Por qué la IA tiene un problema de energía que ya no se puede ignorar
Un informe del Congreso de Estados Unidos citado por TechTarget sostiene que los centros de datos ya representaban el 4,4% del consumo eléctrico total de EE. UU. en 2023, una cifra que se espera se triplique antes de 2028. El mismo artículo recuerda que, según Cushman & Wakefield, hay más de 25 GW de potencia de centro de datos en construcción solo en EE. UU., una escala que no tiene precedente. La construcción de centros de datos en EE. UU. mueve un mercado de US$83.970 millones en 2025, con proyección de US$154.490 millones en 2031 (CAGR del 10,70%) según ResearchAndMarkets.
Ese crecimiento es lo que ha desatado la nueva camada de startups deeptech que cubre Revista Emprendedores: firmas que atacan la eficiencia desde el modelo, el chip, la refrigeración, la gestión eléctrica o, en el caso más extremo, la ubicación del propio centro de datos. La española Multiverse Computing ya trabajaba en compresión de modelos desde 2019; el resto de protagonistas son más jóvenes, pero ya levantan rondas de cientos de millones.
Ora Computing: comprimir modelos sin perder capacidad
Ora Computing automatiza la reducción de tamaño de grandes modelos de lenguaje mediante técnicas de optimización y eliminación de parámetros. La empresa asegura que su tecnología puede recortar hasta un 70% la memoria necesaria para ejecutar determinados modelos y, según sus pruebas publicadas, multiplicar por 4,1 el rendimiento y reducir hasta un 72% el coste por token.
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 díasLa diferencia con la española Multiverse Computing, según la fuente, está en el punto de ataque: Multiverse reduce el tamaño de modelos ya entrenados, mientras Ora busca optimizar la forma en que los modelos representan y procesan la información desde una capa más matemática. Esto abre la puerta a desplegar IA en dispositivos edge, en servidores propios o en la nube con menos hardware.
SpiNNcloud: cerebros electrónicos para procesar IA
Nacida como spin-off de la Universidad Técnica de Dresde, SpiNNcloud apuesta por la supercomputación neuromórfica, una arquitectura inspirada en el cerebro humano que activa solo las partes relevantes en cada momento en lugar de procesar grandes bloques de datos de forma masiva. La compañía asegura que puede alcanzar una eficiencia energética hasta 18 veces superior a la de las GPU en determinados escenarios.
Su base tecnológica es SpiNNaker2, una arquitectura con miles de procesadores de bajo consumo trabajando en paralelo. En 2025, según la fuente, la empresa fue seleccionada por el Consejo Europeo de Innovación dentro del programa GenAI4EU con una contribución de €10 millones para escalar la infraestructura. El siguiente paso es la arquitectura SpiNNext, orientada a modelos más complejos.
d-Matrix: mover el cálculo a la memoria
d-Matrix, fundada en 2019 por Sid Sheth, lleva más de US$500 millones levantados (incluido el brazo M12 de Microsoft) y se especializa en hardware para inferencia, el momento en que la IA responde a una petición. Su tecnología Digital In-Memory Compute (DIMC) acerca memoria y cálculo para reducir el movimiento de datos, uno de los procesos que más energía consume en los sistemas tradicionales.
La primera plataforma comercial, Corsair, salió al mercado en junio de 2026 y, según reporta The Next Platform, está pensada para acoplarse a racks con GPUs Blackwell de NVIDIA, encargándose de la fase de «decode» mientras las GPUs hacen el prefill. En septiembre de 2026, d-Matrix anunció que su próxima plataforma Raptor se integrará con NVLink Fusion dentro de la arquitectura MGX de NVIDIA, con configuraciones de 144 XPUs por rack y ancho de banda agregado de 7,2 PB/s en memoria.
La compañía asegura que su tecnología puede multiplicar por diez la velocidad de respuesta y ofrecer hasta tres veces más eficiencia energética que soluciones basadas en GPU, en función del tipo de aplicación.
Ferveret: refrigeración líquida con física de reactor nuclear
El calor que generan las GPUs se ha convertido en uno de los principales lastres energéticos. Ferveret, deeptech fundada en 2021 por dos investigadores vinculados al MIT, aplica una técnica de refrigeración líquida bautizada como Adaptive Phase Cooling, basada en el principio de ebullición subenfriada que se usa para disipar calor en reactores nucleares. Genera pequeñas burbujas que se desprenden rápido del chip y vuelven a condensarse en el líquido.
Según la fuente, las pruebas con GPUs NVIDIA H200 han logrado hasta un 55% más de rendimiento por vatio frente a refrigeración por aire y hasta un 20% frente a sistemas liquid-to-chip convencionales. El sistema cabe en racks estándar, funciona sin agua y aguanta condiciones ambientales exigentes, lo que permite instalar capacidad de cómputo en zonas con limitaciones de red o clima.
Emerald AI: que el centro de datos obedezca a la red
El otro cuello de botella no es solo cuánta energía consumes, sino cuándo la consumes. Emerald AI desarrolló Emerald Conductor, una plataforma que conecta en tiempo real los centros de datos con las eléctricas y coordina cuándo se ejecutan las cargas. Puede bajar carga temporalmente en picos, mover inferencia entre ubicaciones o coordinar baterías locales.
En pruebas en Arizona, la compañía asegura haber reducido un 25% durante tres horas la demanda de IA de un centro de datos de Oracle en un momento de máxima exigencia de la red. Emerald afirma que su enfoque podría liberar hasta 100 GW de capacidad en la red estadounidense. Trabaja ya con NVIDIA, Oracle, Digital Realty y varias utilities. En 2026 anunció una ronda de US$150 millones con valoración de US$1.050 millones.
