Wall Street no está financiando GPUs
Mi visión particular del comunicado de Nvidia desde mi experiencia en el mantenimiento y despliegue de infraestructura en centros de datos
Nota: datos de Agosto de 2026
La vida en el mundo de los operadores de infraestructura ha sido muy repetitiva los últimos años: llegaba un proyecto nuevo, encargabas un conjunto de servidores, almacenamiento, red… lo comprabas y lo amortizabas a 5/6 años. Y lo hacías así porque realmente la vida útil que tenía técnicamente el hardware era esa: 5/6 años. Tras ese tiempo, tanto el almacenamiento como el cómputo estaban generalmente obsoletos en cuanto a funcionalidades respecto a lo nuevo en el mercado, y además arriesgabas a no tener recambio del fabricante al ser hardware “legacy”.
Pero, en ocasiones, aparecían clientes que podían vivir con ese riesgo a cambio de pagar más barato, y entonces entrabas en lo que era cobrar alquiler por un piso pagado: todo beneficios, una vez le restas los impuestos.
Cronológicamente hablando, vamos a avanzar a la época en la que empresas profesionales en lo que respecta a diseño de CPDs nos alquilaban espacios para montar nuestros armarios (aún vigente, por cierto). El piso (el CPD) era de alquiler, siempre lo era, y nos parecía bien. Nos lo alquilaban por Racks y MW. Lo que iba dentro (switches, almacenamiento y servidores), lo comprábamos nosotros (o el proveedor que nos asistiera en aquel momento) y se amortizaba.
Llega agosto de 2026, y parece que alguien ha tenido una idea parecida, aplicada al mundo de la IA, y la ha vestido de gala: Jensen Huang, CEO de Nvidia, ha dicho que ha establecido una alianza con varios fondos de inversión (aunque realmente es un Memorandum of Understanding (conocido como MOU) , es decir un acuerdo de mínimos que si va más adelante, ya se verá como se materializa).
Los titulares y la mayoria de articulos que he visto solo han hablado del valor “500.000 M$”. Nadie habla del detalle: se trata de un MOU, que va sujeto a acuerdos definitivos (que nadie ha visto) y que los 500.000M$ es capital de terceros que los fondos de inversion mencionados en la nota de prensa esperan ser capaces de movilizar con el tiempo. En lo que en la nota de prensa se llama “forward-looking statements” (una sección legal donde una empresa cotizada declara, ante del regulador, que partes de la nota de prensa no son hechos) , los términos y su calendario previsto son “expectativas”, no “hechos”. En resumen: no hay un duro comprometido públicamente a día de hoy.
Con esta propuesta, Nvidia quiere cambiar que es lo que alquilamos, lo que compramos y amortizamos, y las reglas sobre que consideramos obsoleto y cuándo. Durante 20 años hemos estado pagando el alquiler por megavatios, y ahora Huang nos dice que el activo que aguanta valor es el chip.
Hasta donde yo se, un chip sin electricidad no hace nada.
Lo que vas a leer, en cinco líneas
- El anuncio es un memorando de entendimiento. No hay dinero comprometido públicamente.
- La plataforma de Nvidia termina en el rack. Los megavatios que la alimentan los trae otro, y a su ritmo.
- El silicio pierde la mayor parte de su valor dentro del plazo de la deuda que lo financia. Que siga funcionando no lo convierte en garantía.
- La vida útil del hardware no es un dato técnico: es una hipótesis contable, y mover esa hipótesis cambia el coste anual de un centro de datos casi a la mitad.
- Nada de esto hace que la operación sea inviable. Hace que el riesgo esté repartido de una forma que el anuncio no aclara.
El paquete ya no es únicamente el chip
Antes de seguir, conviene aclarar que, tal y como expone el CEO de Nvidia en su texto en X, el paquete de valor que ofrecen no es solo el chip. Incluye:
- CUDA: software que, gracias a mejoras sucesivas, aumenta el rendimiento al cabo de los años aun sobre el mismo chip.
