Las ambiciones de Google con sus TPU, el creciente imperio ASIC de Broadcom y el desacoplamiento estratégico de Nvidia están redefiniendo quién controla el futuro de la inteligencia artificial.
Durante los últimos años, el dominio de Nvidia en el cómputo para IA se ha tratado menos como una condición de mercado y más como una ley de la física. Las GPU H100 y A100 se convirtieron en el estándar de facto para el entrenamiento y la inferencia en todos los modelos de frontera, desde GPT-4 hasta Gemini, y la cotización en bolsa del fabricante de chips de Santa Clara reflejaba esta insustituibilidad percibida. Sin embargo, las placas tectónicas del mercado de semiconductores para IA se han estado desplazando a una velocidad extraordinaria. En el ecosistema de los hyperscalers, las organizaciones de software más poderosas del planeta están dejando inequívocamente claro que ya no desean seguir siendo clientes de un único proveedor de hardware: pretenden convertirse ellas mismas en uno.
El movimiento más reciente de Google cristaliza esta intención con una franqueza inusual. En el Google I/O 2025, la compañía presentó su séptima generación de Tensor Processing Unit, con nombre en clave “Ironside”, un chip diseñado específicamente para acelerar tanto el entrenamiento como la inferencia en toda su infraestructura de IA interna. Ironside no es una actualización incremental. Según las propias comunicaciones de rendimiento de Google, el nuevo TPU ofrece una mejora de 4,7 veces en el rendimiento por vatio respecto a su predecesor y ha sido diseñado desde cero para gestionar las exigencias de los modelos más intensivos computacionalmente de Google, incluida la familia Gemini. Más significativo aún, Google anunció planes para desplegar Ironside como sustrato principal de sus servicios de IA en la nube, poniéndolo directamente a disposición de los clientes empresariales como alternativa a las instancias basadas en GPU. Este es el punto de inflexión crítico: un chip personalizado diseñado para la eficiencia interna es ahora un producto comercial que compite en el mercado abierto.
El cálculo estratégico que subyace a esta decisión no es difícil de interpretar. Los precios de los clústeres H100 de Nvidia han ejercido una presión de capital extraordinaria sobre los hyperscalers, con ejecuciones de entrenamiento para modelos de frontera que cuestan cientos de millones de dólares a las tarifas comerciales de GPU. Al ser dueño del nivel del silicio, Google puede eliminar el margen que Nvidia extrae de cada unidad, comprimir los costes de inferencia hasta niveles que hacen económicamente viables los servicios de IA en tiempo real a escala, y — quizás lo más importante — reducir la dependencia de la cadena de suministro que dejó a muchas organizaciones en una situación comprometida durante la escasez de GPU de 2022–2023. La integración vertical en hardware no es un concepto nuevo en el sector tecnológico, pero su aplicación al silicio específico para IA a esta velocidad y escala no tiene precedentes.
El Silencioso Ascenso de Broadcom como el Gran Árbitro del Silicio Personalizado
Mientras Google construye internamente, otro actor menos conspicuo está consolidando rápidamente su posición como socio fabricante preferido para quienes desean silicio de IA personalizado sin los recursos de ingeniería de Google: Broadcom. En las últimas semanas, la compañía hizo públicos acuerdos importantes de diseño y suministro tanto con Google como con Anthropic, relativos a lo que Broadcom denomina “XPU”: circuitos integrados de aplicación específica (ASIC) construidos a medida según los requisitos arquitectónicos de las cargas de trabajo de IA de cada cliente. El acuerdo con Anthropic es particularmente relevante. Anthropic, la empresa detrás de Claude y una creciente cartera de servicios de IA empresarial, ha dependido históricamente casi por completo de infraestructura GPU de terceros, principalmente Nvidia y, en menor medida, los chips Trainium de Amazon a través de su asociación con AWS. La decisión de encargar ASIC dedicados a través de Broadcom señala una maduración en la estrategia de infraestructura de Anthropic y un reconocimiento de que la ventaja competitiva sostenida en IA no puede construirse exclusivamente sobre hardware de uso general.
Se prevé que el negocio XPU de Broadcom genere entre 60.000 y 90.000 millones de dólares en ingresos acumulados hasta 2027, según las propias previsiones de la compañía publicadas a finales de 2024, cifras que habían parecido improbables dos años antes. La capacidad de la compañía para traducir la arquitectura de un modelo de cliente en silicio sobre los nodos de proceso más avanzados de TSMC (actualmente, en el segundo trimestre de 2026, a 3nm) con relativa rapidez y eficiencia de costes la ha convertido en el intermediario lógico para las organizaciones que necesitan diferenciación de hardware pero carecen de las relaciones milenarias con las fundiciones y los miles de arquitectos de chips de los que disponen compañías como Google y Apple. En este sentido, Broadcom no compite tanto con Nvidia como que habilita un paradigma de adquisición completamente diferente.
Un Cambio Estructural, No Cíclico
Sería tentador interpretar estos desarrollos como una reacción competitiva temporal al poder de precios de Nvidia. La evidencia no respalda esa lectura. Microsoft ha invertido más de 1.000 millones de dólares en el desarrollo de su acelerador de IA Maia 100, que comenzó a desplegar internamente y a través de Azure en 2024. Trainium2 de Amazon ya está ampliamente disponible y sustenta porciones significativas de la prestación de servicios de IA de AWS. Meta dispone de su chip de inferencia MTIA en despliegue de producción en sus sistemas de recomendación y ranking. La arquitectura Neural Engine de Apple continúa evolucionando con cada generación sucesiva de silicio. Lo que estamos presenciando es un desacoplamiento estructural de la capacidad de IA del suministro de GPU de propósito general, impulsado por el reconocimiento de que los costes económicos y estratégicos de la dependencia se han vuelto inaceptables en la frontera.
Para los responsables de TI y los decisores tecnológicos, este cambio tiene implicaciones operativas directas. La capa de abstracción de hardware que los proveedores en la nube han ofrecido históricamente está siendo cada vez más específica de la arquitectura. Los modelos entrenados sobre TPU rinden de forma diferente y requieren perfiles de optimización distintos a los entrenados sobre H100. Los costes de inferencia, las características de latencia y el ancho de banda de memoria varían significativamente entre las diferentes arquitecturas ASIC. Las organizaciones que están desarrollando capacidades de IA serias internamente necesitarán tener en cuenta cada vez más la especificidad del hardware en sus estrategias de selección y despliegue de modelos, en lugar de tratar el silicio como un sustrato neutro.
Nvidia, por su parte, no está quieta. La arquitectura Blackwell y la plataforma Rubin presentada para el segundo semestre de 2026 representan saltos en la densidad de cómputo bruto y la eficiencia energética, y el ecosistema de software CUDA sigue siendo un foso competitivo formidable que ningún proveedor de ASIC ha logrado erosionar con éxito a escala. Pero la dinámica competitiva ha cambiado. Los hyperscalers ya no son consumidores pasivos de la hoja de ruta de Nvidia; ahora son arquitectos activos de la propia. Y a medida que el silicio personalizado se vuelve más accesible a través de socios como Broadcom, esa dinámica empieza a extenderse a una nueva categoría de empresas centradas en la IA que tienen la escala necesaria para justificar la inversión en hardware a medida.
La era de la monocultura de hardware para la IA está llegando a su fin. Lo que la sustituirá será un panorama más fragmentado, más especializado y en última instancia más competitivo, en el que la capacidad de comprender, evaluar y poner en marcha entornos de cómputo heterogéneos se convertirá en un diferenciador genuino para cualquier organización seria en el despliegue de IA a escala.
