Microsoft presenta Maia 300, su chip de IA contra NVIDIA

Maia 300: Microsoft presenta el chip con el que quiere dejar de depender de NVIDIA

Microsoft presentó Maia 300, su tercer acelerador de inteligencia artificial de diseño propio, y fijó 2027 como el año en que empezará a desplegarlo en producción en sus centros de datos. La compañía afirma que el chip entrega 40% más tokens por megavatio que los principales sistemas basados en GPU y que un rack con 96 aceleradores alcanza hasta siete veces el rendimiento de tokens por rack de Maia 200. Para un founder que paga cómputo cada mes, la señal no está en el chip: está en que el mayor comprador de GPUs del mundo se esté construyendo su propia alternativa.

El anuncio se hizo en el OCP Global Summit 2026, según DiarioBitcoin, y llega con una meta explícita: convertir a la familia Maia en el sistema principal de inferencia para los productos y servicios de IA de Microsoft, con despliegues de varios gigavatios. Inferencia es la etapa en la que un modelo ya entrenado responde solicitudes: es justo el momento en el que tu producto gasta cómputo cada vez que un usuario le escribe.

¿Cuándo empieza a funcionar Maia 300 y qué reemplaza?

Microsoft no parte de cero. Presentó Maia 100 en 2023 y Maia 200 en enero de 2026; este último ya procesa cargas de trabajo de producción, incluidas Microsoft 365 Copilot y GitHub Copilot, además de modelos de OpenAI y los modelos MAI propios, según CNBC. CryptoBriefing reporta que Maia 200 ya opera en centros de datos de Estados Unidos, Europa y Australia.

El despliegue productivo de Maia 300 arranca en 2027 y la empresa no dio fecha para llegar a la escala de varios gigavatios. Un gerente general de Microsoft explicó a CNBC que se reservan "cierta opcionalidad" porque la industria cambia muy rápido. Notebookcheck, citando a Reuters, reportó que Microsoft podría desplegar más de un millón de chips Maia 300 cuando arranque ese despliegue.

¿Qué hay dentro del chip? Chiplets, HBM4 y el nodo N2P de TSMC

Maia 300 no está concebido como un procesador más potente, sino como un sistema donde memoria, cómputo y comunicaciones trabajan de forma coordinada. Usa una arquitectura de múltiples chiplets, y los destinados al cálculo se fabrican con el proceso N2P de TSMC; según Notebookcheck, parte de los chips auxiliares utiliza un proceso de 3 nm menos costoso.

Las especificaciones publicadas por Notebookcheck son contundentes: 288 GB de memoria HBM4 repartidos en ocho pilas, 18 TB/s de ancho de banda, hasta 13,8 PFLOPS en FP4 y 6,9 PFLOPS en FP8, con un consumo de 950 W frente a los 750 W de Maia 200. Cada rack aloja 96 aceleradores dentro de un límite de potencia de 167 kilovatios, según la información difundida por Microsoft.

La comparación tiene un asterisco grande: son cifras del fabricante y todavía no hay validación independiente publicada. Patrick Moorhead, CEO de la firma de análisis Moor Insights and Strategy, dijo a CNBC que "nadie los ha probado fuera de Microsoft todavía". Ese es el dato que más debería importar a quien planifica infraestructura.

¿Por qué Microsoft quiere depender menos de NVIDIA?

El incentivo es económico. Microsoft maneja planes de inversión de capital que superan los 175.000 millones de dólares anuales, según CryptoBriefing, y analistas de Evercore ISI estimaron en una nota a clientes que Maia representará alrededor del 10% del gasto de Microsoft en chips de IA hacia el primer trimestre de 2027, según CNBC. El resto seguirá repartido entre NVIDIA y AMD.

NVIDIA tiene exposición directa a ese movimiento: según la información recogida por DiarioBitcoin, la compañía obtiene habitualmente más de 50% de sus ingresos trimestrales de los hiperescaladores. Si sus mayores clientes cubren una porción creciente de su demanda con silicio propio, esa concentración de ingresos se convierte en un riesgo estructural.

