El Problema de la Electricidad en el Corazón de la IA Moderna
Cada centro de datos de IA funciona con un presupuesto energético fijo. La empresa que logra extraer más trabajo útil de cada vatio gana. Esto es lo que significa en términos claros.
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 el análisis SemiAnalysis InferenceX citado en el propio blog de NVIDIA.
- Las mejoras de software por sí solas aumentaron el rendimiento por vatio en un modelo en hasta 5 veces en un solo mes en 2025.
- NVIDIA afirma que su software de gestión de energía permite a los operadores ejecutar hasta un 40 por ciento más de chips dentro del mismo presupuesto de electricidad.
- Anthropic, OpenAI y Perplexity actualmente ejecutan cargas de trabajo de producción en hardware Blackwell, según NVIDIA.
- Las cifras aquí provienen de un artículo promocional de NVIDIA, no de un estudio independiente revisado por pares.
La IA es un problema de electricidad. Cada vez que un chatbot responde tu pregunta, o un agente de IA (software que ejecuta tareas de múltiples pasos por sí solo) maneja una tarea para ti, un centro de datos consume energía para hacerlo. Esa instalación tiene un presupuesto de electricidad fijo. La empresa que extrae la mayor salida útil de ese presupuesto gana más dinero; la que no puede, no puede escalar.
NVIDIA llama a esto "rendimiento por vatio": cuánta salida de IA obtienes por cada unidad de electricidad consumida. Cuanto mayor sea esa cifra, más tokens (los pequeños fragmentos de texto que procesan los sistemas de IA) puede producir una instalación antes de alcanzar su límite de energía.
Los números que publicó NVIDIA son sorprendentes. Su sistema GB300 NVL72, una plataforma de servidor a escala de bastidor construida alrededor de sus últimos chips Blackwell, presuntamente entrega hasta 25 veces mejor rendimiento por vatio que su generación Hopper anterior en DeepSeek V4 Pro, uno de los modelos de IA abiertos actuales. GLM5.1, otro modelo de frontera, muestra una ganancia de hasta 20 veces. Kimi K2.6, construido 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 artículo de blog de NVIDIA. No provienen de un estudio revisado por pares o una auditoría independiente.
¿Afecta esto a las personas ordinarias?
Sí, indirectamente pero de manera significativa. La velocidad y el costo de las herramientas de IA que la gente usa todos los días dependen de la eficiencia con que funcionan los centros de datos. Perplexity dice que sirve millones de consultas diarias en hardware Blackwell. Una infraestructura más eficiente significa que los servicios construidos sobre ella pueden ser más rápidos y económicos.
NVIDIA también destaca una fuga menos obvia: la refrigeración. 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 software DSX MaxLPS de NVIDIA, que cambia la energía entre chips en tiempo real y soporta refrigeración líquida, tiene como objetivo recuperar parte de ese desperdicio, permitiendo a los operadores ejecutar hasta un 40 por ciento más de chips dentro del mismo presupuesto energético.
Para Anthropic y OpenAI, que según NVIDIA ejecutan inferencia en Blackwell NVL72, se trata de economía tanto como de ingeniería. Más salida por vatio significa menor costo por consulta, lo que impacta directamente en los márgenes.
El software importa tanto como el hardware. En DeepSeek V4, las actualizaciones de la pila de software de inferencia de NVIDIA mejoraron el rendimiento por vatio en hasta 5 veces en un solo mes, una ganancia considerable sin reemplazar un solo chip. Nuestro artículo del 15 de julio encontró el mismo patrón emergiendo en toda la industria: las empresas se reorientan silenciosamente del tamaño bruto del modelo hacia sistemas más baratos y eficientes.
Todo esto prepara el terreno para la próxima plataforma de NVIDIA, Vera Rubin, que según la empresa impulsará aún más la eficiencia a escala de bastidor.
La tensión central es real aunque el marketing sea selectivo. La electricidad es finita. El apetito de la IA no lo es. Lo que hay que observar: si los investigadores independientes replican estas ganancias de eficiencia, y si los ahorros de costos realmente llegan a las personas que pagan por los servicios de IA o se quedan dentro del centro de datos.
