Nvidia facturó unos USD 115.000 millones en su división de centros de datos durante el año fiscal 2025. Casi todo ese dinero salió de un solo tipo de chip: la GPU (unidad de procesamiento gráfico), que hoy entrena la mayoría de los modelos de inteligencia artificial del mundo. La explicación habitual es que tiene el mejor hardware. Mi lectura es distinta: el hardware explica una parte, y el resto está en el software.
El verdadero foso de Nvidia es CUDA. Un foso, en jerga de inversión, es una ventaja defensiva que los competidores no pueden copiar con facilidad. CUDA es la plataforma de programación que Nvidia lanzó en 2007 para que los desarrolladores usaran sus chips. Desde entonces, millones de ingenieros han escrito código, bibliotecas y herramientas pensando en ella.
Ese código no se muda a otro chip de un día para otro. Aquí está el problema para cualquier competidor. Un chip más rápido no basta. Si el cliente debe reescribir meses de trabajo para usarlo, prefiere pagar más por lo que ya conoce.
Google lo sabe desde hace años. Sus TPU (unidades de procesamiento tensorial, chips diseñados por la propia Google para inteligencia artificial) existen desde 2015. Su hardware compite bien en varias tareas. Aun así, el mercado lo trata como alternativa de nicho. El problema no está en los transistores. Está en el software.
PyTorch, la puerta que Google quiere abrir
PyTorch es una biblioteca de código abierto creada por Meta para escribir modelos de IA. Hoy es el estándar en investigación y en buena parte de la industria. Casi todo lo que publican los laboratorios académicos se escribe en PyTorch, y muchos de esos proyectos terminan en producción.
Ahí entra TorchTPU. Es un proyecto que busca que PyTorch funcione de forma nativa y eficiente sobre TPU. Un ingeniero escribiría su código como ya lo hace y lo ejecutaría en TPU sin reescribir la base. Esa es la idea central.
Si eso funciona, la barrera de CUDA deja de ser una cárcel. Se convierte en una preferencia. Y las preferencias se pueden negociar.
Hay una advertencia que no puedo pasar por alto. PyTorch sobre TPU no equivale a PyTorch sobre GPU con todo su ecosistema. Nvidia acumula años de bibliotecas optimizadas, como cuDNN (biblioteca de funciones para redes neuronales) y NCCL (herramienta para que muchos chips trabajen juntos). Ese trabajo no aparece en un anuncio. Hay que probarlo con cargas reales, modelos reales y equipos con paciencia para depurar.
Por eso TorchTPU no derrota a Nvidia. Le quita su argumento más fuerte: que cambiar de proveedor es demasiado caro.
Quién paga el costo de cambiar
La mayoría de las empresas de América Latina no compra chips. Alquila cómputo a través de AWS, Microsoft Azure o Google Cloud. Un banco, una fintech o una aseguradora consume GPU como servicio por hora. No decide qué chip hay debajo. Decide con qué nube trabaja.
Hoy esa decisión tiene poco margen. Si una empresa quiere salir de Nvidia dentro de su nube, reescribe código, contrata especialistas y asume meses de riesgo. Casi nadie lo hace. El proveedor lo sabe, y por eso el precio casi nunca baja por presión del cliente.
Cuando el cambio cuesta menos, la conversación cambia. Un director de tecnología podría decir: "Ofréceme un precio por entrenamiento o pruebo TPU, y mi equipo ya tiene PyTorch funcionando allí". Hoy esa frase suena poco creíble para muchos. Si TorchTPU madura en dos o tres años, será una amenaza real.
Google Cloud opera regiones en Santiago de Chile y en Querétaro, México, así que la oferta ya existe en la región. Lo que falta es que la portabilidad sea barata y confiable. Sin eso, el comprador sigue atado.
Aquí aparece la paradoja. La presión no la ejerce solo Google. La ejerce cualquier estándar abierto que permita mover cargas de trabajo entre chips. Cuando el software se vuelve portable, el hardware pierde parte de su valor de bloqueo. El margen de quien vende ese bloqueo se erosiona.
Lo que Nvidia todavía tiene
Nvidia no tiene problemas inmediatos. Su participación en aceleradores de IA ronda el 80%. Su red de clientes es enorme, su ritmo de lanzamientos es rápido y su ventaja en redes de alta velocidad entre chips es real. Muchas empresas, además, ya tienen contratos, equipos entrenados y flujos de trabajo construidos alrededor de su hardware.
Pero el mercado paga por la exclusividad. Si la exclusividad se debilita, el margen también. Nvidia mantiene un margen bruto (lo que queda de cada dólar vendido después de costos directos) cercano al 75% en sus cifras ajustadas. Ese nivel depende de que los clientes no tengan alternativas creíbles.
Esa es la señal que vigilo. No la cuota de mercado, que tarda en moverse. El margen, que cambia cuando el poder de negociación se mueve de lado.
Mi predicción
Para el 31 de enero de 2028, el margen bruto no ajustado de Nvidia caerá por debajo del 70% en al menos un trimestre fiscal. No será por una caída de demanda. Será porque sus grandes clientes, los proveedores de nube y los laboratorios de IA, tendrán una alternativa portable y un argumento para pedir precio. Si me equivoco, el software pesó menos de lo que creo, y el foso es más profundo de lo que parece.
Para las empresas hispanohablantes, la lección es concreta. Antes de firmar un contrato de cómputo de varios años, pregunta cuánto cuesta moverte. Exige precios por resultado, no por hora. Revisa si tus equipos escriben en PyTorch sin depender de bibliotecas exclusivas de un solo proveedor.
El día en que cambiar de chip cueste lo mismo que cambiar de servidor de correo, el cómputo dejará de ser un destino obligatorio. Pasará a ser un precio. Y los precios, a diferencia de las dependencias, se pueden discutir.