- Arquitectura universal: el hierro se puede reasignar a otros clientes, otros clouds u otros operadores, porque todos hablan el mismo idioma.
- La durabilidad demostrada de los chips, con ejemplos como el A100 que, pese a ser un chip de 2020, sigue usándose con clientes dispuestos a firmar contratos multianuales por esa capacidad.
La propuesta suena sólida. Incluso casa con la operativa que he comentado al principio del artículo. El problema es que, en cuanto llegamos al enchufe eléctrico, el argumento de valor residual se viene abajo.
Nvidia llega hasta el rack. No hasta la acometida.
Seamos justos, porque este punto se explica mal a menudo: Nvidia sí especifica arquitectura eléctrica. La distribución en 800 VDC que han presentado para hacer viables los racks de nueva generación es suya, y es una pieza seria de ingeniería.
Lo que no hace Nvidia (lo que no puede hacer nadie) es traer los megavatios hasta la valla.
Esa es la frontera. Dentro de la sala, mandan ellos. Fuera de la sala, manda la compañía eléctrica, el regulador y una cola de espera. Y todo el argumento de valor residual vive fuera de la sala.
La curva que nadie enseña
Cuando se habla del consumo de las GPUs, se suele citar el TDP por chip. Es el número menos relevante para quien ha tenido que llenar un armario. La unidad que importa es el rack, porque es la unidad en la que se contrata:
Por GPU, la progresión es la misma historia: 300 W en un P100 (2016), 700 W en un H100 (2022), 1.000 W en un B200, 1.400 W en un B300. Para Rubin se han reportado perfiles de 1.800 W (Max-Q) y 2.300 W (Max-P) ,ojo: cifras de terceros, no confirmadas oficialmente; tomadlas como tales.
Ahora el contraste. Según la encuesta del Uptime Institute de 2024, la densidad media de un rack de CPD en el mundo ronda los 8 kW, y solo alrededor del 1% de los operadores maneja racks por encima de 100 kW.
Es decir: la generación actual de Nvidia necesita, por armario, entre quince y treinta veces lo que consume el armario medio del planeta. Y la siguiente pide más.
Un apunte técnico, porque aquí se cuelan muchos números mal: los TDP se publican a veces por die, a veces por package (dos dies) y a veces por superchip con CPU incluida. Comparar entre fuentes sin mirar esto produce tablas que no significan nada.
Un H100 no se muere. Le quitan el enchufe.
Aquí está el fondo del asunto, y es algo que entiende cualquiera que haya tenido que decidir qué saca de un rack para meter otra cosa.
Un H100 comprado en 2022 seguirá funcionando perfectamente en 2028. No se va a estropear. Lo que pasará es que ocupará unas U de rack y unos kilovatios de acometida que, con hierro nuevo, producen varias veces más trabajo útil.
Cuando lo que escasea es el megavatio, el hardware antiguo no se jubila por avería. Se jubila porque el vatio que consume vale más en otra máquina.
Esto no contradice el ejemplo del A100 de Huang. Lo reencuadra. El A100 sigue siendo útil, sí. La pregunta que le importa a quien presta dinero no es si el chip enciende: es cuánto vale dentro de seis años, que es el plazo típico de la deuda.
El experimento del contenedor de basura
Existe evidencia empírica sobre esto, y es reciente.
Un equipo de investigadores publicó en julio de 2026 un paper con un título difícil de olvidar: DumpsterCluster: From Dumpster Diving to Serving LLaMA-70B on $60 GPUs (arXiv 2608.14614, Cao, Guo, Zhang, Lau, Shumailov y Zhao). Montaron físicamente un clúster de 128 GPUs V100 (chips de 2017) comprando solo componentes de segunda mano.
