Nvidia duplica ventas en Q2 y eleva guidance a US$108B

Los números que importan del trimestre de Nvidia

Nvidia cerró su segundo trimestre fiscal (mayo–julio de 2026) con US$96.221 mil millones en ingresos, un 106% más interanual y un 18% más respecto al trimestre anterior, según los resultados publicados por la compañía y recogidos por El Economista. El beneficio neto alcanzó US$59.688 mil millones, un 126% más que en el mismo periodo del ejercicio previo.

El motor sigue siendo el negocio de centros de datos, que aportó US$89.000 millones, un 117% más interanual. La facturación de computación (CPU, redes y otros) sumó US$7.200 millones, un 27% más. En el acumulado del primer semestre fiscal, Nvidia ya embolsó US$118.110 millones de beneficio neto — prácticamente lo mismo que en todo su ejercicio fiscal anterior (US$120.067 millones) — sobre US$177.837 millones de ingresos.

La compañía también elevó su guía para el tercer trimestre fiscal: ingresos de aproximadamente US$108.000 millones (±2%), márgenes brutos del 74% (±50 puntos básicos) y gastos operativos cercanos a US$9.200 millones.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Por qué la guía de US$108B pesa más que el trimestre

El mercado esperaba ingresos de US$92.180 millones en Q2 y US$104.190 millones en la guía Q3, según recogió 247 Wall St. en su cobertura en vivo. Nvidia batió ambos: el Q2 superó el consenso en alrededor de US$4.000 millones y la guía Q3 quedó unos US$3.800 millones por encima de lo descontado por Wall Street. El EPS ajustado reportado fue de US$2,22 frente a US$2,10 esperado.

Aún así, las acciones cayeron cerca de un 1–2% tras la publicación. El patrón ya se repitió en los últimos ocho trimestres: Nvidia ha batido estimaciones en todos ellos, pero en seis el título bajó al día siguiente. El listón estaba tan alto que el beat dejó de ser catalizador y se convirtió en prerrequisito, como resumió Mark Malek, de Siebert Financial, citado por Ventureburn.

La parte más vigilada de la llamada fue la guía de Vera Rubin, la próxima generación de GPUs cuyo ramp de producción arranca en la segunda mitad de 2026. Jensen Huang llegó a afirmar que "Vera Rubin va a ser incluso más exitosa que Grace Blackwell"; cualquier cambio en ese cronograma o en el calendario de Blackwell 300 puede mover el múltiplo de la acción.

El negocio de centros de datos: 117% más y aún corto de oferta

El segmento de centros de datos representó alrededor del 92% de los ingresos de Nvidia en el trimestre, según el desglose del comunicado reportado por El Economista. Ese negocio lleva tres años duplicándose: pasó de US$47.500 millones en FY2024 a US$115.200 millones en FY2025 y US$193.700 millones en FY2026, según datos de Silicon Analysts.

La demanda sigue sin satisfacerse. 247 Wall St. reportó que Nvidia terminó el trimestre con US$93.900 millones en valores de capital (marketable y non-marketable), triplicando los US$35.100 millones del inicio del año fiscal, y que los compromisos de suministro (supply commitments) ya superan los US$145.000 millones — una señal de que los hyperscalers están firmando pedidos multi-trimestrales para garantizarse capacidad.

En la práctica, la inteligencia artificial ha pasado de ser una promesa tecnológica a "generar ingresos", como dijo Jensen Huang en la presentación: "Sus componentes son productivos y rentables. Ahora, la computación genera ingresos". El CEO describió una "época dorada" con nuevos laboratorios y startups de IA, múltiples laboratorios de frontera expandiéndose en paralelo y la IA física entrando en producción.

Competidores: AMD, Google, AWS y el cliente cautivo

Aunque Nvidia acapara titulares, la cuota competitiva evoluciona. Según Silicon Analysts, Nvidia ronda el 80% del mercado de aceleradores de IA por ingresos en 2026, frente al 5–7% de AMD y una cuota creciente de silicio custom (Google TPU, AWS Trainium, Microsoft Maia, Meta MTIA, Broadcom ASICs).

Lo más relevante para founders: el duopolio se convirtió en un mercado de tres capas:

Nvidia mantiene liderazgo en entrenamiento a gran escala y un ecosistema CUDA difícil de replicar.
AMD (MI300X, MI350X, MI400) ganó tracción como segunda fuente estratégica: Microsoft corre GPT-3.5 y GPT-4 en producción sobre MI300X; Meta opera el 100% de su inferencia de Llama 405B sobre AMD; y OpenAI firmó un compromiso de 6 GW con MI450 a partir del segundo semestre de 2026.
Silicio custom (TPU de Google, Trainium de AWS, Maia de Microsoft, MTIA de Meta) ya representa entre 15% y 25% del mercado y crece más rápido que AMD.

El gasto agregado de los cuatro hyperscalers (Amazon, Microsoft, Alphabet y Meta) en centros de datos de IA superará los US$700.000 millones este año, según UBS citado por Ventureburn. Cuando cuatro clientes concentran esa proporción del capex del sector, las decisiones de un único cliente (compra de GPUs propias frente a Nvidia, retraso de un rack, restricción china) pueden mover el ingreso trimestral entero.

El elefante en la sala: China y la guía sin ingresos chinos

La guía de US$108.000 millones para Q3 no incluye ningún ingreso de cómputo de centros de datos en China, según reportó 247 Wall St.. Nvidia recibió aprobación para vender chips H200 a China hace meses, pero los envíos siguen siendo mínimos. Eso deja aproximadamente US$3.000 millones de demanda potencial fuera del forecast, que podrían añadirse si Washington relaja las restricciones o se destraban los embarques.

Este punto es relevante para founders latinoamericanos y europeos: las restricciones de exportación están reconfigurando el mapa global de proveedores. Cualquier startup que dependa de GPUs de alta gama en mercados con controles de exportación debe planificar redundancia — por ejemplo, capacidad de inferencia en clouds中立 con instancias MI300X o TPU, no solo H100/B200.

Qué significa esto para tu startup

Los resultados de Nvidia no son solo titulares de Wall Street. El precio, la disponibilidad y la velocidad de cada nueva generación de GPU dependen directamente de qué tan apretada siga la demanda, y eso define cuánto cuesta entrenar o servir un modelo en producción. Tres acciones concretas:

Revisa tu coste unitario de inferencia trimestralmente. 247 Wall St. documentó caídas de precio del H100 del 44% en AWS en junio de 2025 y tarifas spot de US$1,49–2,00 por GPU-hora. Si tu coste por token no ha bajado al menos 40% interanual, estás pagando de más por capacidad vieja. Mide $/1M tokens servidos, no solo coste de nube total.
Diseña para multi-fabricante desde el día uno. Con OpenAI comprometido con MI450, Meta con MI300X y Microsoft con TPUs y Trainium, el silicio de IA se está convirtiendo en commodity heterogéneo. Usa Triton, vLLM o SGLang como capa de abstracción y evita kernels CUDA-only en tu código de producción: te permitirá moverte entre Nvidia, AMD y Google TPU sin reescribir.
Construye tu roadmap de producto sobre la asunción de que la oferta seguirá corta. Los compromisos de suministro de Nvidia superan US$145.000 millones y Huang dijo que estarán "short". Si tu feature depende de un modelo de frontera al que accedes vía API, no des por sentado que esa API tendrá capacidad ilimitada en 6–12 meses — negocia compromisos de capacidad por adelantado o diseña fallbacks con modelos locales más pequeños.