El cuello de botella más profundo no es aritmético, es físico: mover datos cuesta mucho más que calcular. Un acceso a la memoria DRAM fuera del chip consume del orden de 1.300 a 2.600 picojulios por acceso de 64 bits, frente a unos pocos picojulios para una operación de coma flotante dentro del chip; una brecha de tres órdenes de magnitud. Por eso, en la fase de decodificación de un modelo de lenguaje, cuando los tokens se generan de uno en uno y las matrices de pesos se leen una sola vez, las GPU quedan ociosas esperando datos: la generación está limitada por el ancho de banda de memoria, no por la capacidad de cálculo.
Esa memoria caché de claves y valores (KV cache), que guarda el contexto de cada conversación, crece con la longitud del contexto y puede rivalizar con el tamaño de los pesos del modelo. La atención es cuadrática: al duplicar el contexto, la memoria necesaria se multiplica por cuatro. La respuesta industrial ha sido una carrera por comprimir esa caché —de atención multi-consulta a atención por grupos y a atención latente, como en DeepSeek-V2 y V3— y, en paralelo, una carrera por más ancho de banda.
Tampoco el problema energético se queda atrás. La AIE enmarca la cuestión en dos direcciones: energía para la IA e IA para la energía. La segunda puede optimizar redes y pronósticos, pero la primera impone urgencias inmediatas: escasean transformadores de alta potencia, turbinas de gas y semiconductores avanzados, mientras un solo armario de servidores de IA, del tamaño de un refrigerador doméstico, puede exigir un pico equivalente al consumo de 65 hogares. Además, aunque el coste energético por cálculo simple ha bajado gracias a chips más eficientes, las aplicaciones nuevas —agentes autónomos, generación de vídeo, razonamiento avanzado— multiplican por miles la energía requerida por consulta.
Centros de datos y red eléctrica: la carrera por gigavatios firmes
Según la encuesta global de megacentros de datos de IA, la capacidad mundial de los centros de datos vinculados a IA alcanzó unos 30 gigavatios en el cuarto trimestre de 2025, el equivalente al consumo máximo del estado de Nueva York. La capacidad total de TI de todos los centros de datos era de 122,2 gigavatios a inicios de 2025, con América del Norte al 42 % y con una proyección de subir al 49 % en 2035.
Estados Unidos amplía su ventaja. Para 2026 dispondrá de 8,2 gigavatios dedicados a IA —el 40 % de su capacidad instalada— y solo en ese año añadirá 1,9 gigavatios, más que la capacidad de IA total de cualquier otro país. Para 2031 llegará a 26,4 gigavatios, el 54 % de su parque. Su capacidad total de centros de datos es de 53,7 gigavatios, el 44 % mundial, y concentra alrededor del 75 % de los clústeres de GPU del planeta, con 17 veces la capacidad de supercomputación de IA europea.
China tiene el mayor número de clústeres de centros de datos del mundo (230), pero su potencia específica para IA es comparativamente baja: pasará de 3,1 gigavatios en 2026 a 10,3 en 2031, y sus 400.000 unidades equivalentes a H100, la GPU de referencia de Nvidia, quedan por detrás de Estados Unidos, India e incluso los Emiratos Árabes Unidos. Japón, por su parte, moviliza 10 billones de yenes (unos 135.000 millones de dólares) y espera pasar de 1 a 2,6 gigavatios de IA en 2031, pero en Tokio la espera para una conexión eléctrica puede durar de cinco a diez años, y la demanda eléctrica de sus centros de datos se triplicará hasta 66 teravatios-hora en 2034. La geografía del poder computacional se está reescribiendo alrededor de la red eléctrica.
Semiconductores: de la GPU genérica al silicio especializado
Frente a la demanda, la oferta de aceleradores se ha diversificado: Nvidia acelera su cadencia anual (Hopper, Blackwell, y la plataforma Rubin ya anunciada), Google presentó su TPU Ironwood en noviembre de 2025, AWS comenzó a enviar Trainium3, su primer chip de IA de 3 nanómetros, en diciembre de 2025, y compiten además Cerebras, Groq, d-Matrix y Etched. Pero la diversidad de suministro no ha desplazado al incumbente: las GPU aún representan alrededor del 80 % de la facturación de aceleradores, y se proyecta que Nvidia conserve entre el 70 % y el 75 % del mercado durante el resto de la década.
La revisión técnica concluye de forma matizada: ninguna arquitectura es óptima para todas las cargas. Las GPU siguen siendo el default flexible y el caballo de batalla del entrenamiento; los ASIC de dominio específico ganan en cargas estables y de alto volumen; el cómputo en memoria (PIM) aparece como la respuesta más prometedora a corto plazo y entra en los sistemas como complemento heterogéneo; y las opciones neuromórficas y fotónicas, aunque atractivas, no están listas para producción a escala frontera. La lección es que la próxima década no tendrá un sucesor único de la GPU, sino un ecosistema híbrido.
La pared de memoria: cuando el dispositivo más rápido hace más lento el sistema
Convertida ya en recurso crítico, la memoria se ha convertido en el recurso crítico. El mismo análisis de la AIE detectó una escasez de memoria de alto ancho de banda (HBM), pieza integral de la producción de chips de IA, que comenzó en 2025 y se espera que se prolongue al menos hasta finales de 2027. La alta densidad de NAND, más de 21 veces la de DRAM, hace tentador usar flash como extensión de la memoria de las GPU; la industria ya planea flash de alto ancho de banda (HBF) empaquetado junto al chip, con primeras generaciones previstas para 2028 y 2030, y una tercera en 2032.
