OpenAI compraría chips TPU de Google: el pulso con Nvidia

Qué se sabe (y qué no) del plan de OpenAI para comprar TPUs de Google

OpenAI planea comprar chips de inteligencia artificial a Google, según un informe de The Information que recoge The Motley Fool. Si se concreta, sería la primera vez que el mayor cliente de Nvidia compra procesadores a un competidor directo. Pero hay un detalle que cambia todo el cálculo: no hay términos, volúmenes, plazos ni generación de chip confirmados, y ninguna de las dos compañías ha validado el plan.

Según Yahoo Finance, el informe se publicó la noche del 27 de octubre de 2026 y se apoya en una sola persona con conocimiento del asunto. Google no respondió a las solicitudes de comentario y OpenAI declinó comentar. Hasta que alguna de las partes confirme, esto es un plan reportado, no un pedido firmado.

Los chips en cuestión son las TPU (Tensor Processing Units), procesadores que Google diseñó específicamente para cargas de IA. A diferencia de las GPU de Nvidia, que nacieron del procesamiento gráfico, las TPU son hardware de propósito específico. Ambos sirven para entrenar y ejecutar modelos, pero su arquitectura y las herramientas para trabajar con ellos son distintas.

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 →

No es la primera vez que OpenAI se acerca a esta tecnología. Ya en junio de 2025 había empezado a alquilar TPU a través de Google Cloud, aunque entonces dijo que no tenía planes de usarlas a gran escala. Según Yahoo Finance, ahora ya las posee.

Por qué Google quiere vender sus TPUs fuera de casa

Durante años, Google usó sus TPU casi exclusivamente dentro de sus propios centros de datos y de los servicios que presta por su nube. Eso está cambiando. Según The Next Web, en abril Google anunció que vendería hardware TPU directamente a un grupo reducido de clientes, que pueden operar los chips en sus propias instalaciones.

La demanda creció al calor de acuerdos con clientes como Anthropic. De hecho, Google vendió tanta capacidad de TPU que sus propios investigadores tuvieron que esperar para acceder a ella, según The Next Web. La directora financiera de Alphabet, Anat Ashkenazi, dijo que la compañía espera registrar una pequeña parte de los ingresos por ventas de TPU antes de que termine el año, y que la mayor parte llegará en 2027.

Hay una segunda vía de expansión. Oracle anunció el 27 de octubre que incorporará las TPU de Google a su nube a partir de 2027. Según TechTarget, ese acuerdo convierte a Oracle Cloud Infrastructure en la primera nube hiperscalar fuera de Google en ofrecer estos aceleradores. "La próxima generación de IA requerirá una gama diversa de cómputo", dijo Amin Vahdat, vicepresidente sénior de Google, en el anuncio.

Para Google, el movimiento tiene lógica estratégica: convierte una herramienta interna en una línea de negocio. Para OpenAI, tener varios proveedores de procesadores le permite asignar hardware según la carga de trabajo.

El obstáculo real no es el hardware, es el software

Aquí está el punto que la mayoría de las coberturas pasa por alto. OpenAI construyó buena parte de su infraestructura sobre PyTorch, la plataforma CUDA de Nvidia y Triton, su lenguaje de programación para GPU. El ecosistema de TPU de Google se apoya más en JAX y el compilador XLA. Mover un modelo de una arquitectura a otra exige trabajo especializado en kernels, uso de memoria y ejecución distribuida.

"Hacer que un modelo frontera corra en una TPU es una cosa", dijo Matt Kimball, analista de Moor Insights & Strategy, a TechTarget. "Hacerlo correr con kernels optimizados para atención, enrutamiento de mezcla de expertos e inferencia de contexto largo son meses de trabajo especializado".

Ese costo de ingeniería, junto con las diferencias de rendimiento, define si las TPU ofrecen una ventaja económica real frente a las GPU. Kimball espera que los primeros ahorros aparezcan en inferencia, la computación necesaria para generar respuestas de IA, donde un acelerador de propósito específico puede mejorar el costo por consulta.

Un dato relevante: el equipo de chips de OpenAI está liderado por un ejecutivo que ayudó a construir las TPU en Google, según TechTarget. Esa familiaridad ayuda, pero no elimina la necesidad de optimizar las cargas.

¿Nvidia tiene motivos para preocuparse?

Por ahora, pocos. La razón es simple: Nvidia vende más de lo que puede fabricar. Según 247wallst, la compañía reportó ingresos trimestrales de 96.220 millones de dólares, un alza del 105,8%, y dijo tener suministro para cubrir alrededor del 70% de la demanda. Su guía para el trimestre siguiente apunta a 108.000 millones.

El propio Jensen Huang lo reconoció al presentar resultados: la compañía tenía suministro para crecer alrededor de un 70% durante su ejercicio fiscal 2028, pero "nuestra demanda es mucho mayor que eso". Las limitaciones podrían mantenerse hasta enero de 2028, cuando cierra ese ejercicio.

Además, OpenAI mantiene compromisos importantes con Nvidia. El fabricante aseguró que la potencia informática actual y prevista para OpenAI equivale a unos 12 gigavatios, cifra que podría subir hasta 16 gigavatios, con proyectos contemplados hasta 2030. A eso se suma el acuerdo para las instalaciones de Ohio, que Nvidia respaldará con garantías de hasta 94.200 millones de euros para cubrir parte de los gastos de alquiler y electricidad. A cambio, OpenAI usará exclusivamente procesadores de Nvidia en esos centros, salvo excepciones, con los primeros 800 megavatios previstos para 2028.

Que un cliente recurra a un segundo proveedor no significa que compre menos al primero, sobre todo cuando el primero no puede entregar todo lo pedido. La presión real llegará cuando Nvidia amplíe producción hasta satisfacer los pedidos. Para entonces, Google podría tener una presencia mucho mayor en el mercado de aceleradores de IA.

Qué significa esto para tu startup

El mensaje para un founder no es sobre Nvidia ni Google: es sobre riesgo de proveedor único. Si tu producto depende de una sola plataforma de cómputo, de un solo modelo o de un solo proveedor de nube, tu costo y tu disponibilidad quedan atados a las decisiones de esa empresa.

Diversifica antes de necesitarlo. OpenAI no empezó a probar TPU cuando le faltó capacidad, sino un año antes, alquilando para aprender. Haz lo mismo con tus dependencias críticas: prueba la alternativa cuando aún no la necesitas, no cuando el proveedor te falla.
Calcula el costo total, no el precio por hora. El caso de las TPU lo demuestra: cambiar de arquitectura implica meses de trabajo de ingeniería. Antes de migrar cualquier carga a un proveedor más barato, estima el costo de portar el código y de mantener dos stacks en paralelo.
Mira dónde está el cuello de botella real. Nvidia, Google y OpenAI compiten por lo mismo: capacidad de fabricación avanzada, empaquetado, memoria de alto ancho de banda y energía. Si tu startup consume cómputo intensivo, el suministro —no el precio— es la variable que va a definir tu roadmap.

La lectura de fondo es que el mercado de aceleradores de IA dejó de ser un monopolio de facto y empieza a parecerse a un oligopolio con reglas propias. Eso, con el tiempo, debería traducirse en más opciones y mejor poder de negociación para quien compra cómputo. Pero solo para quien tenga el equipo técnico capaz de aprovechar la segunda opción.