OpenAI compra chips de Google y deja de depender en exclusiva de Nvidia para alimentar sus modelos de inteligencia artificial. El laboratorio que dirige Sam Altman negocia con el gigante de Mountain View la adquisición de sus TPU para los centros de datos que levanta en Texas, Nuevo México, Wisconsin, Ohio y Michigan, según adelantó The Information.
Claves de la operación
- Nvidia deja de ser el único proveedor. Las GPU seguirán sosteniendo el entrenamiento, pero la inferencia —la fase donde se juega el coste real del negocio— empieza a repartirse entre Google y el chip propio de OpenAI.
- Google factura a su competidor directo. El acuerdo convierte a uno de los mayores rivales de Gemini en cliente de sus procesadores, una fuente de ingresos que hasta ahora apenas salía de su propia nube.
- El cuello de botella sigue en TSMC. Ni OpenAI ni Google fabrican: la disponibilidad de obleas condiciona el calendario y explica por qué los laboratorios buscan una segunda vía de suministro.
Google convierte a su mayor rival en su nuevo cliente
La relación no arranca de cero. OpenAI alquila capacidad de TPU a Google desde 2025, una fórmula que le permitió cubrir picos de demanda sin comprometer compras mil millonarias. El paso que se negocia ahora es distinto: pasar del alquiler a la compra de los procesadores y sentar a un proveedor alternativo en la mesa de diseño de la infraestructura.
Las TPU son los procesadores de Google Cloud diseñados para cargas de aprendizaje automático. Su ventaja competitiva no está en el rendimiento bruto de una sola unidad, sino en el coste por operación cuando el trabajo es inferencia a escala, justo el tipo de tarea que se multiplica cuando un modelo atiende a cientos de millones de peticiones diarias.
Para Google, vender a OpenAI tiene una lógica que incomoda dentro del sector: cada TPU colocada en un centro de datos ajeno es un ingreso que no depende de ganar la carrera de modelos. La compañía compite con OpenAI en IA, sí, pero también compite con Nvidia en el negocio del silicio, y ahí el rival es otro.
Nvidia, el eslabón que empieza a ceder
Nvidia sigue siendo el estándar de facto del entrenamiento. Su posición en aceleradores es abrumadora y sus márgenes lo reflejan, pero esa hegemonía tiene una grieta: el cliente más grande del mundo en cómputo no quiere ser rehén de un solo proveedor. Las GPU de la compañía de Jensen Huang cuestan mucho y su disponibilidad oscila al ritmo de lo que TSMC consigue sacar de fábrica. La dependencia de una sola fundición encarece cada retraso de la cadena.
El negocio del cómputo se parece cada vez menos a una carrera de modelos y más a una disputa por quién controla el silicio que los hace posibles.
En paralelo, OpenAI construye su propia baza. A finales de agosto presentó Jalapeño, un chip optimizado para inferencia que no sustituye a las GPU en el entrenamiento pero sí rebaja la factura en la fase de servicio. La combinación que se dibuja son tres capas de silicio para un mismo modelo: Nvidia para entrenar, Google para inferir a escala y silicio propio para ajustar el margen donde más duele.
El movimiento no es aislado. Anthropic recorre el mismo camino y los laboratorios chinos llevan tiempo buscando alternativas por una razón más contundente: las restricciones a la exportación del Gobierno de Estados Unidos les cierran el acceso a los aceleradores más potentes. Ellos no eligen; el resto de la industria empieza a elegir.
Lo que se juega Europa en la carrera del cómputo
España no tiene un fabricante de aceleradores con el que competir con Nvidia, pero sí mantiene exposición indirecta. Los operadores de infraestructura del IBEX 35, con Cellnex, y Telefónica a la cabeza, revenden capacidad cloud y servicios gestionados, y su margen se mueve al ritmo del precio mayorista de la computación acelerada. El precio del cómputo ajeno marca el margen de los operadores: si la oferta de alternativas crece, se afloja; si el cuello de botella continúa, se encarece.
La lectura que hacemos desde aquí tiene un matiz incómodo para el relato dominante. La carrera por la computación se resuelve en cinco estados de Estados Unidos y en las fábricas de TSMC, no en los planes europeos de soberanía digital. Europa compra fuera la capacidad que dice querer construir en casa, y esa dependencia nace con una desventaja estructural difícil de compensar con presupuesto público.
Queda una incertidumbre que nadie ha despejado: no está claro que los laboratorios vayan a resolver la tensión entre ser rentables y seguir quemando miles de millones en infraestructura. Abaratar la inferencia no cierra por sí solo la ecuación del negocio. La próxima cita para medirlo son las cuentas trimestrales de Google y el detalle de inversión en cómputo que la compañía desglose ante los analistas.
