NVIDIA ha publicado en su blog, el 1 de octubre de 2026, una propuesta estructurada en torno a las AI Factories: instalaciones diseñadas desde cero para albergar cargas de trabajo de inteligencia artificial a escala de megavatios e incluso gigavatios. El coste de despliegue ronda los 60 millones de dólares por cada megavatio, una cifra que la empresa sitúa como referencia para nuevos anuncios previos al evento GTC Berlin, programado para el miércoles 21 de octubre de 2026, donde Jensen Huang impartirá la conferencia magistral a las 11:00 hora central europea.
La publicación, firmada por Shruti Koparkar, no se limita a presentar una inversión elevada. Introduce tres variables operativas que, según NVIDIA, determinarán la viabilidad económica de estas instalaciones: productividad por vatio, durabilidad del hardware y fungibilidad de las cargas. Este marco conceptual diferencia a las AI Factories de los centros de datos tradicionales, donde la planificación energética y los márgenes seguían patrones establecidos con inversiones por megavatio significativamente menores.
La magnitud económica de las AI Factories
La inversión de 60 millones de dólares por megavatio exige una proyección financiera sólida antes de comprometer capital. Los operadores solo asumirán estos despliegues cuando dispongan de una visión clara sobre cómo recuperarán la inversión, lo que sitúa a las AI Factories en un terreno muy distinto al de los centros de datos convencionales, donde los márgenes eran menores y la planificación se ajustaba a paradigmas anteriores.
Operar a escalas de potencia de megavatios e incluso gigavatios indica que la infraestructura de IA no es una evolución incremental, sino una transformación estructural. La demanda de cargas de trabajo cada vez más complejas y voluminosas requiere una capacidad computacional sin precedentes, y esa capacidad solo se consigue con instalaciones que convergen hardware, refrigeración, energía y red bajo un mismo diseño.
Esta escala implica también un cambio en los perfiles de riesgo. Un centro de datos tradicional puede escalarse de forma modular, añadiendo racks progresivamente. Una AI Factory requiere una inversión inicial masiva que condiciona toda la estrategia del operador. Los plazos de amortización, las previsiones de demanda y la estabilidad de los ingresos por venta de tokens deben validarse antes de iniciar la construcción.
Productividad: máximo rendimiento por vatio
La métrica decisiva para evaluar el retorno de una AI Factory es la cantidad de tokens por segundo que genera cada megavatio consumido. La energía constituye el principal cuello de botella, por lo que a mayor cantidad de tokens producidos dentro de un límite energético fijo, mayores ingresos potenciales.
Según datos de SemiAnalysis AgentX, los sistemas Vera Rubin NVL72 superan en más de 30 veces el rendimiento por megavatio de los GB300 NVL72, y logran una reducción de hasta el 45 por ciento en el coste por millón de tokens al trabajar con el modelo DeepSeek V4 Pro. Estas diferencias provienen de un trabajo de codiseño a lo largo de toda la pila tecnológica: modelos, cargas de trabajo, software, hardware de computación, redes y memoria, optimizados de forma integrada.
El resultado es un sistema que aprovecha cada vatio desplegado con la máxima eficiencia posible. No se trata de mejorar un componente aislado, sino de que cada capa de la arquitectura se comporte como un todo sincronizado.
Un escenario de generación de tokens progresivamente más baratos plantea una pregunta: si cada nueva generación abarata drásticamente el coste, ¿se reducirá la demanda de computación? Según el análisis de NVIDIA, la respuesta es negativa. La reducción de costes hace que más casos de uso resulten económicamente viables, y esos nuevos casos consumen más tokens de los que se ahorran por la ganancia de eficiencia. La demanda se expande en lugar de contraerse.
Durabilidad: hardware que sigue generando ingresos años después
La segunda variable que condiciona la rentabilidad es la vida útil del hardware. No todas las cargas de trabajo requieren la última generación de sistemas, y la adecuación entre hardware y tarea depende de la complejidad y la naturaleza de cada trabajo. Las generaciones previas continúan generando ingresos incluso después de la llegada de nuevas plataformas.
El GPU A100, lanzado en 2020, sigue prestando servicio comercial seis años después. CoreWeave ha prorrogado sus reservas de unidades introducidas en 2020 hasta 2029, lo que ilustra una tendencia general: todos los principales operadores han ampliado sus plazos de depreciación de servidores hacia fechas más lejanas.
