OpenAI usa TPU de Google, 80% más baratos que Nvidia en inferencia
Lucas Montero · Empresas y Resultados · 2026-04-23
Google presentó el miércoles dos chips especializados que atacan directamente el margen de Nvidia. OpenAI, Anthropic y Meta ya firmaron capacidad. La acción de Nvidia cedió 0.6% en premarket el jueves.
Google lanzó el miércoles 22 de abril sus chips de octava generación TPU 8t y TPU 8i en el evento Cloud Next de Las Vegas. La novedad no es que Google fabrique chips propios — lleva años haciéndolo —, sino el dato económico: el TPU 8i entrega 80% mejor rendimiento por dólar que la generación anterior en tareas de <abbr title="Ejecución de modelos de IA ya entrenados para responder consultas en tiempo real">inferencia</abbr>, y tres clientes de peso ya firmaron capacidad: OpenAI, Anthropic y Meta.
La acción de Nvidia cerró el miércoles en $202.50, con una ganancia de 1.31% en la sesión. En premarket del jueves cayó a $201.40, una corrección de –0.54% respecto al cierre anterior. Sin pánico, pero la dirección del mensaje es clara.
Dos chips, dos guerras
Por primera vez, Google divide su acelerador insignia en dos productos especializados, abandonando el modelo one-size-fits-all de generaciones anteriores. El TPU 8t se diseñó para entrenar modelos frontera a escala masiva: escala a 9.600 chips en un superpod con 2 petabytes de memoria compartida de alto ancho de banda. Según Google, entrega casi tres veces el rendimiento computacional de su predecesor Ironwood, reduciendo ciclos de desarrollo de modelos frontera «de meses a semanas».
El TPU 8i apunta a inferencia en producción: 288 GB de memoria de alto ancho de banda emparejados con 384 MB de SRAM en chip — tres veces más que la generación anterior. Google afirma que permite manejar «casi el doble de volumen de carga de trabajo al mismo costo». Ahí está el golpe: el 75% de la computación de IA futura será inferencia, no entrenamiento. Y en inferencia, la ventaja arquitectónica de Nvidia — su flexibilidad y ecosistema <abbr title="Plataforma de programación paralela de Nvidia que permite usar GPUs para cómputo general">CUDA</abbr> — pesa menos que la eficiencia económica de un <abbr title="Chip diseñado para una aplicación específica, más eficiente que un chip de propósito general">ASIC</abbr> especializado.
La lista de clientes que ya no dependen solo de Nvidia
Anthropic anunció que se ha comprometido a usar «múltiples gigavatios» de capacidad de TPUs de siguiente generación. Meta firmó en febrero — según The Information — un acuerdo multibillonario y multiaño por acceso a TPUs de Google. Y ahora OpenAI, el laboratorio que construyó GPT-4 entero sobre infraestructura de Nvidia, está tomando capacidad de TPU.
- Anthropic: múltiples gigavatios de capacidad TPU confirmados; amplió su acuerdo previo con Google Cloud.
- Meta: acuerdo multibillonario reportado en febrero; se suma a los $100.000 millones ya comprometidos con AMD y Nvidia en marzo.
- OpenAI: primera vez que diversifica fuera de Nvidia para cargas de trabajo en producción; movimiento estratégico dado su volumen de inferencia.
Estos tres labs representan la mayor parte del gasto en infraestructura de IA en 2026. Que los tres hayan firmado capacidad con Google en los últimos tres meses no es casualidad: es hedging. Ninguno quiere depender de un solo proveedor cuando el gasto en <abbr title="Gastos de capital, inversión en infraestructura física como servidores y chips">capex</abbr> de IA supera los $100.000 millones anuales por compañía.
Eficiencia como arma: el doble de rendimiento por vatio
Ambos chips — TPU 8t y TPU 8i — entregan hasta el doble del rendimiento por vatio comparado con Ironwood. En un mundo donde la energía es el cuello de botella (suministro de red, refrigeración, límites de potencia por rack), el chip especializado gana por física, no solo por precio.
Google afirma haber multiplicado por seis el cómputo por unidad de electricidad en los últimos cinco años. Nvidia sigue siendo versátil — su GPU sirve para entrenar, inferir, simulaciones científicas, renderizado — pero versátil ya no es sinónimo de óptimo cuando el cliente solo necesita inferencia a escala y paga la factura eléctrica.
Google no reemplaza a Nvidia; lo complementa (por ahora)
Google Cloud sigue siendo cliente mayor de Nvidia. De hecho, prometió que su nube tendrá disponible el chip más nuevo de Nvidia, Vera Rubin, más adelante este año. Google usa aceleradores GPU de Nvidia «a escala para cargas de trabajo donde compatibilidad ecosistema CUDA o capacidades de hardware específicas son requeridas», según la compañía.
El mensaje es claro: coexistencia, no desplazamiento total. Nvidia mantiene el liderazgo en entrenamiento y prototipado rápido. Pero para inferencia en producción a escala frontera, la física y la economía han virado hacia ASICs. Y si la ventaja de costo de Google fuerza a Nvidia a una guerra de precios en inferencia, el margen bruto — que ya tocó mínimos de tres años en el último trimestre de Microsoft, según <a href="#">publicamos la semana pasada — podría comprimirse aún más.
DA Davidson estimó en septiembre que el negocio de TPUs, acoplado con el grupo Google DeepMind, valdría aproximadamente $900.000 millones en un escenario de spin-out. Ese número da contexto al tamaño de la apuesta. Thomas Kurian, CEO de Google Cloud, declaró en el evento que «la fase experimental de la inteligencia artificial ha terminado». Sundar Pichai, CEO de Alphabet, escribió sobre «arquitectura especializada de chips y demandas de la era agentic».
El mercado se bifurca
Los TPU 8t y TPU 8i estarán disponibles generalmente más adelante en 2026 como parte del stack AI Hypercomputer de Google. Un superpod de TPU 8t escala a 9.600 chips y entrega 121 exaflops de capacidad computacional, con el doble del ancho de banda entre chips comparado con la última generación.
Nvidia sigue siendo el rey. Pero el reinado ya no es absoluto. El mercado de chips de IA se está partiendo en dos: entrenamiento sigue siendo territorio Nvidia; inferencia se reparte entre Nvidia, Google TPU, chips custom de Amazon (Trainium/Inferentia) y diseños de Broadcom para hiperescaladores. OpenAI eligiendo Google TPU para inferencia no es un dato técnico. Es un dato de negocio: el costo de switching se rompió, y el que paga la factura ahora tiene opciones.