Tensordyne: la startup de 120 personas que reta a Nvidia

El monopolio de Nvidia no es tan sólido como parece

Las cuatro mayores empresas de nube de Estados Unidos miran un gasto de capital de más de US$700.000 millones este año, y el gasto acumulado en infraestructura de IA llegaría a entre US$3 y US$4 billones hacia 2030. Son las cifras que usa R K Anand, cofundador y chief product officer de Tensordyne, una empresa de inferencia de IA, para dimensionar el mercado que hoy domina Nvidia.

Anand no escribe desde la tribuna. Fue ingeniero fundador y vicepresidente ejecutivo de la unidad de data center de Juniper Networks, la startup que en los años del boom puntocom le quitó terreno a Cisco en el mercado de routers. Su argumento, publicado como análisis en Crunchbase News, es que los monopolios de tecnología de frontera parecen insuperables justo hasta que cambia el trabajo que hay que hacer. Y en IA, ese trabajo ya está cambiando.

La lección de Juniper contra Cisco: no hagas la versión barata

Cisco, fundada en 1984, dominó el routing de internet durante casi toda la década de 1990 y en marzo de 2000 fue la empresa con mayor capitalización de mercado del mundo. Juniper, donde Anand fue ingeniero fundador, envió su primer router core en 1998. Pasó de ser una desconocida a quedarse con el 17% del mercado de routers core a fines de 1999, y luego con el 38% a comienzos de 2001.

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 →

¿Cómo lo hizo? La primera regla que Anand extrae de esa experiencia es directa: no construyas una versión más barata del producto del incumbente, construye uno mucho mejor. Juniper apostó a que el internet adolescente de entonces iba a exigir un throughput exponencialmente mayor, y en lugar de optimizar el router existente propuso una arquitectura nueva.

Esa es la diferencia entre competir por precio y competir por definición de categoría. La segunda es la única que le da a una startup sin reputación una razón para que un cliente asuma el riesgo de cambiar de proveedor.

La inferencia es el nuevo campo de batalla

El equivalente actual de esa presión por throughput es la inferencia: el trabajo de poner los modelos ya entrenados a responder consultas y ejecutar tareas. Anand sostiene que la obsesión inicial por el entrenamiento está cediendo y que la industria se mueve colectivamente hacia el uso.

El dato que mejor lo ilustra viene del propio análisis: Google procesa más de 3,2 cuatrillones de tokens por mes, frente a 480 billones un año antes, a medida que la IA pasa del chat a agentes que planifican y actúan en nombre del usuario.

Servir tokens a escala impone restricciones distintas a las del entrenamiento: memoria, energía y costo. Y ahí es donde aparecen los challengers. El propio Anand lo formula como principio general: los retadores tienen más chances si optimizan para el mercado que viene, no para el que el incumbente ya sirve bien.

¿Cuánto dinero está entrando en silicio para inferencia?

El mercado lo confirma con capital. Según Semiconductor Engineering, en el tercer trimestre de 2026 80 startups levantaron US$8.500 millones, y dos empresas de inferencia anunciaron US$1.000 millones cada una. Casi US$7.500 millones del total se concentraron en 22 startups que levantaron US$100 millones o más.

Algunos casos concretos de ese informe:

Etched reunió US$1.000 millones en dos rondas: US$300 millones en julio liderados por Sequoia Capital y US$700 millones en agosto liderados por Jane Street. Diseña chips, empaques e interconexiones para inferencia de modelos de frontera a escala de rack.
SambaNova levantó US$1.000 millones en el primer cierre de una Serie F liderada por General Atlantic, con chips basados en su arquitectura de dataflow reconfigurable.
Positron AI sumó hasta US$875 millones entre Serie C y C-1, con sistemas de inferencia construidos sobre memoria LPDDR5X en lugar de HBM.
OLIX, con sede en Londres, levantó US$312 millones en Serie B para hardware de inferencia con interconexión óptica entre chips.

