 0 0 0-.688.055v3.984c.192.02.385.028.578.023 1.306 0 2.05-.743 2.05-2.133-.002-1.24-.674-1.929-1.94-1.929zm5.702 4.78a1.832 1.832 0 0 1-1.755-1.225 1.826 1.826 0 0 1-.097-.75 1.87 1.87 0 0 1 1.916-2.031 1.817 1.817 0 0 1 1.851 1.968 1.881 1.881 0 0 1-1.915 2.04v-.002zm.032-3.382c-.617 0-1.012.577-1.012 1.383 0 .79.404 1.365 1.005 1.365.6 0 1.004-.616 1.004-1.383 0-.779-.396-1.363-.996-1.363V7.66zm8.29-.545-1.203 3.84h-.784L49.19 9.29a12.619 12.619 0 0 1-.309-1.24h-.016c-.07.42-.174.835-.308 1.24l-.53 1.668h-.792l-1.132-3.841h.878l.435 1.826c.103.435.19.845.263 1.232h.017c.062-.323.165-.727.315-1.225l.546-1.833h.696l.523 1.795c.126.435.229.861.309 1.264h.023c.062-.426.15-.848.262-1.264l.468-1.795h.84-.004zm4.426 3.84h-.854V8.75c0-.679-.263-1.02-.776-1.02a.888.888 0 0 0-.854.942v2.284h-.854v-2.74c0-.34-.009-.705-.032-1.1h.751l.04.593h.024a1.38 1.38 0 0 1 1.219-.67c.806 0 1.336.616 1.336 1.619v2.3-.002zm2.356 0h-.855v-5.6h.855v5.6zm3.115.088a1.832 1.832 0 0 1-1.851-1.976 1.87 1.87 0 0 1 1.914-2.031 1.816 1.816 0 0 1 1.851 1.968 1.88 1.88 0 0 1-1.914 2.04v-.001zm.032-3.383c-.617 0-1.012.578-1.012 1.383 0 .79.404 1.366 1.003 1.366.6 0 1.005-.617 1.005-1.384 0-.779-.394-1.363-.998-1.363l.002-.002zm5.252 3.296-.063-.442h-.022a1.314 1.314 0 0 1-1.125.53 1.118 1.118 0 0 1-1.178-1.131c0-.946.823-1.438 2.247-1.438v-.071c0-.506-.268-.76-.798-.76a1.8 1.8 0 0 0-1.004.286l-.174-.561a2.46 2.46 0 0 1 1.32-.332c1.005 0 1.511.529 1.511 1.588v1.415a5.79 5.79 0 0 0 .056.917l-.77-.001zm-.118-1.913c-.949 0-1.425.23-1.425.774a.543.543 0 0 0 .586.6.818.818 0 0 0 .841-.78l-.002-.594zm4.982 1.913-.04-.617h-.024a1.288 1.288 0 0 1-1.234.704c-.927 0-1.614-.814-1.614-1.96 0-1.201.712-2.049 1.683-2.049a1.157 1.157 0 0 1 1.084.523h.017V5.35h.856v4.57c0 .372.009.72.031 1.036h-.76zm-.126-2.259a.93.93 0 0 0-.9-.998c-.631 0-1.021.561-1.021 1.351 0 .775.402 1.305 1.003 1.305a.96.96 0 0 0 .914-1.019v-.639h.004zm6.277 2.347a1.831 1.831 0 0 1-1.85-1.975 1.87 1.87 0 0 1 1.913-2.031 1.816 1.816 0 0 1 1.852 1.968 1.88 1.88 0 0 1-1.916 2.038zm.031-3.382c-.616 0-1.011.577-1.011 1.383 0 .79.403 1.365 1.003 1.365.6 0 1.005-.616 1.005-1.383 0-.782-.394-1.366-1-1.366h.003zm6.478 3.296h-.857V8.753c0-.68-.263-1.02-.775-1.02a.888.888 0 0 0-.854.94v2.285h-.855V8.215c0-.34-.009-.704-.032-1.099h.752l.04.593h.023a1.38 1.38 0 0 1 1.218-.671c.807 0 1.338.616 1.338 1.62l.002 2.3zm5.749-3.2h-.94v1.864c0 .473.165.712.497.712.128 0 .255-.013.38-.04l.023.648c-.213.07-.438.103-.663.095-.673 0-1.076-.372-1.076-1.344V7.758h-.56v-.64h.56v-.704l.841-.254v.956h.94v.641l-.002.001zm4.52 3.2h-.853v-2.19c0-.687-.26-1.035-.775-1.035a.838.838 0 0 0-.856.909v2.315h-.851V5.355h.854v2.307h.017a1.296 1.296 0 0 1 