La inteligencia artificial generativa no solo transformó la forma en que interactuamos con la tecnología; también reconfiguró la economía del hardware. Durante años, los hyperscalers —Microsoft, Google, Amazon y Meta— tercerizaron la mayor parte de su cómputo de IA a NVIDIA, cuyo monopolio en GPUs para entrenamiento y despliegue de modelos se volvió indiscutible. Pero esa dependencia tiene un precio: márgenes reducidos, restricciones de suministro y vulnerabilidad estratégica. Hoy, los gigantes tecnológicos están redoblando su apuesta por infraestructura propia de IA, invirtiendo cifras récord en centros de datos, chips personalizados y acuerdos energéticos masivos. Esta no es una simple diversificación: es una declaración de independencia tecnológica que redefinirá la industria para la próxima década.
¿Por qué los gigantes tecnológicos están construyendo su propia infraestructura de IA?
El motivo central es el control. Al depender de NVIDIA para los chips más potentes —como el H100 y el próximo Blackwell—, las grandes tecnológicas enfrentan cuellos de botella en la cadena de suministro y precios que erosionan su rentabilidad en servicios de IA. Construir sus propios aceleradores (TPU, Trainium, Inferentia) les permite optimizar costos, personalizar el hardware para sus cargas de trabajo específicas y, sobre todo, garantizar la capacidad de cómputo necesaria para escalar modelos como Gemini, GPT-5 o el asistente Meta AI.
Además, la competencia por la inteligencia artificial general (AGI) exige un nivel de cómputo que ningún proveedor externo puede asegurar por sí solo. Como señaló Satya Nadella, CEO de Microsoft, “la infraestructura es la nueva arena de competencia”. Al construir sus propios centros de datos con diseños modulares y refrigeración líquida, las empresas no solo reducen costos operativos sino que aceleran los ciclos de innovación.
Las cifras detrás de la inversión en centros de datos y chips propios
Los números son impactantes. Microsoft anunció un plan de gasto de capital de más de 80 000 millones de dólares en centros de datos para el año fiscal 2025, duplicando su inversión respecto al año anterior. Google, por su parte, destinó 42 000 millones de dólares en CapEx durante el primer semestre de 2024, la mayor parte para infraestructura de IA. Amazon Web Services (AWS) planea gastar 150 000 millones en los próximos años, con un énfasis creciente en sus propios chips Trainium e Inferentia. Meta no se queda atrás: Mark Zuckerberg anunció que la compañía invertirá 35 000 millones este año, incluyendo la construcción de un centro de datos “del tamaño de Manhattan” en Luisiana.
En paralelo, el desarrollo de chips propios avanza a pasos agigantados. Google lleva más de una década diseñando sus unidades de procesamiento tensorial (TPU), que hoy alimentan los modelos Gemini y son usadas por clientes de Google Cloud. Amazon lanzó la segunda generación de Trainium, afirmando que ofrece un 40 % más de eficiencia energética que las GPUs equivalentes de NVIDIA. Meta está desarrollando una familia de chips para inferencia, mientras que Microsoft presentó Maia 100, su primer acelerador de IA fabricado en colaboración con OpenAI.
El papel de la regulación y la soberanía tecnológica en esta carrera
No es solo un tema de negocios: la infraestructura de IA se ha convertido en un asunto de soberanía nacional. Estados Unidos, la Unión Europea y China han promulgado leyes para incentivar la construcción de centros de datos locales y reducir la dependencia de proveedores extranjeros. La Ley de Chips de EE.UU. destinó 52 000 millones de dólares para fortalecer la fabricación de semiconductores, mientras que la UE aprobó la Ley de Infraestructura de Datos, que exige que ciertos datos críticos se almacenen dentro de sus fronteras.
Esta ola regulatoria impulsa a las big tech a acelerar sus planes. Microsoft, por ejemplo, anunció inversiones en centros de datos en España, Suecia y Alemania, buscando cumplir con las regulaciones de datos y obtener subsidios locales. Google hizo lo propio en Finlandia y Bélgica. En América Latina, aunque el ritmo es más lento, se espera que Brasil y México se conviertan en hubs regionales, impulsados por la cercanía a Estados Unidos y los marcos regulatorios emergentes.
Casos emblemáticos: Google, Microsoft, Amazon y Meta frente a NVIDIA
Ambivalente es la relación con NVIDIA: por un lado, estos gigantes siguen siendo sus mayores clientes; por otro, todos están desarrollando alternativas. El caso más emblemático es el de Microsoft, que invirtió 13 000 millones de dólares en OpenAI y, al mismo tiempo, diseñó el chip Maia para reducir su dependencia de las GPUs de NVIDIA en sus propios servicios de Azure. Google, que ya usaba TPU mayoritariamente en sus centros de datos, ahora ofrece chips TPU v5p a clientes externos, compitiendo directamente con NVIDIA en la nube.