En Europa el movimiento tiene un sesgo de soberanía tecnológica. Euclyd, con sede en Eindhoven, cerró una Serie A de más de €200 millones (unos US$231 millones) co-liderada por Samsung, Somerset Capital Partners, el Scaleup Europe Fund de la UE gestionado por EQT e Innovation Industries, según TechTimes. La compañía afirma que su sistema CRAFTWERK ofrece una eficiencia energética por token unas 100 veces mayor que los chips Vera Rubin de Nvidia, una cifra que, como señala el propio medio, todavía no fue validada de forma independiente.

Ese último punto es la parte incómoda del momento: hay mucho capital y muchas arquitecturas nuevas, pero poca validación comercial a escala.

¿Quiénes son los otros rivales de Nvidia?

Según un análisis de The Motley Fool, el riesgo competitivo de Nvidia no viene solo de otros fabricantes de chips. AMD puede crecer como opción de menor costo con sus GPUs Instinct, y los ASIC de Broadcom están especializados para hyperscalers, no para las cargas de propósito general que atienden las GPUs de Nvidia.

Pero el riesgo mayor, según ese mismo análisis, son los propios grandes clientes de Nvidia, que desarrollan chips internos para sus data centers. Esos chips no son más rápidos ni se venden afuera, pero ocupan espacio físico en los data centers y son más baratos, lo que puede erosionar el poder de fijación de precios del líder y postergar los ciclos de renovación de hardware.

¿Por qué la reputación es el activo más difícil de replicar?

Anand identifica el obstáculo real de cualquier challenger: no tiene la reputación del incumbente. Comprar al líder del mercado es la opción segura, así que la startup debe reemplazar esa confianza con evidencia. Cada ventaja tecnológica que puedas demostrar y validar hace más fácil la siguiente conversación con un cliente.

Y hay un segundo frente, más terrenal: la inercia. Nadie está casado con un proveedor por lealtad; simplemente es más fácil seguir haciendo lo que ya se hace. Si migrar implica reescribir el stack, la mejora técnica no alcanza para justificar el cambio.

El caso de Nvidia lo muestra con claridad. Su modelo de programación CUDA es el estándar de facto de la industria desde 2007, y los equipos de IA acumularon años de código y conocimiento optimizado para él. Un chip con mejor eficiencia por token no se adopta solo porque sea mejor en el papel.

¿Qué significa esto para tu startup?

La lección no es solo para empresas de semiconductores. El patrón aplica a cualquier fundador que compita contra un incumbente con escala y marca.

Optimiza para el mercado que viene, no para el que ya está bien servido. Pregúntate qué va a necesitar tu cliente dentro de 18 meses y que hoy nadie le está resolviendo bien. Ahí es donde una arquitectura nueva gana, no en el terreno donde el líder ya es fuerte.
Convierte cada ventaja técnica en evidencia publicable. Benchmarks reproducibles, pilotos con clientes nombrados, resultados auditables. La credibilidad se compone lento y es justamente el activo que el incumbente da por sentado.
Diseña la migración antes que el producto. Si tu cliente tiene que reescribir su stack para usarte, tu ventaja técnica pierde. Compatibilidad, importadores y caminos de adopción gradual son parte del producto, no del soporte.
Aprovecha que los equipos chicos rinden más. Anand compara: Juniper tenía unos pocos cientos de personas cuando ya tenía tracción relevante de mercado, frente a los miles de empleados de Cisco. Tensordyne hoy son alrededor de 120 personas.

Conclusión

La ventana para desafiar a Nvidia no se abre porque el incumbente se debilite, sino porque el trabajo cambia: del entrenamiento a la inferencia, del chat a los agentes. Eso es lo que Anand llama la ventaja de la incertidumbre. Los monopolios de frontera se ven insuperables hasta que la tarea se transforma.

Para un founder, la lectura práctica es doble. Primero, la escala del incumbente es también su lentitud: los ciclos de modelos hoy se renuevan en semanas, no en años, y el hardware tiene que seguir ese ritmo. Segundo, un equipo pequeño puede hoy hacer lo que antes requería un ejército. La pregunta no es si puedes ganarle al líder en su terreno, sino si puedes elegir un terreno que todavía no existe.