Un análisis de Sprout de septiembre de 2026, titulado «The Productive Life of a Data Center GPU», recopila cómo se han movido esos plazos en las principales empresas del sector. Microsoft utilizó su flota de GPUs V100 durante 8,4 años frente a una vida contable de seis años. Barkr sitúa la vida útil entre cinco y seis años para un sistema de ocho GPUs H100, y entre nueve y diez años para un GB300 NVL72, basándose en los precios de reventa de esos equipos. Silicon Data indica que un A100 de seis años conserva la cuarta parte de su valor original, mientras que hace poco más de un año un plan de depreciación de cinco años lo habría dado por amortizado. Ornn Data halla que el mercado paga el 80 por ciento de lo mismo por alquilar un A100 en un contrato de cinco años que en uno de un mes.
Estos datos respaldan la idea de que el hardware de NVIDIA mantiene valor económico mucho más allá de los ciclos habituales de renovación. La combinación de durabilidad y fungibilidad significa que una instalación puede adaptarse a nuevas demandas sin requerir sustitución de hardware, sino reconfiguración de cargas de trabajo.
Fungibilidad: un mismo chip para múltiples cargas
Una fábrica construida exclusivamente para un tipo de trabajo arriesga volverse obsoleta si ese trabajo desaparece o se desplaza. La alternativa es ofrecer infraestructura capaz de ejecutar cualquier tipo de modelo de IA, abiertos y propietarios, en áreas como lenguaje, visión, biología, física y robótica. La plataforma debe funcionar en todas las fases: procesamiento de datos, preentrenamiento, postentrenamiento e inferencia, y en cualquier ubicación: desde hiperescalas y nubes de IA hasta programas soberanos, centros de datos empresariales y el edge.
La versatilidad no se limita a la IA. La misma infraestructura soporta procesamiento de datos, computación científica, simulación, gráficos y otras tareas. Todas estas cargas se reducen a operaciones matemáticas en paralelo que los GPUs ejecutan a través de sus miles de núcleos. CUDA permite que un mismo chip pueda simular luz, plegar proteínas o predecir el siguiente token. Por encima de CUDA, más de 1000 bibliotecas y modelos CUDA-X cubren campos que van desde redes neuronales y litografía computacional hasta simulación de circuitos cuánticos, búsqueda vectorial y modelado climático, con más de 10 millones de desarrolladores trabajando sobre esa base.
Esto convierte a los GPUs NVIDIA en unidades de computación acelerada de propósito general, no en ASIC diseñados para una sola carga. Los Tensor Cores y el Transformer Engine incorporan especialización para IA dentro de una arquitectura programable, combinando flexibilidad y optimización en un solo chip. Esa combinación mantiene altas las tasas de utilización y, con ello, los retornos económicos.
Empresas como Lilly construyen y ejecutan modelos de proteínas, moléculas pequeñas y genómica en un cluster on-premises de 1016 GPUs, además de chatbots y flujos de trabajo de agentes para sus equipos. Pinterest completa el post-entrenamiento e implementación de un modelo de visión y lenguaje en una nube de IA, utilizando 14 000 GPUs que abarcan arquitecturas Blackwell, Hopper y anteriores. Revolut procesa datos de miles de millones de registros de transacciones con cuDF y entrena un modelo fundacional en una nube de IA. Runway entrena un modelo de mundo sobre Hopper y lo sirve en Blackwell a través de infraestructura cloud. La Universidad Texas A&M ejecuta simulaciones moleculares y descubrimiento de fármacos asistido por IA en su supercomputador, alcanzando un 95-98 por ciento de utilización en 26 proyectos repartidos entre siete instituciones.
Más allá de la IA, Cosm opera un centro de datos distribuido con GPUs NVIDIA para reproducción de vídeo en alta resolución, streaming, gráficos en tiempo real y visualización sincronizada. Dassault Systèmes potencia la simulación de gemelos virtuales para la certificación de aeronaves en Wichita State y el diseño de vehículos en Lucid Motors. Unilever genera imágenes de producto a partir de gemelos digitales en lugar de sesiones fotográficas, reduciendo a la mitad los costes de producción.
Qué se sabe y qué no
Se sabe que NVIDIA ha definido un modelo de infraestructura basado en tres variables operativas medibles y que ha comenzado a publicitar los costes de despliegue con cifras concretas. Se sabe también que los sistemas Vera Rubin NVL72 ofrecen un salto de rendimiento significativo respecto a generaciones anteriores, y que el sector ha extendido los plazos de depreciación del hardware existente.
