Fábricas de IA: cómo NVIDIA maximiza el retorno de cada megavatio

Las fábricas de inteligencia artificial (AI factories) no se construyen en metros cuadrados, sino en megavatios (MW) e incluso en gigavatios. Cada megavatio de capacidad cuesta en torno a US$ 60 millones, así que nadie compromete capital a esa escala sin tener una visión clara de cuándo lo recupera. Y esa visión depende de tres factores: cuánto puede ganar la fábrica en un año vendiendo todo lo que produce, cuántos años su hardware sigue siendo capaz de producir y cuánta demanda existe por ese producto.

El producto, en este caso, son tokens: los fragmentos de texto con los que trabajan los modelos de IA. Una fábrica que genera muchos tokens no sirve de nada si solo vende una parte de lo que produce, y una que tiene demanda no sirve si se detiene en un año. Tampoco son variables independientes: una fábrica que puede ejecutar más tipos de tareas encuentra más demanda y se mantiene activa por más años. Esa es la lógica con la que NVIDIA dice haber diseñado sus fábricas de IA: productivas, duraderas y versátiles.

Más producción por cada megavatio

La energía es el límite que condiciona todo. Por eso la medida que define la capacidad de ganar es cuántos tokens por segundo se obtienen por megavatio. Según datos de la firma SemiAnalysis (serie AgentX), los sistemas NVIDIA Vera Rubin NVL72 logran más de 30 veces el rendimiento por megavatio de los GB300 NVL72, y en el modelo DeepSeek V4 Pro el costo por millón de tokens baja hasta 45 veces.

La ganancia viene de un diseño coordinado en toda la cadena: modelos, software, cómputo, redes y memoria trabajan juntos. CUDA, la plataforma de software con la que se programan las GPU de NVIDIA, tiene en sus librerías CUDA-X la opción de ejecutar cualquier carga acelerada, y una arquitectura estandarizada deja que cualquier operador replique el diseño.

Una pregunta natural es si cada generación de hardware, al hacer tokens tan baratos, reduce la necesidad de cómputo. Ocurre lo contrario: la demanda se expande. Precios más bajos hacen rentables más casos de uso, y esos casos consumen más tokens de los que se ahorran con la eficiencia.

El hardware viejo sigue ganando plata

La durabilidad es la segunda pata. No todos los trabajos necesitan el último sistema, y por eso las generaciones anteriores siguen generando ingresos. La GPU A100 de NVIDIA salió en 2020 y todavía estaba en servicio comercial seis años después; CoreWeave, operador de nube, extendió reservas de equipos de 2020 hasta 2029. Un análisis de la firma Sprout, de septiembre de 2026, concluye que todos los grandes operadores extendieron la vida de sus servidores.

Microsoft, por ejemplo, usó su flota de V100 durante 8,4 años, cuando su vida contable era de seis. Barkr estima que un sistema H100 de ocho GPU rinde entre cinco y seis años, y que un GB300 NVL72 puede durar entre nueve y diez. Silicon Data muestra que un A100 de seis años todavía vale un cuarto de su precio original. CUDA corre a través de generaciones, de modo que lo ya instalado no queda obsoleto cuando llega una arquitectura nueva.

Esa plataforma también permite ejecutar aprendizaje automático, visión, robótica, simulación y gráficos; un mismo chip puede simular luz, plegar proteínas o predecir la siguiente palabra. Esa versatilidad, junto con la optimización continua del software, mantiene al hardware en uso mientras el mercado cambia.

Ninguna de estas cifras es chilena, pero definen el estándar que llega a Chile. Quien instala o arrienda GPU de NVIDIA en el país se monta en la misma plataforma de software, los mismos plazos de vida útil y el mismo mercado de reventa que usan las nubes globales.

Con información de NVIDIA