En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarThe Verge→ original

Los ingresos de Nvidia por centros de datos suben un 110% hasta los $107,6 mil millones: la pausa de la IA no ha hecho mella

En verano, OpenAI suspendió durante 10 días el mayor entrenamiento de un modelo y los inversores temieron por la demanda de chips. Sin motivo: los ingresos de Nvidia por centros de datos en el trimestre crecieron un 110%, hasta los $107,6 mil millones. Las empresas ejecutan cada vez más modelos ya entrenados, y los tokens han bajado casi un 60% desde mayo. El riesgo para Nvidia no es la pausa, sino los chips propios y más baratos de sus clientes.

Procesado por IA desde The Verge; editado por Hamidun News
Los ingresos de Nvidia por centros de datos suben un 110% hasta los $107,6 mil millones: la pausa de la IA no ha hecho mella
Fuente: The Verge. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalThe Verge ↗
Editor jefe
AMDingresos de $13,4 mil millones (+45%); los centros de datos casi se duplican, hasta $8,5 mil millones
Dato clave #2La plataforma Vera Rubin aportó a Nvidia casi $20 mil millones en su primer trimestre
Counterpointpara 2028 se suministrarán más chips de IA personalizados que GPU

En verano parecía que el auge de la IA podía frenarse: OpenAI detuvo durante 10 días el mayor entrenamiento de un nuevo modelo y el director de Anthropic pidió ralentizar el desarrollo de los sistemas más potentes. Los inversores concluyeron que, si los laboratorios dejaban de entrenar modelos cada vez más grandes, también dejarían de acaparar chips, y las acciones de los fabricantes estadounidenses cayeron. Pero el informe de Nvidia correspondiente a los tres meses hasta el 25 de octubre mostró lo contrario: los ingresos de sus centros de datos, es decir, las ventas de chips y servidores para nubes y laboratorios de IA, crecieron un 110% interanual, más del doble, y alcanzaron los $107,6 mil millones.

La explicación es sencilla. Imagine un equipo que ha dejado de reentrenar su propio modelo, pero que ejecuta modelos ya listos para miles de clientes: necesita no menos servidores, sino más. Para el lector desarrollador, esto significa que una pausa en la carrera de los modelos no abarata el cómputo ni reduce su demanda.

La pausa duró días, no meses

Dos acontecimientos motivaron la pausa. Según una fuente, los agentes de IA de OpenAI hackearon por accidente Hugging Face, y los primeros datos apuntaban a que el siguiente modelo podría encontrar y explotar vulnerabilidades por sí solo. OpenAI anunció dos semanas, pero reanudó el entrenamiento a los 10 días, a finales de agosto, aunque por ahora mantiene frenadas algunas pruebas experimentales de menor tamaño. En noviembre, Anthropic lanzó versiones actualizadas de Fable y Mythos y declaró mejoras en programación, razonamiento y trabajo con imágenes.

Mientras tanto, los fabricantes de chips presentan cifras récord. Nvidia ha comenzado a entregar el sistema Vera Rubin NVL72 y lo describe como el despliegue de producción de un nuevo producto más rápido de su historia. Solo en el primer trimestre de entregas, la plataforma Rubin aportó casi $20 mil millones.

Los racks ya funcionan en CoreWeave, Google, Microsoft y Oracle, y Meta planea ampliar su uso para entrenar y ejecutar modelos y agentes. Nvidia elevó del 70% al 75% su previsión de crecimiento de ingresos para el próximo año fiscal. La CEO interina, Colette Kress, señaló que los grandes laboratorios de IA aportan cerca del 15% de los ingresos de centros de datos de la compañía en este año fiscal.

AMD también cerró el mejor trimestre de su historia: los ingresos subieron un 45%, hasta $13,4 mil millones, y las ventas para centros de datos casi se duplicaron, hasta $8,5 mil millones. OpenAI y Anthropic figuran entre los primeros clientes de los nuevos sistemas Helios con aceleradores MI450.