No se sabe aún cuántos operadores estarán dispuestos a asumir inversiones de 60 millones de dólares por megavatio en los próximos dos años, ni cuál será el ritmo real de construcción de estas instalaciones. Tampoco se conoce con certeza si la expansión de la demanda de tokens compensará suficientemente la caída del coste por unidad para mantener márgenes atractivos. La competencia también podría introducir arquitecturas alternativas que modifiquen la relación entre rendimiento, energía y coste.
Existe incertidumbre adicional sobre cómo evolucionará el mercado de reventa de hardware usado, que hasta ahora ha sostenido la durabilidad económica de los equipos, y sobre si los modelos de suscripción y alquiler de GPUs continuarán siendo el canal preferente o si surgirá una mayor diversificación.
Impacto competitivo y posicionamiento de NVIDIA
Con esta arquitectura, NVIDIA se posiciona no solo como proveedor de hardware, sino como arquitecto de una nueva generación de infraestructuras IA a escala industrial. La capacidad de ofrecer una solución integral y optimizada puede consolidar su liderazgo en un mercado donde la eficiencia energética y la escalabilidad son factores decisivos.
Sin embargo, esta estrategia implica riesgos importantes. La elevada inversión por megavatio limita el acceso a estas tecnologías a grandes actores con capacidad financiera, lo que puede restringir la competencia y aumentar las barreras de entrada. Al mismo tiempo, la dependencia del rendimiento energético como factor crítico puede hacer que cualquier avance tecnológico disruptivo por parte de competidores pueda desequilibrar rápidamente el mercado.
Consecuencias para usuarios, empresas y desarrolladores
Para las empresas que contraten capacidad de cómputo, la mayor eficiencia por vatio se traduce en costes operativos más bajos por token, lo que puede abaratar servicios de IA basados en suscripción o pago por uso. Para los desarrolladores, la fungibilidad de la plataforma significa que las aplicaciones creadas con CUDA seguirán funcionando en generaciones posteriores de hardware, reduciendo el riesgo de migración.
Para los operadores de infraestructura, la decisión de construir una AI Factory es mucho más determinante que alquilar espacio en un centro de datos tradicional. Requiere validar la demanda antes de invertir decenas de millones de dólares por megavatio, y la planificación debe tener en cuenta la vida útil extendida del hardware como factor de retorno.
El mercado confirma la extendida vida útil del hardware NVIDIA
Los datos de reventa y alquiler respaldan la idea de que el hardware de NVIDIA mantiene valor económico mucho más allá de los ciclos habituales de renovación. Las proyecciones de vida útil se han extendido consistentemente en todo el sector, y los operadores ajustan sus expectativas contables conforme observan que los equipos siguen produciendo ingresos de forma rentable.
La combinación de durabilidad y fungibilidad significa que una instalación puede adaptarse a nuevas demandas sin requerir sustitución de hardware, sino reconfiguración de cargas de trabajo.
NVIDIA señala que su plataforma está diseñada para maximizar los tres factores simultáneamente: más tokens rentables por vatio, mayor vida útil y demanda más profunda y amplia. La ingeniería de codiseño en toda la pila garantiza el máximo rendimiento, mientras que la optimización continua del software mantiene productivo el hardware instalado años después de su comercialización. La arquitectura estandarizada, basada en diseños de referencia validados, pone todo el conjunto al alcance de cualquier operador.
La consecuencia para el mercado es clara: solo los actores con estrategia financiera consolidada y visión clara del retorno podrán construir y operar estas instalaciones a escala de gigavatios. Eso tiende a concentrar aún más la capacidad de cómputo avanzado en manos de quienes disponen de los medios para asumir inversiones de decenas de millones de dólares por megavatio, con plazos de amortización que se alargan y plataformas capaces de generar ingresos durante muchos años gracias a su versatilidad.
Señales a vigilar
Será fundamental observar la evolución de los costes de construcción y operación de estas AI Factories, y cómo se comparan con alternativas más modulares o menos especializadas. También conviene seguir la respuesta de la competencia y la posible aparición de nuevas arquitecturas que puedan desafiar el modelo de NVIDIA.
La capacidad de NVIDIA para mantener su ventaja tecnológica mediante el codiseño integral y su habilidad para atraer clientes capaces de asumir las inversiones será otro indicador clave. Por último, la evolución del mercado de tokens generados y su valoración económica determinarán en última instancia la rentabilidad real de estas infraestructuras.