1.156-.624c.814 0 1.312.63 1.312 1.636l-.003 2.285zm4.635-1.715H96.72a1.102 1.102 0 0 0 1.21 1.137c.353.004.704-.058 1.035-.181l.133.593a3.212 3.212 0 0 1-1.29.237 1.789 1.789 0 0 1-1.913-1.936c0-1.178.728-2.063 1.818-2.063.982 0 1.598.728 1.598 1.826.006.13-.004.26-.03.387h.003zm-.783-.609c0-.593-.3-1.011-.846-1.011a1.014 1.014 0 0 0-.934 1.011h1.78z" fill="%23fff"/>%0D%0A </g>%0D%0A <defs>%0D%0A <clipPath id="uavr3vx5ga">%0D%0A <path fill="%23fff" transform="translate(.5 .019)" d="M0 0h110v32.566H0z"/>%0D%0A </clipPath>%0D%0A </defs>%0D%0A</svg>%0D%0A)
![Get it on Google Play](data:image/svg+xml,<svg width="111" height="33" viewBox="0 0 111 33" fill="none" xmlns="http://www.w3.org/2000/svg">%0D%0A <g clip-path="url(%23oefv1zwvza)">%0D%0A <path d="M106.426 32.584H4.574a4.037 4.037 0 0 1-3.775-2.507 4.029 4.029 0 0 1-.3-1.564V4.09A4.028 4.028 0 0 1 3.01.318a4.038 4.038 0 0 1 1.565-.3h101.852a4.039 4.039 0 0 1 3.774 2.507c.203.496.305 1.028.3 1.564v24.424a4.032 4.032 0 0 1-4.074 4.071z" fill="%23000"/>%0D%0A <path d="M106.426.67a3.445 3.445 0 0 1 3.422 3.42v24.424a3.444 3.444 0 0 1-3.422 3.42H4.574a3.444 3.444 0 0 1-3.422-3.42V4.089A3.438 3.438 0 0 1 4.574.67h101.852zm0-.651H4.574A4.088 4.088 0 0 0 .5 4.089v24.425a4.029 4.029 0 0 0 2.508 3.771 4.039 4.039 0 0 0 1.566.3h101.852a4.04 4.04 0 0 0 2.892-1.181 4.023 4.023 0 0 0 1.182-2.89V4.089a4.082 4.082 0 0 0-4.074-4.07z" fill="%23A6A6A6"/>%0D%0A <path d="M39.122 8.323a2.216 2.216 0 0 1-.57 1.628 2.558 2.558 0 0 1-3.585 0 2.393 2.393 0 0 1-.734-1.794 2.394 2.394 0 0 1 .734-1.785 2.395 2.395 0 0 1 1.792-.736c.34.004.676.087.978.244.292.122.546.318.736.57l-.407.407a1.52 1.52 0 0 0-1.304-.57 1.622 1.622 0 0 0-1.304.57 1.677 1.677 0 0 0-.573 1.384 1.675 1.675 0 0 0 .57 1.384c.355.336.817.538 1.304.57a1.789 1.789 0 0 0 1.386-.57 1.347 1.347 0 0 0 .407-.976h-1.793v-.652h2.366v.326h-.003zm3.748-2.036h-2.2v1.547h2.038v.57H40.67v1.547h2.2v.651h-2.854V5.718h2.855v.57zm2.69 4.315h-.653V6.287h-1.385v-.57h3.422v.57H45.56v4.315zm3.747 0V5.718h.652v4.884h-.652zm3.423 0h-.652V6.287h-1.385v-.57h3.34v.57h-1.385v4.315h.082zm7.74-.65a2.559 2.559 0 0 1-3.585 0 2.394 2.394 0 0 1-.736-1.792 2.393 2.393 0 0 1 .736-1.791 2.558 2.558 0 0 1 3.586 0 2.395 2.395 0 0 1 .735 1.791 2.391 2.391 0 0 1-.736 1.791zm-3.096-.408c.346.35.812.554 1.304.57a1.623 1.623 0 0 0 1.304-.57c.366-.369.57-.867.57-1.387a1.675 1.675 0 0 0-.57-1.381 1.924 1.924 0 0 0-1.304-.57 1.622 1.622 0 0 0-1.304.57c-.365.367-.57.864-.57 1.381a1.676 1.676 0 0 0 .57 1.387zm4.726 1.058V5.718h.736l2.366 3.826V5.718h.651v4.884h-.657l-2.523-3.989v3.99H62.1z" fill="%23fff" stroke="%23fff" stroke-width=".2" stroke-miterlimit="10"/>%0D%0A <path d="M55.989 17.767a3.43 3.43 0 