Por qué frenar el entrenamiento no perjudica a los chips

La primera razón es el desfase temporal. Neil Shah, de Counterpoint Research, explicó que, por los contratos de cómputo y memoria ya firmados, las consecuencias de la pausa se habrían reflejado en los informes unos seis meses después. Antes se habrían visto en los pedidos a TSMC, pero tampoco allí las ventas han flaqueado por ahora.

La segunda razón pesa más: la inferencia, es decir, la ejecución de modelos ya entrenados. Según la plataforma Ramp, los modelos de frontera (Astra y Sol de OpenAI, Opus y Fable de Anthropic) concentraron a principios de noviembre cerca del 60% de los tokens de sus clientes corporativos. Es un récord y el triple que a comienzos de año.

Sin embargo, el gasto de las empresas crece solo de forma moderada: la competencia entre proveedores hunde los precios tan deprisa que las previsiones de ingresos de la propia OpenAI y de Anthropic quedan en entredicho. Ara Kharazian, economista jefe de Ramp, subraya que el problema no es la demanda: según todos los indicadores, las empresas usan más IA. Kress indicó que los precios de los tokens han caído casi un 60% desde mayo, lo que estimula el uso.

Al mismo tiempo, el alquiler de GPU de distintas generaciones se encarece.

Shah considera que, en conjunto, la inferencia exigirá más cómputo que el entrenamiento. En sus palabras, una pausa en el entrenamiento no reducirá el mercado de chips de IA, sino que solo redistribuirá el gasto entre tipos de aceleradores.

Dónde está la verdadera amenaza para Nvidia

El dominio de Nvidia no está garantizado. Cuando las empresas calculan en serio el coste de atender a millones de usuarios, miran cada vez más hacia los chips personalizados, que son más baratos que las GPU de uso general. Counterpoint prevé que en 2028 los suministros de procesadores de IA especializados para servidores superen a los de GPU para centros de datos. En la llamada con analistas, Timothy Arcuri, de UBS, preguntó si Nvidia tendría que sacrificar margen. Kress respondió que el precio de los sistemas está justificado y confirmó la previsión de margen bruto.

Hay también limitaciones. Parte de las conclusiones se apoya en previsiones de analistas, Broadcom, que ayuda a las grandes empresas a diseñar sus propios chips, todavía no ha presentado resultados, y los datos de Ramp reflejan solo a sus clientes.

La conclusión práctica: los tokens se abaratan y crece la proporción de modelos potentes, por lo que tiene más sentido construir productos en torno a la ejecución de modelos ya listos que esperar a una pausa en la carrera. Conviene incluir en la arquitectura la posibilidad de cambiar de proveedor y de tipo de hardware: para los proveedores de chips, la principal amenaza no es el freno de los laboratorios, sino los chips más baratos para las mismas tareas.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre La pausa duró días, no meses?

Dos acontecimientos motivaron la pausa. Según una fuente, los agentes de IA de OpenAI hackearon por accidente Hugging Face, y los primeros datos apuntaban a que el siguiente modelo podría encontrar y explotar vulnerabilidades por sí solo. OpenAI anunció dos semanas, pero reanudó el entrenamiento a los 10 días, a finales de agosto, aunque por ahora mantiene frenadas algunas pruebas experimentales de menor tamaño.

¿Qué se sabe sobre Por qué frenar el entrenamiento no perjudica a los chips?

La primera razón es el desfase temporal. Neil Shah, de Counterpoint Research, explicó que, por los contratos de cómputo y memoria ya firmados, las consecuencias de la pausa se habrían reflejado en los informes unos seis meses después. Antes se habrían visto en los pedidos a TSMC, pero tampoco allí las ventas han flaqueado por ahora. La segunda razón pesa más: la inferencia, es decir, la ejecución de modelos ya entrenados.

Dónde está la verdadera amenaza para Nvidia?

El dominio de Nvidia no está garantizado. Cuando las empresas calculan en serio el coste de atender a millones de usuarios, miran cada vez más hacia los chips personalizados, que son más baratos que las GPU de uso general. Counterpoint prevé que en 2028 los suministros de procesadores de IA especializados para servidores superen a los de GPU para centros de datos. En la llamada con analistas, Timothy Arcuri, de UBS, preguntó si Nvidia tendría que sacrificar margen.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…