Nvidia: la nueva ventaja está más allá del GPU

La nueva narrativa de Nvidia: la ventaja ya no está solo en el chip

Hasta esta semana, la historia dominante sobre Nvidia se repetía en cada earnings call: durante los primeros años del boom de la IA, la empresa era el único proveedor real de GPUs de última generación, y eso se tradujo en márgenes históricos. Después, cuando hyperscalers como Amazon y Google empezaron a fabricar sus propios chips, el mercado empezó a preguntarse cuánto duraría esa ventaja.

Esa narrativa cambió el miércoles, tras los resultados del segundo trimestre fiscal 2027 de Nvidia. La empresa reportó ingresos de US$96.220 millones, frente a una estimación de US$92.170 millones, con un BPA ajustado de US$2,22 y un crecimiento interanual del 106%, según datos de LSEG recogidos por CNBC. Su división de Data Center facturó US$89.020 millones, un 117% más que el año anterior, y ya representa más del 92% del negocio total. La acción subió alrededor de un 4% tras la publicación.

Lo importante para founders e inversores no fue solo el número: la CFO Colette Kress guió un crecimiento del 70% para el año fiscal 2028, muy por encima del 44% que esperaba el consenso, y explicó que las previsiones de los clientes "apuntan a que nuestro crecimiento se duplique el año que viene". Esa cifra reconfiguró la percepción del mercado sobre qué vende Nvidia realmente.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Por qué la orquestación importa más que el GPU puro

Cuando la IA escala hacia el rango del gigavatio, mover datos a la velocidad correcta se vuelve más complejo y más caro que ejecutar los propios modelos. Ahí es donde Nvidia está ampliando su ventaja con la arquitectura Vera Rubin, que ya está en producción completa desde junio de 2026 y de la que Microsoft, Google Cloud, CoreWeave, OpenAI y Oracle ya están recibiendo los primeros racks completos.

Cada sistema Vera Rubin NVL72 combina una GPU Rubin con un CPU Vera de 88 núcleos, hasta 288 GB de memoria HBM4 por chip GPU, conectividad NVLink y refrigeración líquida. Según Nvidia, la plataforma ofrece hasta 5 veces más rendimiento en inferencia y 3,5 veces más capacidad de entrenamiento comparada con la generación anterior Blackwell. CoreWeave, uno de los primeros adoptantes, reportó un aumento de 10 veces en throughput de IA por megavatio con los nuevos sistemas, según datos publicados por CryptoBriefing.

El CPU Vera, descrito por Nvidia como el "primer CPU construido para agentes de IA", incorpora 88 núcleos Olympus con multithreading espacial y memoria LPDDR5X con ancho de banda de hasta 1,2 TB/s. En palabras de Jason Hardy, VP de storage technology de Nvidia, recogidas por TechCrunch: "Vera es importante porque solo cabe tanta memoria en un único servidor o plataforma de cómputo". Hardy añadió que están viendo mejoras de más de 3 veces en operaciones de orquestación, lo que permite aprovechar al máximo el almacenamiento flash sin cuellos de botella.

El mensaje es directo: si la GPU es el motor, el resto del rack (CPU, acelerador de inferencia, red, almacenamiento) es el coche completo. Y Nvidia ya lo vende como un sistema integrado.

Lo que están haciendo los rivales: el caso de OpenAI Jalapeño

La presión competitiva, sin embargo, no viene solo de AMD o Intel. OpenAI publicó este mes los primeros resultados de su chip Jalapeño, un acelerador de inferencia desarrollado con Broadcom y Celestica, diseñado específicamente para reducir el movimiento de datos.

En pruebas sobre los modelos GPT-OSS 120B, DeepSeek R1 y Kimi K2.5 1T usando el benchmark público InferenceX de SemiAnalysis, OpenAI reportó 1,5 a 1,9 veces más trabajo de IA por vatio y 1,7 a 3,6 veces menos latencia de extremo a extremo frente a sistemas comerciales basados en Nvidia GB200 y GB300. En el caso concreto de Kimi K2.5, Jalapeño entregó 18.195 tokens mixtos por segundo por kilovatio, frente a 11.862 del sistema de comparación GB300, con una latencia de 1,56 segundos frente a 5,31.

La cita clave del blog de OpenAI: "Diseñamos Jalapeño para minimizar el movimiento de datos y los retrasos de comunicación. Su gran dominio permite que la carga de trabajo completa permanezca dentro de un sistema conectado". Es una estrategia distinta a la de Nvidia: en lugar de construir el mejor sistema distribuido, OpenAI intenta reducir al mínimo la necesidad de mover datos en primer lugar.