Euclyd: menos vatios por token en centros de datos soberanos
Euclyd ataca el mismo problema que d-Matrix (diseñar chips eficientes), pero desde otra óptica: infraestructuras completas que ejecuten más IA con menos energía, menos capacidad de cálculo y menos espacio físico. Su tecnología Craftwerk combina procesamiento y memoria para evitar el trasiego constante de datos.
En paralelo desarrolla CWS 32, un sistema para grandes centros de datos con bajo consumo por token. La propuesta ha llamado la atención del capital: según la fuente, acaba de anunciar una Serie A de más de €200 millones para preparar el despliegue comercial en empresas, infraestructuras soberanas y grandes data centers.
Starcloud: llevar los centros de datos al espacio
La apuesta más extrema es la de Starcloud, fundada en 2024 en Redmond (Washington), que quiere sacar los data centers de la Tierra. La idea es aprovechar la energía solar casi continua y la radiación como mecanismo de disipación de calor, sin depender de la red eléctrica ni de agua de refrigeración.
El primer satélite, Starcloud-1, se lanzó en noviembre de 2025 con una GPU NVIDIA H100 a bordo. Desde entonces, la compañía asegura haber entrenado el primer modelo de IA en órbita, haber ejecutado una versión de Gemini en el espacio y haber demostrado inferencia y fine-tuning sobre hardware de vuelo.
En marzo de 2026, Starcloud cerró una Serie A de US$170 millones liderada por Benchmark y EQT Ventures, con una valoración de US$1.100 millones, según TechCrunch. En agosto de 2026, la compañía anunció una extensión de Serie A de US$250 millones a valoración post-money de US$2.300 millones (US$2,3 mil millones), liderada por Manhattan West con la entrada de NVIDIA, Cisco Investments, Cedar Capital, Goanna Capital y Standard Capital, según el comunicado en BusinessWire. La financiación total acumulada asciende a US$450 millones desde la fundación.
Starcloud-2 está previsto para 2027 según la fuente, con varias GPUs, almacenamiento y sistemas propios de energía y refrigeración. Starcloud-3 apunta más alto: 200 kW, tres toneladas, pensado para lanzarse desde el sistema «PEZ dispenser» del Starship de SpaceX, con el objetivo declarado de alcanzar un coste de US$0,05 por kWh. La visión a largo plazo es una constelación de 88.000 satélites con 20 GW de capacidad de cómputo orbital.
La escala del reto queda en contexto: la red Starlink de SpaceX, con 10.000 satélites en órbita, produce alrededor de 200 MW, frente a más de 25 GW de data centers en construcción solo en EE. UU., según Cushman & Wakefield citado por TechCrunch. En 2025, NVIDIA vendió cerca de 4 millones de GPUs a hyperscalers terrestres, mientras que el número de GPUs avanzadas en órbita se cuenta por decenas.
¿Qué significa esto para tu startup?
Si construyes sobre IA, el coste por token y el coste por vatio están dejando de ser problemas de los hyperscalers para convertirse en variables de tu P&L. Algunas ideas accionables:
- Mide el coste por token de tus inferencias, no solo el coste por API. Modelos como los de Ora o Multiverse pueden permitirte correr LLMs en hardware modesto, cambiando tu estructura de costes si tu volumen es alto. Antes de firmar contratos a largo plazo con un proveedor, haz un benchmark interno de inferencia con modelos cuantizados en tu propio servidor.
- Revisa dónde se aloja tu carga crítica. Operadores como Oracle, Digital Realty y los proveedores cloud ya están adoptando plataformas como Emerald Conductor para responder a la red. Esto puede traducirse en tarifas dinámicas y disponibilidad real en picos. Negocia SLAs que tengan en cuenta respuesta a la red, no solo uptime.
- Piensa en refrigeración si entrenas o sirves modelos grandes. Si necesitas GPUs de última generación, sistemas como los de Ferveret o la refrigeración líquida de Schneider Electric (acuerdo de US$1.900 millones con Switch en noviembre de 2025, el mayor contrato de refrigeración para data centers en Norteamérica) ya no son experimental. Planifica esa partida desde el RFP, no después.
- Mira el espacio como opción de inferencia, no de entrenamiento. Por ahora, el cómputo en órbita (Starcloud, Project Suncatcher de Google, Aethero) tiene sentido para inferencia sobre datos de satélites y cargas donde la latencia de subir/bajar información a tierra es prohibitiva. El entrenamiento masivo seguirá en tierra hasta que Starship vuele a cadencia comercial.
- Si tu startup vende a empresas, el ángulo «sostenibilidad» ya no es marketing. Las grandes compradoras (bancos, telcos, retail) tienen objetivos de reducción de emisiones Scope 3 atados a sus proveedores cloud. Demostrar qué hardware corre tus modelos y con qué eficiencia puede abrir puertas o cerrarlas en procesos de procurement.
Fuentes
- Startups que están haciendo más sostenible la IA – Revista Emprendedores
- Starcloud raises $170 million Series A to build data centers in space – TechCrunch
- Starcloud Raises $250 Million At $2.3 Billion Valuation – Pulse2.com
- Starcloud Raises $250 Million – BusinessWire / AOL
- Startup d-Matrix Will Pair Its Raptor Memory-Based XPU To Nvidia Rackscale Iron – The Next Platform
- D-Matrix adopts NVLink Fusion for rack-scale AI inference – CryptoBriefing
- Data center sustainability: What are renewable energy credits? – TechTarget
- U.S. Data Center Construction Market Outlook 2026-2031 – Yahoo Finance / ResearchAndMarkets
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