Amazon, por su parte, está invirtiendo en Trainium para hacerlo tan competitivo como las GPUs H100 en tareas de entrenamiento, aunque reconoce que NVIDIA sigue siendo superior en rendimiento bruto. Meta, que depende fuertemente de NVIDIA para entrenar sus modelos Llama, está apostando por chips de inferencia de bajo consumo para reducir los costos operativos de servir a miles de millones de usuarios.
¿Qué actores emergentes amenazan el dominio de los hyperscalers?
No es exclusiva de las grandes tecnológicas la carrera por la infraestructura de IA. Startups como Groq, Cerebras y SambaNova están desarrollando arquitecturas de chips radicalmente distintas, con enfoques en inferencia ultrarrápida o redes neuronales sparse. Groq, por ejemplo, afirma que su procesador LPU puede ejecutar modelos como Llama 3-70B a una velocidad 10 veces mayor que las GPUs de NVIDIA, con un consumo energético un 80 % menor.
Además, fabricantes tradicionales como Intel y AMD están lanzando sus propias soluciones: Intel con Gaudi 3 y AMD con MI300X, que ya son adoptadas por algunos hyperscalers para cargas de trabajo específicas. El mercado de chips para IA se está fragmentando, y aunque NVIDIA mantiene una cuota cercana al 80 %, la presión competitiva está forzando a la compañía de Jensen Huang a innovar más rápido y a ofrecer precios más flexibles.
El dilema de la sostenibilidad: consumo energético y huella de carbono
El crecimiento exponencial de la infraestructura de IA tiene un costo ambiental que ya es insostenible. Según un estudio de la Universidad de Massachusetts Amherst, entrenar un modelo grande como GPT-3 emite aproximadamente 552 toneladas de CO2, equivalente a 60 vuelos transatlánticos. Pero el problema se agrava con la inferencia: cada consulta a ChatGPT consume entre 10 y 30 veces más energía que una búsqueda tradicional de Google.
Los hyperscalers han respondido con ambiciosos planes de energía renovable. Microsoft se comprometió a ser carbono negativo para 2030 y firmó acuerdos de compra de energía (PPA) por más de 35 GW en proyectos eólicos y solares. Google, que alcanzó el 100 % de energía renovable en 2017, ahora enfrenta el reto de mantener ese nivel mientras duplica sus centros de datos. Amazon Web Services, el mayor comprador corporativo de energía renovable del mundo, está invirtiendo en reactores nucleares modulares pequeños (SMR) para alimentar sus centros de datos en EE.UU.
Sin embargo, los críticos señalan que estas promesas no son suficientes. La Agencia Internacional de Energía (AIE) estima que el consumo de electricidad de los centros de datos podría duplicarse para 2026, alcanzando el 4 % del consumo global. La presión regulatoria y social obligará a las empresas a ir más allá de los PPAs y a integrar la eficiencia energética en el diseño de sus chips y arquitecturas.
Implicaciones para startups, desarrolladores y el ecosistema global
Efectos profundos en el ecosistema de startups tiene la construcción de infraestructura propia por parte de los gigantes tecnológicos. Por un lado, reduce la dependencia de NVIDIA, lo que podría abaratar el cómputo en la nube a largo plazo. Por otro, concentra aún más el poder en las big tech, que controlan tanto el hardware como el software y los datos. Las startups de IA que dependen de créditos de nube de Microsoft o Google pueden quedar atrapadas en ecosistemas cerrados, donde los precios de inferencia suban una vez que se consolide el dominio.
Para los desarrolladores, la proliferación de chips alternativos (TPU, Trainium, Maia) significa que el código deberá optimizarse para múltiples arquitecturas, aumentando la complejidad del stack de software. Framework como PyTorch, JAX y Triton están evolucionando para abstraer esta diversidad, pero la fragmentación es inevitable.
A nivel global, la carrera por la infraestructura de IA profundiza la brecha digital. Los países que no construyan centros de datos propios quedarán rezagados en soberanía tecnológica y capacidad de innovación. América Latina, con excepción de Brasil y México, corre el riesgo de convertirse en un mero consumidor de servicios cloud, sin participación en el diseño de hardware ni en la propiedad de los datos.
Clara es la tesis central de este análisis: la construcción de infraestructura propia de IA no es una moda pasajera, sino un movimiento estratégico para asegurar el control de la cadena de valor completa. Los gigantes tecnológicos están dispuestos a invertir cientos de miles de millones de dólares, asumir riesgos geopolíticos y desafiar a su proveedor más crítico, todo con tal de no depender de nadie en la era de la inteligencia artificial. La pregunta abierta es si este esfuerzo generará un ecosistema más competitivo y sostenible, o si simplemente consolidará un nuevo monopolio, esta vez sobre los cimientos físicos de la IA.
