OpenAI negocia comprar TPUs de Google y presiona a Nvidia

¿Por qué OpenAI quiere comprar chips a su competidor directo?

OpenAI negocia con Google la compra de sus TPU (Tensor Processing Units) para ampliar su capacidad de cómputo, según reportó The Information y replicaron Bloomberg y Reuters. Los términos financieros y el tamaño de la operación no fueron confirmados, y ninguna de las dos compañías quiso comentar.

El dato que importa para el mercado no es el monto, sino la dirección: OpenAI ya no quiere depender de un solo proveedor de silicio. Sus centros de datos —administrados junto a Oracle, SoftBank y CoreWeave— están llenos de GPU de Nvidia, y las instalaciones que construye en Texas, Nuevo México, Wisconsin, Ohio y Michigan probablemente sumen silicio propio y de Google.

No es un divorcio con Nvidia. Es una estrategia de múltiples proveedores, y esa es la señal que conviene leer.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué es Jalapeño y por qué no reemplaza a Nvidia?

A finales de agosto OpenAI presentó Jalapeño, su primer chip propio, optimizado para inferencia: la fase en la que el modelo ya entrenado responde consultas. Lo desarrolló con Broadcom, que se encargó de la implementación física y del networking Tomahawk, mientras Celestica hizo la integración de placas y sistemas y TSMC lo fabricó.

Según los resultados que OpenAI publicó en el benchmark InferenceX de SemiAnalysis y que recogió Digital Trends, Jalapeño entrega entre 1,5 y 1,9 veces más trabajo por vatio y entre 1,7 y 3,6 veces menos latencia que sistemas de referencia que incluyen los Nvidia GB200 y GB300. En tareas interactivas, como agentes, la ventaja reportada llega hasta 4,1 veces. El chip está calificado en 700 vatios, aunque OpenAI afirma que el consumo sostenido medido se mantuvo en 550 vatios o menos.

El matiz es clave: Jalapeño solo hace inferencia. El entrenamiento —la parte más cara y la que más GPU consume— sigue en manos de Nvidia. Y el despliegue inicial recién llegará a fin de año en volúmenes pequeños. El CEO de Broadcom, Hock Tan, dijo a TechRepublic que el volumen real no se espera hasta la primera mitad de 2028.

¿Por qué Google vendería TPUs a uno de sus rivales?

Porque el negocio de chips dejó de ser un accesorio. Google desarrolla TPUs desde hace más de una década, primero para acelerar su buscador y después para cargas de IA. Este año empezó a venderlas directamente a algunos clientes, y esta semana Oracle anunció que ofrecerá TPUs en su nube desde el próximo año: la primera vez que Google las pone en una plataforma de hiperescalador fuera de la suya, según Business Insider.

Las proyecciones explican el interés. Mizuho estimó ingresos por TPU de US$28.000 millones en 2026 y US$67.000 millones en 2027, con un techo de US$100.000 millones en 2028; TD Cowen proyectó US$138.000 millones para 2028, equivalentes al 34% de los ingresos de Google Cloud. Para dimensionar la escala: Nvidia reportó US$96.200 millones de ingresos en un solo trimestre, según Business Insider.

Anthropic ya marcó el camino. En su papeleo de IPO reveló un acuerdo a cinco años con Broadcom para arrendar equipos basados en TPUs de Google por US$161.000 millones, y proyectó otros US$150.000 millones en TPUs desde 2028, según Herald Corp. Broadcom, además, anunció que estructurará US$63.000 millones en financiamiento para esas compras a través de un vehículo de propósito especial.

Google no está sola en esta carrera: Amazon tiene Trainium, Microsoft desarrolla sus propios aceleradores y los laboratorios chinos buscan alternativas por las restricciones de exportación de EEUU.

¿La relación con Nvidia se está enfriando?

No. OpenAI sigue siendo uno de los mayores compradores de GPU de Nvidia, y los números lo confirman. En agosto, Nvidia acordó aportar hasta US$105.000 millones en respaldo crediticio para un proyecto de centro de datos en Ohio que OpenAI planea arrendar, y el CEO Jensen Huang dijo que OpenAI se comprometió a desplegar infraestructura de Nvidia hasta 2030, lo que representa cerca de US$600.000 millones en oportunidades de negocio para el fabricante, según Herald Corp.

Lo que cambia es el poder de negociación. Cada carga de inferencia que migra a un chip propio o a una TPU es un trabajo recurrente que deja de pasar por una GPU premium. Y OpenAI ya dio otra señal de acercamiento a Google: la semana pasada anunció que sus modelos frontera estarán disponibles a través de Google Cloud, según CoinCentral.

El contexto de fondo es el gasto. Amazon, Microsoft y Alphabet planean invertir hasta US$600.000 millones combinados este año en infraestructura de IA, según CoinCentral, y los inversores empiezan a preguntar cuándo ese dinero se traduce en retornos.

¿Qué significa esto para tu startup?

Si construyes con IA, este movimiento te afecta en la línea de costos, no en la narrativa.

Diversifica tu proveedor de cómputo antes de necesitarlo. Si tu producto corre exclusivamente sobre un proveedor de modelos o de nube, tienes un punto único de falla. La competencia entre Nvidia, Google, Amazon y los chips propios de cada laboratorio está empujando hacia arquitecturas de múltiples proveedores. Diseña tu capa de inferencia para poder cambiar de backend sin reescribir el producto.
Revisa tus supuestos de costo de inferencia. La inferencia es donde tu producto toca al usuario todos los días, y es exactamente donde está bajando el costo por vatio. Un producto de agentes que hoy no cierra económicamente puede cerrarlo en 12 meses. Modela escenarios de costo decreciente en lugar de asumir el precio actual como fijo.
Presta atención a la latencia, no solo al precio. Las mejoras reportadas en latencia (hasta 3,6 veces menos en los benchmarks de Jalapeño) habilitan experiencias que antes eran inviables: agentes que responden en tiempo real, asistentes conversacionales sin esperas. Si tu roadmap depende de respuestas instantáneas, ese cuello de botella se está aflojando.
No apuestes tu arquitectura a un solo chip. Los ASIC son rígidos: si la arquitectura de los modelos cambia radicalmente, un chip hiperespecializado queda obsoleto. La ventaja competitiva no está en el silicio que eliges hoy, sino en tu capacidad de abstraerte de él.

La lectura de fondo: el silicio dejó de ser un insumo invisible y se volvió una palanca estratégica. Los laboratorios que antes eran solo clientes ahora diseñan chips, y los que eran rivales ahora se venden infraestructura entre sí. Para un founder, eso significa que el costo de la inteligencia va a seguir bajando, pero la ventaja se moverá hacia quien sepa aprovechar esa caída más rápido que su competencia.