Microsoft presentó Maia 300, su nuevo chip de inferencia de IA, con dos cifras que importan más de lo que parece: 40% más de tokens por megavatio que los sistemas basados en GPU líderes y hasta siete veces más rendimiento a escala de rack que su predecesor, el Maia 200. Para un founder que paga por tokens, eso no es una curiosidad de feria de hardware: es la variable que decide cuánto costará correr agentes y copilotos en 2027.
La nota técnica de Microsoft se publicó el 12 de octubre de 2026, según reportó The Verge. El despliegue a escala está previsto para 2027.
Qué anunció Microsoft con Maia 300 y por qué importa
Maia 300 no es un chip para entrenar modelos. Es un chip para inferencia: correr modelos ya entrenados de forma rápida y barata. Esa distinción es la clave de toda la jugada.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasSegún DataCenterDynamics, Scott Guthrie, vicepresidente ejecutivo de cloud e IA de Microsoft, describió el plan de escalar la familia Maia a despliegues de "múltiples gigavatios" a partir del año próximo, convirtiendo el hardware en el "sistema primario de inferencia" para sus productos y servicios.
El detalle técnico que trae HotHardware: Maia 300 usa 8 stacks de memoria HBM4 para alcanzar 18,0 TB/s de ancho de banda de memoria pico dentro de un presupuesto térmico de 950 vatios. La arquitectura es modular, con chiplets que separan cómputo, controladores de memoria y bloques de E/S, y los chiplets de cómputo se fabrican en el nodo N2P de TSMC.
El rack completo es la unidad de medida real: 96 aceleradores con una envolvente de potencia de 167 kilovatios, 27,6 TB de capacidad HBM agregada y 1,7 Pbps de ancho de banda HBM agregado, según DataCenterDynamics.
¿Por qué Microsoft construye sus propios chips?
La respuesta corta es margen. La respuesta larga es poder de negociación.
Satya Nadella, CEO de Microsoft, lo resumió citado por CryptoBriefing: "Nuestra mayor apuesta hasta ahora por nuestro propio silicio". La misma nota señala que el gasto de capital de Microsoft supera los 175.000 millones de dólares anuales, y que se espera que Maia represente solo alrededor del 10% del gasto en chips de IA de Microsoft a principios de 2027. Es decir: la ambición es enorme, pero el punto de partida es modesto.
El argumento de fondo es el mismo que ya ejecutan Google con sus TPUs y Amazon con Trainium e Inferentia: no se trata de eliminar la dependencia de Nvidia, sino de añadir palanca. Cuando una parte relevante de tu capacidad de inferencia corre en silicio propio, la conversación sobre precios de GPU para entrenamiento cambia de tono.
¿Amenaza Maia 300 la posición de Nvidia?
Depende del horizonte temporal, y conviene ser honesto al respecto.
Maia 300 está diseñado para inferencia, no para entrenamiento. Nvidia sigue siendo la referencia para entrenar modelos grandes. Son dos mercados con dinámicas distintas.
Lo que sí cambia es la estructura de costos. CryptoBriefing reporta que Nvidia y AMD no quedan fuera del relato: Microsoft continúa invirtiendo en soluciones de terceros, y esas alianzas seguirán siendo críticas, sobre todo para entrenamiento. La propia dependencia de TSMC como fundición muestra que el proveedor de fabricación sigue en el centro, venga el chip de Nvidia o del equipo interno de un hyperscaler.
El cuello de botella que casi nadie menciona: el packaging de TSMC
Aquí está el dato que separa el anuncio de la realidad operativa.
Según TechTimes, citando información de The Information reportada por Reuters, Microsoft negocia con TSMC capacidad de producción para más de 300.000 unidades de Maia 300, con entrega prevista para 2027. El obstáculo no es el diseño del chip: es el CoWoS (Chip-on-Wafer-on-Substrate), el proceso de packaging avanzado de TSMC del que depende absolutamente todo acelerador de IA moderno.