Los números de compra son los que se han hecho virales: 22.000 $ el clúster entero frente a 600.000 $ un sistema de 8 GPUs B200. Con optimizaciones de paralelismo por pipeline, el trasto consigue un rendimiento competitivo sirviendo LLaMA-70B.
Ese resultado se ha citado bastante estas semanas como prueba de que el hierro viejo aguanta. Y aquí es donde conviene leer el paper y no el resumen.
Primero, la tabla de “tokens por segundo y por dólar” que todo el mundo reproduce lleva una nota al pie: el coste monetario que usan es solo CapEx. No incluye la operación.
Y segundo, el propio abstract del paper dice, textualmente, que las GPUs antiguas consumen significativamente más energía por token, y que eso hace que el coste total de propiedad solo sea favorable en regiones con electricidad barata. Añaden que, con intensidad de carbono media de red, los sistemas de segunda mano generan del orden de 4 veces más emisiones por token en modelos de 8B, y más de 40 veces en modelos de 70B, comparados con hardware actual.
Léelo otra vez: el estudio que se cita para demostrar que el hardware antiguo mantiene su valor demuestra en realidad que lo mantiene solo donde el vatio es casi gratis.
Que es exactamente lo contrario de donde está la demanda de IA.
El gráfico que entierra el argumento del valor residual
El mismo paper trae otra cosa que nadie ha querido mirar de frente: las curvas de precio de segunda mano.
Una V100 de 16 GB salió a unos 10.000 $. Ocho años después se compra por cifras de dos y tres dígitos. Una A100 de 40 GB salió a unos 12.000 $ y a los seis años se mueve en el entorno de los 2.000.
Redondeando: en torno a un 84% de pérdida de valor en seis años para Ampere. Prácticamente el 99% en ocho o nueve para Volta.
Seis años es, más o menos, el plazo al que se estructura la deuda de infrastructura.
Y aquí hay un salto lógico que se está dando alegremente en varios sitios: se dice que, si las GPUs demuestran que duran, los prestamistas las aceptarán mejor como garantía. Eso confunde utilidad con valor de colateral. Una V100 que funciona perfectamente y vale 60 $ es útil y es inservible como garantía. Nadie suscribe deuda contra lo que enciende: se suscribe contra lo que se puede liquidar.
Ratios y absolutos
Hay que reconocer el mérito donde lo hay: la eficiencia por unidad de trabajo mejora, y mucho. Nvidia reivindica del orden de 5 veces más throughput por megavatio respecto a Hopper. CoreWeave ha publicado mediciones de un salto de aproximadamente 10x en tokens por segundo y por megavatio pasando de GB200 NVL72 a VR200.
Get Warpr’s stories in your inbox
Join Medium for free to get updates from this writer.
Dos matices antes de tragárselo entero: esa comparación se hace contra Blackwell, no contra los H100 y H200 que la mayoría de organizaciones tienen realmente en producción; y el multiplicador asume utilización plena, cuantización FP4 y batching óptimo a la vez, cosa que en producción no es lo habitual.
Pero aceptemos el número. Y fijémonos en la unidad: tokens por megavatio.
Ni el fabricante ni el operador están midiendo tokens por chip. Están midiendo tokens por vatio. Porque el vatio es el denominador escaso.
Y ahí está la distinción que sostiene todo este artículo:
- La eficiencia marginal (tokens por julio) mejora generación tras generación.
- El consumo absoluto se dobla por GPU y se multiplica por cinco o por quince por rack.
Los dos datos son ciertos a la vez. Y la consecuencia es incómoda para la tesis del chip: si cada generación saca más tokens del mismo julio, lo que se aprecia con el tiempo es el megavatio conectado, no lo que enchufas a él.
En España, el megavatio ya es un activo especulativo
Hasta aquí, razonamiento. Vamos a los números de casa, que son públicos desde hace poco y prácticamente nadie los ha cruzado con esta discusión.