Pero el estudio sobre HBF muestra una paradoja instructiva: sustituir un SSD por un flash más rápido, sin cambiar el software de gestión de caché, empeora el sistema. La latencia media de extremo a extremo sube entre 2 y 5,5 veces y el rendimiento que cumple los objetivos de servicio cae entre 1,1 y 2,7 veces, en perfiles H100 y B200. Un nivel más rápido solo ayuda si la lectura es el cuello de botella, si las lecturas superan a las escrituras y si el ancho de banda se puede sostener sin chocar con los límites térmicos ni de desgaste. La caché KV transitoria viola las tres condiciones a la vez. La conclusión práctica: el flash empaquetado necesita una colocación consciente de la reutilización, presupuestos de escritura y coordinación térmica.
Ese título es deliberadamente crudo; su lección, más general. La escalabilidad no se compra con el componente más rápido, sino con la arquitectura de memoria correcta. Como dice la revisión de aceleradores, para los modelos de lenguaje grandes el sistema de memoria se ha convertido en la computadora.
Modelos de negocio y CapEx: quién financia la infraestructura
Ese capital sigue al vatio y al chip. En 2025, el gasto de capital combinado en centros de datos de las cinco mayores empresas tecnológicas superó los 400.000 millones de dólares. OpenAI anunció la iniciativa Stargate de 500.000 millones. Japón comprometió 135.000 millones de dólares públicos y ha atraído promesas de AWS (15.240 millones), Oracle (8.000 millones) y Microsoft (2.900 millones). Corea del Sur aprobó 65.000 millones hasta 2027, construye el mayor centro de cómputo de IA planificado del mundo, de 3 gigavatios, por 35.000 millones de dólares y con capacidad para unas 200.000 GPU, y OpenAI se ha aliado con Samsung y SK Hynix para dos centros de 20 megavatios iniciales. Europa responde con 20.000 millones de euros para gigafactorías de IA.
Esta carrera cambia la economía del cloud: la IA dejará de ser una aplicación que corre en servidores genéricos y se convertirá en una infraestructura con barreras de entrada casi geológicas —permisos, conectividad eléctrica, memoria HBM y capital—. Según la encuesta global, las cargas de IA superarán a las tradicionales a comienzos de la próxima década y representarán más de la mitad de la capacidad total de los centros de datos en 2031. Quien controle esa capacidad controlará el ritmo de la innovación.
Cuellos geopolíticos: sanciones, soberanía y cadenas críticas
Esa distribución de la infraestructura define ya la del poder. Estados Unidos no solo tiene la mayor capacidad; tiene la capacidad de negar el acceso a sus chips, y los controles de exportación son el obstáculo central para China. Pekín compensa con eficiencia algorítmica —el caso DeepSeek— y con estrategias de código abierto: sus modelos se mantienen en promedio unos siete meses por detrás de los lanzamientos estadounidenses, una brecha que se ha reducido. Pero sin acceso a semiconductores de alto rendimiento, su escala de cómputo sigue siendo incomparablemente menor.
En la memoria se encuentra otro cuello geopolítico: Samsung y SK Hynix controlan juntas alrededor del 90 % del mercado mundial de memoria de alto ancho de banda, y ambas están en Corea del Sur. Eso convierte al país en pieza clave de la cadena de suministro y explica la alianza con OpenAI.
Europa aparece como el continente fragmentado. Contará con 3,5 gigavatios de capacidad de IA en 2026 y 9,7 en 2031, pero su capacidad total de centros de datos es el 17 % del mundo. No todo es rezago: con JUPITER, puesta en marcha en Alemania en septiembre de 2025, Europa tiene su primera supercomputadora a exaescala, y tres sistemas europeos están entre los diez primeros del mundo.
Pero el contraste es duro: Alemania, el epicentro industrial del continente, opera unos 2.000 centros de datos con apenas 3.000 megavatios en total, de los que solo unos 530 se orientan a IA; la encuesta habla abiertamente del riesgo de que se convierta en una colonia de datos. Estados Unidos tiene 17 veces la capacidad de supercomputación de IA europea, y de los 40 modelos de IA más relevantes de 2024, solo tres nacieron en Europa, todos en Francia.
Escenarios 2031: eficiencia, especialización o estancamiento
Tres lecturas plausibles ordenan el horizonte. La primera es la de la eficiencia: la escalabilidad ya no vendrá solo de más chips, sino de co-diseño entre hardware y algoritmos, de arquitecturas heterogéneas centradas en memoria y de técnicas como el cómputo en memoria o la gestión selectiva de la caché KV. En este escenario, la IA sigue creciendo, pero a un ritmo marcado por la ingeniería de sistemas, no por la ley del escalado.
La segunda es la de la concentración soberana: energía, chips y memoria se convierten en activos estratégicos, y la carrera se fragmenta en bloques regionales. Estados Unidos, Corea del Sur, Japón y, con más dificultades, China construirían polos propios, mientras Europa y otras regiones dependen de importaciones y de acuerdos bilaterales.
La tercera es el estancamiento duro: si la pared de memoria no se rompe, si la red eléctrica no entrega gigavatios firmes y si la escasez de HBM se prolonga, el crecimiento de la IA chocará con un techo físico. En ese mundo, más GPU no basta: las unidades aritméticas seguirán ociosas esperando datos, y el coste marginal de cada nuevo modelo crecerá más rápido que su rendimiento.
La conclusión incómoda es que el futuro de la IA no se decide solo en los laboratorios de algoritmos. Se decide en las subestaciones eléctricas, en las factorías de memoria HBM, en las mesas de inversión de los hiperescaladores y en las agencias de control de exportaciones. Hasta 2031, el límite no será la inteligencia artificial: será la infraestructura que la sostiene.