0 0-3.258 2.149c-.173.43-.256.89-.246 1.352a3.47 3.47 0 0 0 2.159 3.241c.427.175.884.263 1.345.26a3.432 3.432 0 0 0 3.258-2.15c.172-.429.256-.889.245-1.351a3.376 3.376 0 0 0-3.503-3.501zm0 5.536a2.024 2.024 0 0 1-1.956-2.117 2.018 2.018 0 0 1 1.956-2.116 1.976 1.976 0 0 1 1.85 1.322c.09.254.125.525.105.794a2.019 2.019 0 0 1-1.955 2.117zm-7.578-5.536a3.431 3.431 0 0 0-3.258 2.149c-.172.43-.256.89-.246 1.352a3.472 3.472 0 0 0 2.16 3.241c.426.175.883.263 1.344.26a3.432 3.432 0 0 0 3.258-2.15c.173-.429.256-.889.246-1.351a3.376 3.376 0 0 0-3.504-3.501zm0 5.536a2.024 2.024 0 0 1-1.956-2.117 2.018 2.018 0 0 1 1.956-2.116 1.976 1.976 0 0 1 1.85 1.322c.09.254.125.525.105.794a2.019 2.019 0 0 1-1.955 2.117zm-9.044-4.478v1.466h3.503a3.077 3.077 0 0 1-.815 1.872 3.607 3.607 0 0 1-2.688 1.059 3.796 3.796 0 0 1-3.83-3.908 3.838 3.838 0 0 1 2.347-3.605c.47-.198.973-.301 1.483-.303a4.041 4.041 0 0 1 2.688 1.056l1.06-1.056a5.223 5.223 0 0 0-3.667-1.466 5.49 5.49 0 0 0-5.46 5.373 5.49 5.49 0 0 0 5.46 5.374 4.693 4.693 0 0 0 3.748-1.547 4.9 4.9 0 0 0 1.304-3.42c.017-.3-.01-.6-.082-.892h-5.051v-.003zm36.992 1.14a3.163 3.163 0 0 0-2.933-2.198c-1.793 0-3.26 1.384-3.26 3.5a3.406 3.406 0 0 0 3.423 3.502 3.345 3.345 0 0 0 2.852-1.547l-1.141-.814a1.986 1.986 0 0 1-1.711.976 1.769 1.769 0 0 1-1.711-1.058l4.644-1.954-.163-.407zm-4.726 1.14a1.977 1.977 0 0 1 1.793-2.035 1.441 1.441 0 0 1 1.303.732l-3.096 1.303zm-3.83 3.34h1.549V14.267h-1.548v10.18zm-2.444-5.943a2.682 2.682 0 0 0-1.874-.814 3.502 3.502 0 0 0-3.34 3.501 3.369 3.369 0 0 0 2.048 3.149c.409.174.848.266 1.292.27a2.34 2.34 0 0 0 1.793-.814h.081v.489c0 1.302-.736 2.035-1.874 2.035a1.81 1.81 0 0 1-1.711-1.221l-1.304.57a3.36 3.36 0 0 0 3.096 2.035c1.793 0 3.26-1.058 3.26-3.582v-6.19h-1.467v.572zm-1.792 4.804a2.025 2.025 0 0 1-1.956-2.117 2.02 2.02 0 0 1 1.956-2.117 1.961 1.961 0 0 1 1.874 2.117 1.957 1.957 0 0 1-1.875 2.114v.003zm19.881-9.035h-3.667v10.175h1.548v-3.83h2.119a3.185 3.185 0 0 0 3.087-1.92 3.177 3.177 0 0 0-1.82-4.237 3.185 3.185 0 0 0-1.267-.193v.005zm.082 4.885h-2.2V15.65h2.2a1.788 1.788 0 0 1 1.792 1.71 1.862 1.862 0 0 1-1.793 1.791v.005zm9.37-1.465c-1.14 0-2.282.488-2.689 1.547l1.385.57a1.438 1.438 0 0 1 1.385-.736 1.532 1.532 0 0 1 1.63 1.303v.079a3.236 3.236 0 0 0-1.548-.407c-1.467 0-2.934.814-2.934 2.28a2.386 2.386 0 0 0 2.524 2.279 2.294 2.294 0 0 0 1.955-.977h.082v.817h1.466v-3.908a3.08 3.08 0 0 0-3.259-2.85l.003.003zm-.163 5.617c-.489 0-1.222-.244-1.222-.893 0-.814.896-1.058 1.63-1.058.48.002.954.113 1.385.326a1.895 1.895 0 0 1-1.793 1.62v.005zm8.555-5.373-1.71 4.396H99.5l-1.793-4.396h-1.63l2.69 6.188-1.549 3.419h1.548l4.153-9.607h-1.629.002zm-13.688 6.51h1.548V14.267h-1.548v10.18z" fill="%23fff"/>%0D%0A <path d="M8.974 6.125a1.59 1.59 0 0 0-.326 1.14v17.992a1.61 1.61 0 0 0 .408 1.14l.081.081 10.104-10.095v-.163L8.974 6.125z" fill="url(%23nqixmws78b)"/>%0D%0A <path d="m22.5 19.802-3.34-3.338v-.244l3.34-3.338.081.082 3.99 2.28c1.141.65 1.141 1.709 0 2.36L22.5 19.802z" fill="url(%23euwe5vohvc)"/>%0D%0A <path d="m22.581 19.72-3.422-3.418L8.974 26.477c.408.407.978.407 1.711.082l11.896-6.84z" fill="url(%23wso0uh08dd)"/>%0D%0A <path d="M22.581 12.882 10.685 6.125c-.736-.407-1.303-.326-1.71.081l10.184 10.096 3.422-3.42z" fill="url(%23mrdt54dj1e)"/>%0D%0A <path opacity=".2" d="m22.5 19.64-11.815 6.675a1.334 1.334 0 0 1-1.63 0l-.08.082.08.081a1.333 1.333 0 0 0 1.63 0L22.5 19.64z" fill="%23000"/>%0D%0A <path opacity=".12" d="M8.974 26.316a1.59 1.59 0 0 1-.326-1.14v.081a1.61 1.61 0 0 0 .408 1.14v-.081h-.082zm17.6-8.956L22.5 19.64l.081.08 3.993-2.279a1.355 1.355 0 0 0 .815-1.14c0 .408-.326.733-.815 1.059z" fill="%23000"/>%0D%0A <path opacity=".25" d="m10.685 6.206 15.89 9.037c.488.326.814.651.814 1.059a1.352 1.352 0 0 0-.815-1.14L10.685 6.125c-1.143-.652-2.037-.163-2.037 1.14v.08c0-1.22.894-1.79 2.037-1.139z" fill="%23fff"/>%0D%0A </g>%0D%0A <defs>%0D%0A <linearGradient id="nqixmws78b" x1="18.265" y1="27.13" x2="2.062" y2="22.737" gradientUnits="userSpaceOnUse">%0D%0A <stop stop-color="%2300A0FF"/>%0D%0A <stop offset=".007" stop-color="%2300A1FF"/>%0D%0A <stop offset=".26" stop-color="%2300BEFF"/>%0D%0A <stop offset=".512" stop-color="%2300D2FF"/>%0D%0A <stop offset=".76" stop-color="%2300DFFF"/>%0D%0A <stop offset="1" stop-color="%2300E3FF"/>%0D%0A </linearGradient>%0D%0A <linearGradient id="euwe5vohvc" x1="28.064" y1="17.927" x2="8.353" y2="17.927" gradientUnits="userSpaceOnUse">%0D%0A <stop stop-color="%23FFE000"/>%0D%0A <stop offset=".409" stop-color="%23FFBD00"/>%0D%0A <stop offset=".775" stop-color="orange"/>%0D%0A <stop offset="1" stop-color="%23FF9C00"/>%0D%0A </linearGradient>%0D%0A <linearGradient id="wso0uh08dd" x1="20.731" y1="16.06" x2="7.736" y2="-5.775" gradientUnits="userSpaceOnUse">%0D%0A <stop stop-color="%23FF3A44"/>%0D%0A <stop offset="1" stop-color="%23C31162"/>%0D%0A </linearGradient>%0D%0A <linearGradient id="mrdt54dj1e" x1="6.443" y1="34.068" x2="12.205" y2="24.305" gradientUnits="userSpaceOnUse">%0D%0A <stop stop-color="%2332A071"/>%0D%0A <stop offset=".069" stop-color="%232DA771"/>%0D%0A <stop offset=".476" stop-color="%2315CF74"/>%0D%0A <stop offset=".801" stop-color="%2306E775"/>%0D%0A <stop offset="1" stop-color="%2300F076"/>%0D%0A </linearGradient>%0D%0A <clipPath id="oefv1zwvza">%0D%0A <path fill="%23fff" transform="translate(.5 .019)" d="M0 0h110v32.566H0z"/>%0D%0A </clipPath>%0D%0A </defs>%0D%0A</svg>%0D%0A)