¿Por qué Nvidia cayó si Kimi K3 agotó GPU en 48 horas?
Lucas Montero · Geopolítica · 2026-07-29
Moonshot lanzó su modelo de 2,8 billones de parámetros el 16 de julio a mitad de precio que OpenAI. Los semiconductores perdieron 12,5% en la semana pero la startup china pausó suscripciones por saturación de capacidad.
Moonshot AI lanzó Kimi K3 el jueves 16 de julio con 2,8 billones de parámetros y código abierto, desatando la segunda ola de pánico en semiconductores en seis meses. Nvidia cayó 2% el viernes 17 de julio, el Nasdaq perdió 1,4% y el índice de Semiconductores de Filadelfia se desplomó 12,5% en la semana, su peor desempeño en 15 meses. Pero dentro de 48 horas del lanzamiento, Moonshot tuvo que pausar nuevas suscripciones de consumo por saturación de capacidad GPU.
La paradoja es brutal: el mercado castiga a los fabricantes de chips por un modelo chino eficiente, mientras ese mismo modelo agota la infraestructura disponible por demanda de inferencia. Es el segundo episodio de este guion en medio año.
Mitad de precio, mismo rendimiento
K3 es un modelo Mixture-of-Experts con 2,8 billones de parámetros totales y ventana de contexto de 1 millón de tokens. En benchmarks de tareas del mundo real (GDPval-AA v2), quedó tercero con 1.687 puntos, apenas detrás de Claude Fable 5 (1.815) de Anthropic y GPT-5.6 Sol (1.747) de OpenAI. En el test de código Frontend Code Arena, K3 tomó el primer lugar con 1.679 Elo, superando a ambos rivales occidentales.
El golpe no está en los benchmarks. Está en el precio: $3 por millón de tokens de entrada y $15 por millón de salida. Con cached inputs, la entrada baja a $0,30 por millón. Simon Koser, CPO de Tzafon, lo resumió sin rodeos: el costo se ha convertido en un asunto enorme para estos laboratorios.
Los pesos completos del modelo se abrieron al público el lunes 27 de julio bajo Kimi K3 License (una licencia personalizada con términos comerciales, no MIT estándar), sin coste. Moonshot, fundada en 2023 por Yang Zhilin, investigador de NLP formado en Tsinghua, tiene inversión de Alibaba, Tencent, Meituan y HongShan (ex-Sequoia China). Levantó $500 millones en una ronda Series C en enero de 2026 a valuación de $4,3 mil millones; en la ronda en curso, la valuación ha saltado a cerca de $31,5 mil millones.
DeepSeek, acto dos
En enero de 2025, DeepSeek irrumpió con la narrativa de que había entrenado un modelo competitivo por apenas $5-6 millones, una fracción de lo que gastaban hyperscalers estadounidenses. Esa cifra se revisó meses después: en septiembre, DeepSeek publicó en Nature que el entrenamiento de R1 costó $294.000 usando 512 chips Nvidia H800 durante 80 horas. SemiAnalysis estimó que la inversión real de infraestructura ascendía a ~$1.600 millones en CapEx más ~$944 millones en costos operativos, pero la narrativa ya había hecho daño.
- DeepSeek (enero 2025): Nvidia cayó temporalmente; narrativa de eficiencia extrema cuestionó capex masivos de Meta, Amazon y Google.
- Kimi K3 (julio 2026): Semiconductor Index pierde 12,5% en una semana; mercados asiáticos caen más rápido (Taiwan -6%, Japón -4%).
- Patrón repetido: modelo chino abierto + precio bajo + rendimiento cercano a frontera = pánico en Wall Street.
La diferencia esta vez: el mercado ya conocía el guion y reaccionó con más velocidad. Nvidia perdió brevemente su posición como empresa más valiosa del mundo cuando su capitalización cayó a $4,85 billones, cediendo terreno frente a Apple. Hoy miércoles 29 de julio, Nvidia cotiza en $197,01, recuperando 0,25% tras días de volatilidad.
Los que perdieron de verdad
Nvidia y el índice de semiconductores sufrieron, pero recuperaron terreno. Los que no se levantaron fueron competidores chinos directos. Z.ai (Zhipu), que salió a bolsa en enero de 2026, se desplomó 28% en Hong Kong el viernes 17 de julio, su mayor caída desde el IPO. MiniMax Group cayó 16% en la misma sesión.
No fue por debilidad de negocio. Fue por ser desplazados por un rival más grande, más barato y respaldado por Tencent y Alibaba. Moonshot no solo compite con OpenAI; está consolidando el mercado doméstico chino a velocidad.
Escala mata eficiencia
Aquí está la ironía que el mercado aún no resuelve. K3 es eficiente, sí. Cuesta menos entrenar y menos ejecutar por tarea. Pero cuando la demanda satura, la eficiencia no reemplaza el hardware: lo multiplica.
Un modelo que cuesta la mitad no reduce la necesidad de GPUs a la mitad si duplica o triplica la base de usuarios. La inferencia a escala sigue requiriendo infraestructura masiva. Esto favorece a Nvidia a largo plazo, pero el mercado sigue atrapado en la narrativa de cortísimo: modelo chino barato = menos demanda de chips.
El cálculo es más simple: si K3 cobra $0,95 por tarea frente a $2,10 de un rival occidental, puede capturar el doble de usuarios con el mismo margen operativo. Esos usuarios necesitan GPU para sus consultas. La demanda no desaparece; se redistribuye hacia quien ofrezca más capacidad al menor costo.
Qué queda por ver
Moonshot abrió los pesos de K3 el lunes 27 de julio. Eso significa que cualquier desarrollador puede descargar el modelo completo, ajustarlo y desplegarlo sin pagar API. La presión sobre OpenAI y Anthropic no viene solo de precio; viene de acceso. Un modelo abierto elimina la dependencia de un proveedor externo y permite despliegue on-premise o en nubes locales.
Para Nvidia, el dilema persiste: cada modelo chino eficiente genera dudas sobre capex futuro de hyperscalers, pero cada saturación de GPU en días del lanzamiento confirma que la demanda de inferencia no tiene techo visible. Desde el lanzamiento de K3, Google ha subido 2,19% a $333,71 y Meta se mantiene casi plana en $593,41, señal de que el mercado aún no decide si el shock chino es estructural o ruido.
La respuesta llegará cuando veamos si OpenAI y Anthropic bajan precios o si mantienen márgenes apostando a diferenciación técnica. Mientras tanto, Moonshot ya pausó suscripciones nuevas. El cuello de botella sigue siendo el mismo: no hay suficiente GPU para todos, sin importar cuán eficiente sea el modelo.