El problema de electricidad en el corazón de la IA moderna
Cada centro de datos de IA funciona con un presupuesto de energía fijo. La empresa que logra más trabajo útil de IA por vatio gana. Aquí está lo que significa en términos simples.
Puntos clave
- El sistema GB300 NVL72 de NVIDIA entrega hasta 25 veces más trabajo útil de IA por vatio que la generación Hopper anterior, según un análisis de SemiAnalysis InferenceX.
- Las mejoras de software por sí solas aumentaron el desempeño por vatio en un modelo hasta 5 veces dentro de un mes en 2025.
- NVIDIA afirma que su software de gestión de energía permite a los operadores ejecutar hasta un 40 por ciento más chips dentro del mismo presupuesto de electricidad.
- Empresas como Anthropic, OpenAI y Perplexity actualmente ejecutan cargas de trabajo de producción en hardware Blackwell NVL72, según NVIDIA.
- Las cifras en este artículo provienen de una publicación promocional de NVIDIA, no de un estudio revisado por pares independiente.
La IA es, en esencia, un problema de electricidad.
Cada vez que un chatbot responde tu pregunta o un agente de IA, software que realiza tareas de múltiples pasos por su cuenta, reserva tu viaje o redacta tu documento legal, un centro de datos en algún lugar consume energía para hacerlo. Ese centro de datos tiene un presupuesto de electricidad fijo. La empresa que genera la mayor cantidad de salida útil de ese presupuesto gana más dinero. La que no lo hace, no puede escalar.
NVIDIA describe esto como "desempeño por vatio", lo que significa cuánta salida de IA obtienes por cada unidad de electricidad consumida. Cuanto mayor sea ese número, más tokens (pequeños fragmentos de texto que los sistemas de IA procesan) una instalación puede producir antes de alcanzar su límite de energía.
Las cifras que NVIDIA publicó son impactantes. Su sistema GB300 NVL72, una plataforma de servidor a escala de rack construida alrededor de sus últimos chips Blackwell, entrega aparentemente hasta 25 veces más desempeño por vatio que su generación Hopper anterior en DeepSeek V4 Pro, uno de los modelos de IA abierta actuales. En GLM5.1, otro modelo de frontera, la ganancia es de hasta 20 veces. En Kimi K2.6, un modelo diseñado para tareas automatizadas más largas, alcanza hasta 10 veces.
Esas cifras provienen de SemiAnalysis InferenceX, un grupo de evaluación comparativa de terceros, citado en el propio blog de NVIDIA. No son de un estudio revisado por pares o una auditoría independiente.
¿Afecta esto a la gente común?
Sí, indirectamente pero de manera significativa. La velocidad, el costo y la disponibilidad de las herramientas de IA que la gente común usa todos los días dependen de lo eficiente que funcionen los centros de datos. Perplexity, la empresa de búsqueda de IA, dice que ejecuta cientos de millones de consultas diarias en hardware Blackwell. Si la infraestructura subyacente se vuelve más eficiente, los servicios construidos sobre ella pueden volverse más rápidos y baratos.
NVIDIA también destaca un drenaje menos obvio: el enfriamiento. En una instalación típica de IA, solo alrededor del 60 por ciento de la electricidad extraída de la red llega realmente a los chips y realiza trabajo útil. El resto se pierde en gestión de calor y otras ineficiencias. El software DSX MaxLPS de NVIDIA, que transfiere energía entre chips en tiempo real y admite enfriamiento líquido, tiene como objetivo recuperar algo de ese desperdicio.
Para las empresas que ejecutan estos sistemas, Anthropic y OpenAI entre ellas según NVIDIA, se trata tanto de economía como de ingeniería. Más salida por vatio significa menor costo por consulta, lo que se refleja directamente en márgenes de ganancia.
El software importa tanto como el hardware aquí. NVIDIA dice que en DeepSeek V4, las actualizaciones de su pila de software de inferencia mejoraron el desempeño por vatio hasta 5 veces dentro de un mes. Esa es una ganancia importante sin reemplazar un solo chip.
Todo esto es preparación para la próxima plataforma de NVIDIA, llamada Vera Rubin, que la empresa dice que llevará la eficiencia a escala de rack aún más lejos.
La tensión central es real aunque el marketing sea selectivo: la electricidad es finita, el apetito de la IA no lo es, y cada laboratorio que construye el próximo modelo de frontera tiene que lidiar con esa brecha.