El CEO Sam Altman confirmó que Jalapeño se desplegará en infraestructura propia de OpenAI antes de fin de año, mientras se mantienen los envíos de Nvidia y otros proveedores para entrenamiento e inferencia. Es decir, no es un reemplazo, es una nueva capa de elección.

El resto del tablero: AWS, Arm y la presión sobre la memoria

El mismo día de los resultados de Nvidia, AWS anunció la expansión de su colaboración con la empresa para desplegar 2 millones de GPUs Nvidia adicionales entre 2027 y 2028, incluyendo infraestructura basada en el CPU Vera. AWS también construirá factorías de IA con 100.000 GPUs sobre infraestructura segura para el gobierno de EEUU, según el comunicado oficial recogido por Yahoo Finance.

Arm, por su parte, se posicionó como contendiente serio en CPUs para IA con el lanzamiento de su AGI CPU en marzo de 2026 y el anuncio en agosto, en la conferencia Hot Chips, de su chip conjunto con IBM que ejecutará los set de instrucciones s390x y Aarch64 sobre los mismos núcleos. Según TechTarget, en un rack refrigerado por aire de 36 kW, el AGI CPU de Arm permite empaquetar 30 servidores 1U con 8.160 núcleos, frente a 17 servidores 2U y 4.352 núcleos en un rack comparable de CPUs x86.

Y hay un factor extra: la escasez global de memoria. El backlog de compromisos de suministro de Nvidia subió a US$279.000 millones, mayoritariamente ligado a memoria para Vera Rubin, según datos publicados por 24/7 Wall St. y HotHardware. Esa presión sobre los precios es exactamente la que hace que la orquestación eficiente de datos sea más rentable que comprar más chips: cada token extra que sale de un GPU mal alimentado es margen perdido.

¿Qué significa esto para tu startup?

La lectura para founders no es "Nvidia vuelve a ser infallible". Es que la capa de infraestructura que decide quién gana y quién paga más se está desplazando del silicio puro al sistema completo. Eso abre tres implicaciones concretas:

El coste real de la inferencia baja para todos, pero no linealmente. Nvidia asegura 5 veces más rendimiento en inferencia con Vera Rubin, y OpenAI promete hasta 1,9 veces más trabajo por vatio con Jalapeño. Si tu producto depende de servir muchos tokens por usuario (chatbots, agentes, copilots), conviene renegociar contratos cloud en los próximos 12 meses: los proveedores están compitiendo por ofrecer mejor precio por token.
Diseñar para orquestación, no solo para GPUs. Si construyes sobre infraestructura propia o colocaltion, el cuello de botella deja de ser la GPU y pasa a ser cómo mueves datos entre CPU, memoria y acelerador. Empieza a preguntar por tokens-por-vatio, no solo por número de GPUs, cuando licites capacidad.
La dependencia de un solo proveedor baja. El propio OpenAI, el cliente más grande del mundo para GPUs Nvidia, ya ejecuta una estrategia multi-chip. Para una startup eso significa más opciones de融資 y de arquitectura, pero también más complejidad técnica: vas a necesitar perfiles que entiendan ARM, x86, NVLink y Ethernet de forma conjunta, no aislados.

El listado de espera para Vera Rubin ya incluye a Microsoft, Google, CoreWeave, OpenAI, Oracle y AWS. Si estás construyendo sobre alguna de esas nubes, pregunta por disponibilidad de racks Vera Rubin antes de fin de año: según Nvidia, la oferta seguirá siendo un cuello de botella durante todo el año fiscal 2028.

Conclusión

Nvidia dejó de ser solo una empresa de GPUs. Con Vera Rubin convirtió el silicio en una plataforma integrada de orquestación, y los números del Q2 lo dejaron claro: US$96.220 millones de ingresos, US$89.020 millones de Data Center, backlog de US$279.000 millones y guidance de 70% para 2028. Mientras tanto, OpenAI Jalapeño, AWS con sus propios chips y Arm en el segmento CPU demuestran que la nueva frontera no es fabricar el chip más rápido, sino fabricar el sistema más eficiente. Para founders, eso significa una sola cosa: en los próximos 18 meses, el coste y la disponibilidad de tu inferencia dependerán más del rack completo que del GPU que lo acompaña.