NVIDIA defiende la viabilidad financiera de la infraestructura de IA a escala de gigavatios

La economía de la infraestructura de IA multimegavatio

Con los centros de datos modernos de IA escalando a capacidades de megavatios y gigavatios, el despliegue de capacidad de cómputo se ha convertido en una colosal inversión de capital. Cada megavatio de capacidad de una factoría cuesta aproximadamente 60 millones de dólares, lo que obliga a los operadores a justificar las inversiones mediante un retorno de la inversión (ROI) a largo plazo. El 1 de octubre, NVIDIA presentó un marco financiero detallado para lo que denomina "factorías de IA", argumentando que los retornos comerciales dependen de tres variables interdependientes: capacidad de generación de ingresos, vida útil del hardware y fungibilidad de las cargas de trabajo.

Según NVIDIA, la rentabilidad del hardware no puede depender únicamente de la velocidad máxima o de picos de demanda a corto plazo. En su lugar, una infraestructura sostenible debe maximizar el rendimiento dentro de límites de potencia fijos, mantener el valor en el mercado secundario a lo largo de ciclos de depreciación de varios años y ejecutar tanto cargas de trabajo de IA como ajenas a la IA mediante una pila de software unificada. La compañía publicó este marco antes de la conferencia magistral del fundador y CEO Jensen Huang en GTC Berlin, programada para el 21 de octubre a las 11:00 CEST.

Rendimiento, longevidad de flotas y datos de despliegue empresarial

En el núcleo de la capacidad de generación de ingresos se encuentra la eficiencia energética, ya que la electricidad disponible sigue siendo el límite operativo para los hiperescaladores y proveedores de la nube. Citando datos de AgentX de SemiAnalysis, NVIDIA destacó que sus próximos sistemas Vera Rubin NVL72 logran un rendimiento por megavatio más de 30 veces superior al de los sistemas GB300 NVL72, junto con una reducción de hasta 45 veces en el costo por millón de tokens al ejecutar el modelo DeepSeek V4 Pro. La firma también señaló el análisis de AgentX que evalúa el rendimiento de GB300 NVL72 en el modelo GLM 5.3.

Para contrarrestar las preocupaciones de que las rápidas mejoras generacionales vuelvan obsoleto el silicio más antiguo en poco tiempo, NVIDIA presentó datos que demuestran que las flotas de centros de datos conservan su utilidad mucho más allá de sus horizontes contables originales:

• Mayor vida útil: La GPU A100 de NVIDIA, lanzada en 2020, continúa en servicio comercial activo seis años después. El proveedor de nube CoreWeave extendió recientemente las reservas de clientes hasta 2029 para hardware implementado originalmente en 2020.

• Valores en el mercado secundario y contratos: Evaluaciones independientes de Barkr estiman la vida económica útil de un sistema H100 de ocho GPU en entre cinco y seis años, al tiempo que proyectan de nueve a 10 años para el GB300 NVL72 basándose en la dinámica de reventa de equipos. Silicon Data constató que los procesadores A100 con seis años de antigüedad aún conservan el 25% de su precio original de adquisición, a pesar de que los calendarios de depreciación estándar de cinco años los amortizan a cero. Las métricas de mercado de Ornn Data indican que los contratos de alquiler a cinco años para sistemas A100 retienen el 80% del precio registrado en arrendamientos a corto plazo de un mes.

• Plazos de depreciación: Un informe de septiembre de 2026 elaborado por Sprout, titulado "The Productive Life of a Data Center GPU", señaló que los principales operadores de nube han retrasado sistemáticamente sus cronogramas de depreciación de servidores. En un ejemplo histórico, Microsoft operó sus clústeres NVIDIA V100 durante 8,4 años, frente a una vida contable de seis años en libros.

NVIDIA atribuye esta longevidad a la retrocompatibilidad de su ecosistema CUDA, respaldado por más de 1.000 bibliotecas CUDA-X y 10 millones de desarrolladores. Dado que los nuevos patrones algorítmicos pueden ejecutarse en el silicio existente, los operadores evitan activos varados.

Las implementaciones actuales reflejan esta amplia utilidad del hardware:

• Eli Lilly opera un clúster local de 1.016 GPU que da soporte al modelado de moléculas pequeñas, proteínas y genómica, junto con asistentes agénticos internos.

• Pinterest ejecuta el postentrenamiento y la inferencia para modelos de visión y lenguaje a través de una infraestructura en la nube de 14.000 GPU que combina NVIDIA Blackwell, Hopper y arquitecturas heredadas.

• Revolut se apoya en la biblioteca cuDF para procesar miles de millones de registros bancarios antes de entrenar e implementar modelos fundacionales.

• Runway divide su flujo de trabajo entre generaciones: entrena modelos mundiales de video en sistemas Hopper y atiende la inferencia de usuarios en vivo en Blackwell.

• Texas A&M University mantiene una tasa de utilización del 95% al 98% en 26 iniciativas de investigación mediante clústeres de supercómputo para el descubrimiento de fármacos y simulaciones moleculares.

• Fuera del aprendizaje automático central, Dassault Systèmes aplica aceleración por GPU a simulaciones de gemelos digitales para la certificación de aeronaves en Wichita State y la ingeniería de vehículos en Lucid Motors, mientras que el gigante de bienes de consumo Unilever redujo los costos de producción de marketing en un 50% al generar imágenes de productos íntegramente mediante gemelos digitales.

Los límites de energía impulsan la búsqueda de fungibilidad en el hardware

El argumento financiero expuesto por NVIDIA refleja un cambio más amplio en la industria de los centros de datos, donde el acceso a la red eléctrica —y no el espacio físico o la disponibilidad de racks para servidores— dicta el crecimiento operativo. Bajo estrictos límites de megavatios, los operadores deben extraer más ingresos por unidad de electricidad, al tiempo que se protegen contra cambios repentinos en las arquitecturas de los modelos.

NVIDIA sostiene que abaratar los tokens expande la demanda agregada en lugar de reducirla, ya que los menores costos de inferencia desbloquean nuevas aplicaciones de consumo y empresariales. Al posicionar sus GPU programables y su pila CUDA frente a los ASIC personalizados específicos, la compañía apuesta a que los constructores de centros de datos priorizarán sistemas flexibles capaces de alternar entre entrenamiento, inferencia y computación paralela empresarial general durante la mayor parte de una década.