Una demostración impresionante y, después, una factura que enfría el entusiasmo: para muchas empresas, la IA también se descubre en las partidas del presupuesto de la nube. Detrás de los asistentes documentales y las herramientas de programación, los aceleradores Nvidia se han convertido en una infraestructura de referencia. ¿Es posible prescindir de ellos? En este mes de septiembre de 2026, la cuestión merece algo más que una comparativa de rendimiento. El objetivo no es necesariamente sustituir a Nvidia, sino recuperar la capacidad de elegir. Este análisis distingue los avances ya documentados antes de esa fecha de las perspectivas futuras, sin dar por supuesto el rendimiento comercial de productos venideros.
Una dependencia que va mucho más allá del chip
Nvidia no vende únicamente procesadores gráficos. Su ventaja se apoya en un conjunto: aceleradores, interconexiones, bibliotecas, herramientas de desarrollo y sistemas completos. CUDA, su entorno de computación paralela, nutre desde hace años la investigación y las aplicaciones industriales. Los equipos saben utilizarlo; el software suele estar optimizado para él; los proveedores lo ofrecen ampliamente.
Este círculo virtuoso se convierte, para el cliente, en un coste de salida. Una empresa puede comprar un acelerador de la competencia sin obtener de inmediato el rendimiento esperado. Habrá que adaptar algunas operaciones, sustituir bibliotecas y revisar configuraciones. El modelo arranca, pero la capacidad de procesamiento decepciona; entonces es necesario recurrir a ingenieros cuyo tiempo supera en ocasiones el ahorro conseguido en hardware.
También hay que distinguir entre los usuarios. Un banco que utiliza una API de IA generalmente no elige el chip subyacente. Una empresa de software que aloja sus modelos dispone de más margen de maniobra. Los grandes laboratorios, por su parte, negocian infraestructuras enteras. La dependencia directa del hardware y la dependencia indirecta de un proveedor de servicios no se abordan de la misma manera.
AMD: la competencia más cercana, no una sustitución automática
Con su familia Instinct, en particular los MI300X comercializados desde finales de 2023, AMD ha establecido una alternativa creíble para determinados usos de IA. Su capacidad de memoria constituye un argumento para alojar grandes modelos y limitar ciertas particiones entre aceleradores. Pero ninguna característica aislada basta: la memoria disponible importa tanto como su ancho de banda, las comunicaciones y la eficiencia del software.
La pieza decisiva se llama ROCm, la pila de software de AMD. Su integración con los principales frameworks facilita las pruebas, sin garantizar una migración sin dificultades. Un modelo basado en operaciones habituales será generalmente más fácil de trasladar que una aplicación enriquecida con componentes especialmente optimizados para CUDA. Por tanto, la compatibilidad anunciada debe comprobarse con las versiones exactas utilizadas en producción.
Para un comprador, el método adecuado consiste en comparar el servicio prestado: ¿cuántas solicitudes útiles, con qué latencia y calidad, y a qué coste total? Una tarifa por hora inferior puede perder su atractivo si la utilización sigue siendo baja. A la inversa, una alternativa con un rendimiento suficiente puede mejorar el poder de negociación, incluso sin sustituir todo el parque de equipos.
Los gigantes de la nube proponen su propia salida de emergencia
Google lleva mucho tiempo desarrollando sus TPU. Amazon Web Services ofrece Trainium para el entrenamiento e Inferentia para la inferencia. Microsoft presentó Maia en 2023. Estas iniciativas responden a una lógica común: controlar mejor los costes y el suministro, adaptando al mismo tiempo el silicio a las necesidades internas. Demuestran que la hegemonía de Nvidia no impide la especialización.
Para las empresas clientes, estos chips pueden ofrecer otra vía, sobre todo cuando los modelos y las herramientas encajan con el entorno del proveedor. Pero su accesibilidad varía: no todos los chips internos se convierten en recursos que se pueden alquilar libremente, y las configuraciones disponibles pueden variar según la región. Por tanto, el anuncio de un procesador no equivale a un catálogo universal.