Pero la dependencia no desaparece de un día para otro. Microsoft mantiene alianzas con NVIDIA y AMD para entrenar modelos, y la demanda global de GPUs sigue intacta: Amazon y NVIDIA anunciaron en agosto un plan para desplegar dos millones de GPU adicionales en AWS entre 2027 y 2028. Hay además una diferencia clave frente a la competencia: a diferencia de las TPU de Google o Trainium de Amazon, los aceleradores de Microsoft no se pueden alquilar por hora a otras empresas, como recordó CNBC.

La carrera del silicio propio ya tiene varios jugadores

Microsoft no está solo en esta jugada. Google usa sus TPU y Amazon ofrece servidores con Trainium; según DiarioBitcoin, Amazon, Google, Meta, OpenAI y Anthropic ya ofrecen o desarrollan procesadores personalizados. Google y Amazon incluso alquilan sus chips a terceros, y Amazon estudia venderlos para que los clientes los instalen en sus propios centros de datos.

El patrón se repite: quien tiene la mayor demanda de cómputo del mundo quiere controlar parte de la oferta. Y el cuello de botella ya no es solo el silicio, sino la electricidad disponible y la capacidad física de las instalaciones. El propio enfoque de Microsoft, que mide su avance en tokens por megavatio, lo reconoce de forma explícita.

¿Qué significa esto para tu startup?

Aunque tu startup nunca vaya a comprar un chip, lo que pasa en esa capa define lo que pagarás en la de abajo. Estas son las decisiones que este anuncio habilita desde hoy:

• Mide tu costo por token, no solo tu costo por GPU. Microsoft compite con una métrica que traduce energía en costo operativo: tokens por megavatio. Haz el mismo ejercicio en tu producto, con tokens por dólar, por usuario activo o por conversación. Es la cifra que te da poder de negociación con tu proveedor y la que te dice cuándo mover una carga a un modelo más barato.
• Diversifica tu capa de inferencia. Si dependes de un único proveedor de cómputo y de un único modelo, la estrategia de Microsoft no te cambia nada porque no tienes a dónde moverte. La lección aplicable a tu escala es la misma: construye la abstracción para poder cambiar de proveedor sin reescribir el producto.
• Pregunta por inferencia, no por entrenamiento. Las alternativas de silicio propio se orientan a ejecutar modelos ya entrenados. Ahí vive tu producto: la mayor parte del gasto de una app de IA en producción es inferencia. Vale la pena consultar a tu proveedor de nube qué opciones de chips tiene para esas cargas y cómo cambia el precio.
• Lee los benchmarks con la cautela de Moorhead. Las cifras de Maia 300 las publica el fabricante y no tienen validación independiente. Aplica el mismo criterio a cualquier comparativa de costos de cómputo: exige una prueba con tu carga de trabajo real antes de tomar una decisión de arquitectura.

Conclusión

Microsoft no anunció el fin de NVIDIA; anunció la construcción de su segundo motor. Con Maia 200 ya en producción y Maia 300 en camino para 2027, la compañía apuesta a que una parte creciente de su inferencia corra sobre silicio propio mientras sigue comprando GPUs para entrenar. Para los founders, la lectura es directa: la infraestructura de IA dejó de ser un commodity y se convirtió en una decisión estratégica. Quien entienda su propio consumo, en tokens, energía y latencia, estará mejor parado cuando cambien los precios y la disponibilidad del cómputo.

Fuentes

• Xataka: NVIDIA tiene motivos para preocuparse
• DiarioBitcoin: Microsoft presenta Maia 300
• CNBC: Microsoft to rely more on homegrown AI chips
• Notebookcheck: Maia 300 con HBM4 de 288 GB
• CryptoBriefing: Microsoft prepares to deploy Maia 300
• Computer Hoy: Microsoft presenta un chip de IA que quiere reducir su dependencia de NVIDIA
• HotHardware: Microsoft's Maia 300 AI Chip