El 9 de septiembre de 2025, en cumplimiento de la Circular 1/2024 de la CNMC, las distribuidoras españolas publicaron por primera vez los mapas oficiales de capacidad de red. El retrato: alrededor del 83,4% de los nudos de distribución saturados.
Ahora las tres cifras que a mí me parecen definitivas:
- 25 GW solicitados en permisos de acceso para centros de datos en España.
- ~3 GW que el sector considera proyectos reales. El resto son solicitudes redundantes: el mismo proyecto pidiendo enganche en varias ubicaciones a la vez para asegurarse alguna.
- 439 MW de capacidad IT realmente instalada en 2025.
La distancia entre esos tres números no es una anomalía estadística. Es el mercado diciéndote qué activo escasea de verdad. Nadie especula con GPUs reservando GPUs fantasma. Con megavatios, sí.
El Gobierno lo sabe y ha tenido que legislar dos veces en seis meses para desatascarlo: el RDL 7/2026 abrió una ventana de renuncia voluntaria a permisos de acceso de demanda que se cerró el 22 de junio de 2026 (renunció poco más de 1 GW, o sea, casi nadie) y el RDL 18/2026 ha pasado el control de caducidad de revisión anual a escrutinio trimestral, con caducidad automática y sin periodo de gracia.
Y esto no es un problema español. La espera para conectar una demanda grande a la red se cifra en cuatro años de media en mercados principales. (JLL Global Data Center Outlook 2026). En Países Bajos se han reportado colas de hasta diez años. Dublín paró acuerdos de interconexión para centros de datos. Singapur paró directamente las nuevas construcciones.
Construir la nave son 18–24 meses. Conseguir los electrones, más de 4 años.
¿Quién se queda qué capa?
Vamos a la pregunta que el anuncio de Nvidia no responde.
En el informe de Epoch AI existe un desglose del coste anual de poseer y operar 1 GW de capacidad de IA que ordena bastante bien las ideas. Los grandes bloques:
(fuente Amelia Michael y Ben Cottier (2026), Epoch AI. CC BY.)
Dos cosas saltan a la vista.
La primera: la unidad de cuenta que usan los propios financieros es 1 GW. No “X miles de GPUs”. Ni ellos cuentan en chips.
La segunda: el continente vive casi el triple que el contenido. Catorce años contra cinco. Es exactamente lo que llevamos dos décadas haciendo sin ponerle nombre (alquilar lo duradero y comprar lo perecedero) pero ahora con las cifras delante.
Una nota más sobre el tema de la llegada de energía: son solo 20 M$ de un total de 8.514 M$, pero ese no es el problema, como repito todo el rato, el problema es hacer llegar la electricidad a esas acometidas. Podemos construir transformadores, acometidas y puntos de entrada, pero si la distribuidora no los enchufa, no sirven para nada.
Lo que el anuncio de Nvidia no aclara en ningún momento es quién se queda cada capa. ¿Las plataformas financian el silicio, o financian también la nave y la acometida? ¿Quién firma el contrato de la electricidad? ¿Quién asume el riesgo de que el nudo eléctrico no llegue a tiempo?
Y hay una pieza más, que no está en la nota de prensa sino en el texto de Huang en X: Nvidia contempla dar soporte de valor residual de hasta un 25% de una operación, caso por caso. No se ha publicado si ese 25% es de primera pérdida (el tramo donde de verdad se pierde dinero) o un prorrateo sobre el total. La diferencia entre una cosa y otra es enorme, y a día de hoy nadie de fuera lo sabe.
Añadamos un dato de contexto que tampoco ha salido en titulares: en la propia nota, Nvidia aparece como inversor fundador de un vehículo de infraestructura digital de uno de los seis socios, y otro describe el acuerdo como profundización de una relación previa. No es una acusación de nada. Es información necesaria para calibrar la palabra “independiente”.