El compromiso es tanto comercial como técnico. Abandonar CUDA por un servicio estrechamente vinculado a una nube puede limitarse a trasladar la dependencia. Es necesario examinar las herramientas de compilación, los formatos, los compromisos de consumo y el coste de trasladar los datos. Una alternativa de hardware no es necesariamente una estrategia de reversibilidad.
Los especialistas encuentran su lugar en la inferencia
Actores como Cerebras y Groq han optado por arquitecturas alejadas de la GPU clásica: un chip integrado de gran tamaño en el caso del primero, y procesadores diseñados en torno a una ejecución muy estructurada en el del segundo. Su promesa debe evaluarse tarea por tarea. Una excelente velocidad de generación en un modelo concreto no demuestra una superioridad general.
Esto es especialmente cierto en la inferencia, la ejecución cotidiana de los modelos después de su entrenamiento. Un asistente de voz prioriza el tiempo de respuesta; un procesamiento nocturno de documentos puede buscar una mayor capacidad de procesamiento. La longitud de las solicitudes, el número de usuarios simultáneos y el tamaño de las respuestas cambian la ecuación. Los aceleradores especializados pueden imponerse en un ámbito concreto sin cubrir todas las necesidades.
El propio proveedor entra en el cálculo. La disponibilidad del servicio, el mantenimiento, la cobertura geográfica, la confidencialidad y la solidez financiera importan tanto como la demostración técnica. Para una aplicación crítica, conservar una solución de respaldo puede ser razonable, aunque reduzca el ahorro anunciado. La diversificación debe disminuir el riesgo, no limitarse a cambiarlo de dirección.
El primer competidor de una GPU nueva es a veces el software
Antes de cambiar de hardware, una empresa puede reducir la cantidad de cómputo necesaria. La cuantización disminuye la precisión numérica y puede reducir las necesidades de memoria; la destilación transmite determinadas capacidades a un modelo más pequeño. Estas técnicas requieren pruebas: un ahorro resulta contraproducente si empeora las respuestas en los casos importantes.
Otras medidas son menos espectaculares: agrupar las solicitudes, gestionar mejor la memoria, reutilizar cálculos o dirigir las peticiones sencillas a un modelo más ligero. Motores como vLLM han contribuido a hacer más eficiente la inferencia. No obstante, su soporte para los distintos tipos de hardware debe comprobarse función por función, y no deducirse de un logotipo de compatibilidad.
El resultado puede ser paradójico: la empresa sigue con Nvidia, pero compra o alquila menos capacidad. Reduce así su dependencia económica sin una migración inmediata. A largo plazo, las aplicaciones que consumen menos recursos también pueden funcionar en más plataformas. La optimización es, por tanto, a la vez un ahorro inmediato y una preparación para la competencia.
Cómo decidir sin convertir la prueba en un proyecto interminable
El punto de partida adecuado es una cartera de tareas, no una preferencia de marca. El entrenamiento de grandes modelos exige una coherencia de infraestructura difícil de improvisar. Una aplicación de inferencia bien delimitada suele constituir un mejor terreno de experimentación. La empresa debe fijar sus criterios antes de las pruebas e incluir el trabajo de migración en el presupuesto.
- Medir en condiciones reales: calidad, latencia, capacidad de procesamiento y resistencia a los picos de demanda.
- Calcular el coste total: alquiler, energía, ingeniería, operación e indisponibilidad.
- Mantener una vía de salida: documentar las dependencias y probar una configuración de respaldo.
¿Y ahora qué? La perspectiva más plausible es la de una diversificación progresiva, más que una sustitución generalizada de Nvidia. Los competidores pueden captar cargas de trabajo muy concretas, mientras el software reduce los recursos necesarios. Para las empresas, la mejor garantía consiste en poder comparar y trasladar determinados usos. La libertad se medirá menos por el número de proveedores homologados que por la posibilidad real de cambiar de uno a otro.