Microsoft Maia 300: chip propio para no depender de Nvidia

Microsoft presentó Maia 300, su tercer chip de inteligencia artificial diseñado internamente, con una promesa muy concreta: entregar 40% más tokens por megavatio que los sistemas líderes basados en GPU, según Scott Guthrie, vicepresidente ejecutivo del grupo cloud de la compañía. Para un founder que paga la factura de cómputo todos los meses, ese número no es un detalle de ingeniería: es la diferencia entre que tu producto de IA tenga margen o no lo tenga. El chip empezará a desplegarse en producción en 2027.

¿Qué anunció Microsoft con el chip Maia 300?

La compañía posiciona a Maia 300 como el "sistema primario de inferencia de IA" para sus productos y servicios. No es una pieza de laboratorio: es el reemplazo declarado de las GPU de terceros en la capa donde corre la IA que ya usan millones de personas.

Guthrie detalló dos métricas de eficiencia. La primera es ese 40% más de tokens por megavatio frente a los sistemas basados en GPU líderes del mercado. La segunda es de escala: en una configuración completa de 96 aceleradores, Maia 300 entrega hasta 7 veces el throughput de tokens por rack de Maia 200. Con esas cifras sobre la mesa, la compañía anunció que escalará la familia Azure Maia a despliegues de múltiples gigavatios a partir de 2027.

En el plano técnico, el cambio de arquitectura es la clave. Maia 300 usa una arquitectura de chiplets fabricada sobre el nodo N2P de TSMC, que separa las funciones de cómputo, controlador de memoria y entrada/salida. Según el equipo de hardware e infraestructura de Azure, esto "incrementa el área de silicio dedicada al rendimiento de cómputo y permite que cada función use la tecnología más adecuada para su rol".

El diseño apunta a tres cargas que hoy dominan la producción real de IA: razonamiento de contexto largo, experiencias conversacionales sensibles a la latencia y tareas agénticas sostenidas de múltiples pasos. Es exactamente el tipo de workload que crece cuando un equipo pasa de un chatbot de demo a un agente que ejecuta procesos completos.

¿Cuánto pesa el costo de inferencia en el negocio?

La distinción importa y muchos founders la subestiman. Entrenar un modelo es un gasto de capital que se hace una vez; la inferencia —correr ese modelo en cada consulta de cada usuario— es un costo operativo que escala con la demanda y no se detiene nunca.

El propio Microsoft lo está sintiendo. Según The Next Web, la compañía pidió a sus empleados dejar de hacer "tokenmaxxing" y fijar presupuestos de IA por división, una señal de que el cómputo se volvió una restricción incluso para una empresa que gasta US$35.800 millones por trimestre en infraestructura.

Maia 200, la generación anterior, ya corre cargas de producción en Microsoft Copilot, GitHub Copilot, Microsoft Foundry y los modelos propios de Microsoft. Según Yahoo Finance, ese chip integra más de 140.000 millones de transistores, 216 GB de memoria HBM3e y entrega más de 10 petaFLOPS en FP4, con un rendimiento por dólar 30% superior a la generación anterior de hardware de la compañía. Según eWeek, el primer Maia se presentó en noviembre de 2023 y Maia 200 se lanzó en enero sobre el proceso de 3 nanómetros de TSMC.

El detalle interesante para el ecosistema: la trayectoria de tres generaciones en menos de tres años sugiere que el cronograma de mejora del silicio especializado se está acortando. Lo que antes era un ciclo de varios años hoy es anual.

Maia 300 frente a Google TPU y Amazon Trainium

La carrera no es solo de Microsoft. Según The Next Web, Microsoft negocia con TSMC capacidad de fabricación para más de 300.000 chips Maia 300 con entrega en 2027, una cifra que supera cualquier volumen previo del programa, y apunta a más de un millón de unidades en el largo plazo. Andrew Wall, gerente general de Azure Maia, matizó esas cifras ante Reuters: dijo que las cifras reportadas "no reflejan la escala de nuestro programa".

Del otro lado, Google puso a disposición general su TPU Ironwood, de séptima generación, con 4,6 petaFLOPS de cómputo FP8 por chip, y ya separó su octava generación en dos chips: uno de entrenamiento y otro de inferencia. Amazon, por su parte, superó los US$20.000 millones de facturación anual en su negocio de chips, con compromisos de Trainium por más de US$225.000 millones, según 247wallst.

The Next Web reporta además que el mercado de ASICs personalizados para IA crece 44,6% anual, contra 16,1% de las GPU, y que algunos analistas proyectan que los chips propios podrían representar el 45% del mercado de chips de IA hacia 2028, con la participación de Nvidia en inferencia cayendo de más del 90% a entre 20% y 30%.

La conclusión estratégica para quien construye producto es directa: el silicio de inferencia deja de ser un commodity con un solo proveedor dominante y empieza a ser un mercado con tres o cuatro alternativas reales.

¿Qué significa esto para tu startup?

Aunque Maia 300 no esté disponible para ti hasta 2027, el anuncio cambia supuestos que hoy estás metiendo en tu modelo financiero.

• Revisa tus proyecciones de costo de inferencia a 18–24 meses. Si tu plan asume precios de cómputo planos o crecientes, la entrada de capacidad propia de los hiperescaladores apunta en la dirección contraria. Modela un escenario donde el precio por millón de tokens baja y otro donde no: si tu negocio solo cierra en el primero, tienes un problema de pricing, no de infraestructura.
• Diseña tu capa de inferencia para ser portable. No acoples tu producto a un único proveedor de cómputo. Expón tu propio endpoint y trata a Azure, Google o AWS como backends intercambiables, con el prompt, el contexto y la lógica de negocio de tu lado. Migrar de proveedor debe ser una decisión de configuración, no un proyecto de reescritura.
• Mide antes de comprometerte. Antes de firmar capacidad reservada, mide costo por millón de tokens y latencia p95 reales en tus propios workloads. Las comparaciones de benchmark entre chips no se traducen linealmente a tu caso de uso: importa el tamaño de contexto, la concurrencia y el tipo de tarea.
• Si vendes a empresas, prepárate para la pregunta. Los equipos de compras corporativas van a preguntar sobre qué hardware corre tu solución y qué pasa con la soberanía de tus datos. Tener una respuesta clara te da ventaja en una licitación.

Conclusión

Maia 300 es, en el fondo, una apuesta por recuperar margen. Microsoft ya no quiere pagar el margen de otro por cada consulta que sirve, y Mustafa Suleyman, CEO de Microsoft AI, lo expresó sin rodeos: "tenemos que trabajar en todo el stack, hasta el silicio. A esa escala necesitamos una plataforma que sea nuestra y que co-diseñemos con nuestros modelos".

Para un founder hispanohablante, el mensaje práctico no es esperar el chip nuevo, sino entender que la economía del cómputo de IA está entrando en una fase de competencia real. Quien construya su producto con portabilidad y medición desde el día uno podrá capturar esas mejoras cuando lleguen. Quien ate su arquitectura a un solo proveedor las verá pasar de largo.

Fuentes

• The Verge: Microsoft's new AI chip makes it less reliant on Nvidia's GPUs (fuente original)
• The Next Web: Microsoft is ordering 300,000+ Maia 300 AI chips from TSMC
• eWeek: Microsoft Plans Maia 300 AI Chip Push as It Takes Aim at Nvidia
• Yahoo Finance: Microsoft's Maia 300 Chip Targets NVIDIA's AI Dominance
• The Next Web: Google splits its next TPU in two
• 247wallst: The Race to Beat Nvidia