El mismo reporte indica que Nvidia concentra aproximadamente el 60% de la capacidad de CoWoS de TSMC, y que los tres mayores clientes (Nvidia, Broadcom y AMD) suman más del 85% del total. El CEO de TSMC, C.C. Wei, señaló en junio de 2026 que la capacidad de CoWoS seguía vendida hasta finales de ese año, con plazos de ensamblaje de 52 a 78 semanas.
Traducción para quien planifica infraestructura: el límite del programa Maia no es el dinero de Microsoft ni la calidad del diseño, sino una cola de fabricación que ya está comprometida.
¿Cómo se compara con Google TPU y Amazon Trainium?
Microsoft llega más tarde a esta carrera, y los números lo muestran.
Según TechTimes, Google comenzó a reconocer ingresos por venta directa de sus TPUs en el trimestre cerrado en junio de 2026, y el negocio de silicio propio de Amazon —que abarca Graviton, Trainium y Nitro— superó los 20.000 millones de dólares de run rate anual a principios de 2026. El programa Maia, en cambio, sigue confinado a uso interno.
El mismo reporte apunta que Marvell Technology, que también co-diseña Trainium para Amazon, es el socio de ingeniería detrás de Maia. Y añade un dato relevante para el ecosistema: Anthropic confirmó a principios de agosto de 2026 que está formando su propio equipo de semiconductores para diseñar chips de inferencia para Claude.
Qué significa esto para tu startup
Primero, una aclaración que evita expectativas equivocadas: Maia es silicio de centro de datos de Microsoft, no un chip que los clientes de Azure compren o alquilen directamente. El efecto práctico para una empresa que usa Azure aparece en el precio y la disponibilidad de los servicios de IA a lo largo de 2027, no de un día para otro.
Dicho eso, hay tres movimientos concretos que puedes hacer desde ahora:
- Modela el costo de inferencia a 18 meses, no a 3. Si tu plan financiero asume que el precio por token seguirá cayendo al ritmo de 2024-2025, estás apostando a que la eficiencia del hardware se traduce en precios más bajos. La evidencia de esta semana sugiere que la eficiencia llega, pero también que el gasto de capital detrás es gigantesco (más de 175.000 millones de dólares anuales, según CryptoBriefing). Construye escenarios con el costo actual y con una baja moderada.
- Diseña tu producto para no depender de un solo proveedor de modelos. La carrera de silicio propio de Microsoft, Google, Amazon y ahora Anthropic apunta a un mercado con varias plataformas de inferencia compitiendo. Si tu arquitectura abstrae la capa de modelo, podrás mover cargas según precio y latencia. Si está cableada a un proveedor, no.
- Presta atención a la latencia, no solo al precio. Maia 300 está diseñado explícitamente para razonamiento de contexto largo y tareas agénticas sensibles a latencia, según DataCenterDynamics. Si construyes agentes que encadenan muchos pasos, esa es la métrica que definirá si tu producto se siente rápido o lento.
Conclusión
Maia 300 es una apuesta de infraestructura con un objetivo claro: que la inferencia de Copilot y de los modelos de OpenAI en Azure sea económicamente sostenible a escala de cientos de millones de usuarios. Los números anunciados son fuertes —40% más tokens por megavatio, siete veces el rendimiento de rack de la generación anterior—, pero el despliegue real depende de una cola de packaging en TSMC donde Nvidia controla la mayoría de la capacidad.
Para un founder, la lectura útil no es "Microsoft le gana a Nvidia". Es que el costo de la inferencia se está convirtiendo en una batalla de integración vertical, y eso, tarde o temprano, se refleja en la factura que tú pagas.
Fuentes
- wwwhatsnew.com (fuente original)
- DataCenterDynamics
- HotHardware
- CryptoBriefing
- TechTimes
- ET Datacenters
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
