IA hoy Maia 300 llega a Azure en 2027 para reemplazar a Nvidia
Microsoft acelera su estrategia de silicio vertical con Maia 300, un chip de inferencia que promete 40% más eficiencia energética y 7x el rendimiento por rack de su predecesor. El movimiento busca romper la dependencia de Nvidia, pero blinda a los clientes en el ecosistema Azure.
Microsoft confirmó que su acelerador Maia 300 entrará en cargas de producción de IA durante 2027, marcando el paso decisivo de una estrategia que lleva años gestándose: sustituir las GPU de Nvidia por silicio propio en la infraestructura que sostienen Copilot, GitHub Copilot, Foundry y los modelos internos de la compañía. Scott Guthrie, vicepresidente ejecutivo de Cloud, cuantificó la apuesta: 40 % más tokens por megavatio frente a los sistemas GPU de referencia y hasta siete veces el rendimiento por rack del Maia 200 en configuración de 96 aceleradores Microsoft anuncia Maia 300.
La arquitectura rompe con el modelo monolítico. Maia 300 usa un diseño chiplet sobre el nodo N2P de TSMC que separa cómputo, controlador de memoria e I/O, permitiendo que cada función use la tecnología óptima. La memoria HBM4 alcanza 288 GB por acelerador y la interconexión permite escalar hasta 12.288 unidades en una sola infraestructura lógica El Español cubre Maia 300. El objetivo declarado: despliegues de varios gigavatios donde Maia sea "el sistema principal de inferencia para productos y servicios de Microsoft".
El antecedente técnico está en Maia 200, cuya arquitectura SDLA (Software Defined Locally Accessed Dataflow) ya demostró ahorros del 30 % en coste total de propiedad y 15 % en energía frente a cualquier otro acelerador de la flota de Microsoft, según el artículo técnico publicado en arXiv Paper Maia 200 en arXiv. Ese chip entrega 10.145 TFLOPS en FP4 y 5.072 en FP8 dentro de 750 W, con 7 TB/s de ancho de banda HBM. La filosofía SDLA mueve el foco de los hilos al movimiento de datos, programando explícitamente motores de DMA y memorias especializadas —un salto comparable al que supuso SIMT para las GPU clásicas.
Para los ejecutivos latinoamericanos que operan sobre Azure, la lectura tiene dos caras. La eficiencia energética y de coste por token es real y, en teoría, debería traducirse en precios de inferencia más competitivos en una región donde la electricidad y la latencia transfronteriza pesan en el P&L. Pero la verticalización también profundiza el vendor lock-in: cuanto más optimizados estén los modelos de Microsoft para Maia, más costosa se vuelve la migración a otra nube o a hardware estándar. La soberanía del dato y la capacidad de negociar contratos multinube se erosionan cuando la pila completa —silicio, red, runtime, modelo— pertenece a un solo proveedor.
Mustafa Suleyman, CEO de Microsoft AI, lo dijo sin eufemismos: "Tenemos que trabajar en toda la pila, hasta el silicio. A esa escala necesitamos una plataforma que poseamos y codiseñemos con nuestros modelos" Microsoft anuncia Maia 300. La eficiencia no es un fin filantrópico; es el mecanismo para capturar margen en la capa donde Nvidia hoy cobra renta. La pregunta para el CTO en São Paulo, México o Bogotá no es si Maia 300 funciona —los números de Maia 200 avalan que funciona—, sino cuánto margen de maniobra queda cuando la inferencia de tus agentes críticos corre sobre silicio que solo existe en los data centers de Redmond.