La vida útil no es un dato, es una decisión
Del mismo informe de Epoch, podemos sacar la nota más incómoda: mover la vida útil de todo el equipo de IT de 7 años a 3 lleva el coste anual de ese gigavatio de 7.000 a 12.000 M$. No cambia el hardware ni la instalación: cambia una hipótesis, y el argumento de Huang, CUDA incluido, sirve para estirarla.
No es que vaya a salir mal. Es que el riesgo no está donde parece.
Que quede claro lo que no estoy diciendo: no estoy diciendo que esto sea una burbuja, ni que las operaciones vayan a fallar, ni tengo la menor idea de cuándo pasará nada.
Lo que digo es más aburrido y, creo, más útil: el megavatio conectado es buen colateral. El silicio no. Un contrato de acometida en un nudo con capacidad es un activo de infraestructura de manual: escaso, localizado, con vida larga y que se revaloriza cada vez que sale una generación de chips que saca más tokens del mismo vatio. Un GPU es un activo que pierde el 84% de su valor en el plazo de la deuda que lo financia.
Así que la pregunta no es si esto es financiable. Probablemente lo sea. La pregunta es quién se queda cada mitad. Quien tenga el contrato eléctrico tendrá infraestructura. Quien tenga solo las cajas tendrá un activo que se deprecia contra un techo físico que no controla.
Qué mirar a partir de ahora
Cinco indicadores que cualquiera puede seguir sin ser analista:
- Si los MOU se convierten en acuerdos definitivos. Si en 6–12 meses no hay contrato, eso es información.
- La estructura de ese 25%, cuando se publique. Primera pérdida o prorrateo.
- Precios de alquiler de H100 y A100 por GPU-hora en fuentes independientes, según vaya entrando capacidad Blackwell y Rubin.
- Plazos de amortización en las cuentas anuales de hyperscalers y neoclouds. Si alguien los acorta, es una confesión.
- Contratos de offtake con clientes no-IA. Empresas normales comprometiendo capacidad plurianual. Eso sí sería demanda final.
Las cifras del artículo son de agosto de 2026 y algunas envejecerán rápido; las que he marcado como no confirmadas, más rápido todavía. Me toca decir, supongo, aquello típico de “esto no es un consejo de inversión”.
Pero el marco creo que aguanta: llevamos veinte años pagando alquiler por megavatios y comprando lo que metíamos dentro (o haciendo un leasing). Y lo hacíamos así por una razón muy sencilla, que sigue siendo cierta.
Referencias
1. Post de Huang en X -> https://x.com/JensenHuang/status/2086934705207959965
2. Nota de prensa oficial de nVidia → https://nvidianews.nvidia.com/news/nvidia-partners-with-apollo-blackrock-blackstone-brookfield-goldman-sachs-and-kkr-to-establish-ai-compute-infrastructure-financing-platforms-to-mobilize-over-500-billion-of-third-party-capital
3. Entrada en blog corporativo de Huang → https://blogs.nvidia.com/blog/nvidia-ai-factory-compute/
4. Paper del Dumpercluster → https://arxiv.org/abs/2608.14614
5. Colas de interconexión → https://emp.lbl.gov/queues
6. Cost of running AI datacenter Epoch AI → https://epoch.ai/data-insights/ai-datacenter-cost-breakdown
7. Análisis de coreweave → https://www.coreweave.com/blog/nvidia-vera-rubin-nvl72-on-coreweave-10x-more-tokens-per-megawatt-than-blackwell
8. Mapa de demanda de e-distribució → https://www.edistribucion.com/es/red-electrica/nodos-capacidad-red/capacidad-demanda.html
9. JLL Global datacenter outlook 2026 → https://www.jll.com/content/dam/jllcom/en/global/documents/reports/research-reports/26-research-global-data-center-outlook-new.pdf
Éste artículo se ha escrito con la ayuda de IA, especialmente en lo que respecta a búsqueda de datos y contraste de fuentes.
