Nvidia más allá del chip: código abierto, fábricas de IA y ventaja de infraestructura
Nvidia vende una infraestructura, no solo un chip
Análisis | 13 de noviembre de 2026. Nvidia es el proveedor dominante de chips de gama alta para entrenar y ejecutar modelos de IA en centros de datos, con estimaciones sectoriales que sitúan su cuota mundial en torno al 80%. Su importancia abarca software, herramientas de desarrollo, servicios de nube y prácticas de ingeniería. Sustituir esta plataforma operativa es mucho más difícil que diseñar un procesador rival. La cuota mide un mercado definido, no cuenta todas las empresas de IA ni demuestra dependencia exclusiva.
El paso de recuperar información almacenada a generar respuestas contextuales en tiempo real cambia la función económica de la computación. Un sistema de IA calcula para producir resultados, en vez de limitarse a entregar un archivo grabado. De ahí surge la fábrica de IA: la infraestructura forma parte de la producción de servicios digitales. La prueba comercial es si el resultado resulta suficientemente útil para generar más ingresos de lo que cuesta ofrecerlo.
El código abierto impulsa el motor, pero CUDA no es totalmente abierto
El código abierto permite examinar, modificar y compartir software conforme a su licencia. Hace posible colaborar entre empresas y países. PyTorch ilustra esa base compartida: su traslado a la Linux Foundation reunió a miembros como AMD, AWS, Google Cloud, Meta, Microsoft Azure y Nvidia. El software abierto de IA no es, por tanto, propiedad ni logro de una sola empresa de chips.
Nvidia participa mientras conserva componentes propietarios. CUTLASS se publica bajo licencia BSD y sus módulos del núcleo Linux para GPU utilizan licencia dual MIT/GPL. Pero abrir esos módulos no convierte en abiertos todo el controlador, el firmware o CUDA Toolkit. El toolkit tiene su propia licencia y restricciones. Descarga gratuita, código abierto y pesos abiertos son descripciones distintas; cada componente exige una comprobación separada.
Los modelos abiertos cumplen tres objetivos relacionados: entender futuras arquitecturas, extender la IA más allá de unos pocos proveedores propietarios y apoyar biología, física y robótica, no solo lenguaje. Nemotron 3 Super es un ejemplo concreto. Nvidia lo describe como un modelo híbrido Mamba-Transformer de mezcla de expertos, con 120.000 millones de parámetros totales y 12.000 millones activos, cuyos checkpoints, conjuntos de datos y métodos se han publicado. Esos materiales muestran una forma específica de apertura, no que todos sus productos carezcan de restricciones.
La ventaja es el camino de una idea a un sistema en funcionamiento
CUDA ofrece una plataforma de programación, compilador, bibliotecas y herramientas para aplicaciones aceleradas por GPU. Un investigador puede usar un framework de alto nivel sin escribir cada operación en CUDA. Sin embargo, las decisiones de implementación subyacentes afectan al uso de memoria, los cálculos y la comunicación entre dispositivos.
La base instalada de CUDA es una ventaja competitiva central. Software con soporte, ingenieros formados, depuradores y vías de despliegue conocidas reducen la incertidumbre de llevar un modelo a producción. Un rival compite contra esa combinación funcional, no solo contra una cifra de especificaciones. Sustituirla puede exigir adaptar software, validar resultados y reconstruir experiencia operativa. La dificultad es real, pero su coste depende de la carga de trabajo; no es una dependencia permanente.
OpenAI y la nube: dependencia importante, no monopolio universal
ChatGPT es un servicio de OpenAI, no otro comprador de chips en esta comparación. El anuncio de OpenAI de septiembre de 2025 describió a Nvidia como socio estratégico preferente de computación y redes y presentó una carta de intención para desplegar al menos 10 gigavatios de sistemas Nvidia. También expuso la intención de Nvidia de invertir progresivamente hasta US$100.000 millones. Son planes anunciados en una fecha concreta, no prueba de que toda la capacidad esté operativa o toda la inversión desembolsada.
La nube permite acceder al hardware de Nvidia sin comprar servidores propios. AWS documenta, por ejemplo, instancias EC2 P5 con GPU H100 y P5e/P5en con H200 para entrenamiento, inferencia y computación de alto rendimiento. El proveedor ofrece servicios alrededor del hardware, incluidas redes y gestión de capacidad. La relación va más allá de una compraventa de chips.
Nvidia domina el mercado amplio, pero las alternativas ya realizan trabajo importante. Google entrenó Gemini 2.0 en sus TPU Trillium. AWS ha informado de cargas de Anthropic ejecutándose en infraestructura Trainium2 de Project Rainier. Son alternativas reales, no prueba de que cualquier rival sea más barato, rápido o igualmente accesible para cada tarea. Hay dependencia considerable de Nvidia junto con sustitución selectiva, no dependencia exclusiva universal.
Más allá del chat: salud, robótica y computación junto al sensor
Las plataformas documentadas de Nvidia abarcan imagen médica, genómica, investigación farmacológica y robótica. Sus materiales sanitarios describen MONAI para IA de imagen médica y Parabricks para genómica; IGX se diseña para aplicaciones industriales, robóticas y médicas en el borde. Son capacidades y usos previstos, no pruebas de curación, autorización clínica o implantación en todos los hospitales.
Importa distinguir centro de datos y borde. Un sistema central proporciona grandes recursos compartidos; uno de borde procesa cerca de una cámara, máquina o sensor. Esto puede dar valor a la respuesta local y al envío selectivo de datos. Cada entorno impone exigencias distintas de energía, fiabilidad y seguridad. Una arquitectura presente en varios ámbitos no implica que un dispositivo idéntico sirva en todos.
Nvidia llegó al espacio; una fábrica orbital de IA es otra afirmación
Existe un ejemplo espacial documentado: una presentación de junio de 2023 del Jet Propulsion Laboratory enumera cuatro GPU Nvidia Tesla T4 en el paquete HPE Spaceborne Computer-2 a bordo de la Estación Espacial Internacional. El programa examinó también otros procesadores. Esto acredita hardware Nvidia en un experimento orbital, no que alimente todos los satélites ni que fueran las primeras GPU que volaron al espacio.
La explicación de NASA del programa describe la radiación y el enfoque de HPE basado en supervisar y ralentizar sistemas mediante software cuando hace falta. La experiencia muestra que la computación orbital no consiste solo en subir servidores por encima de la atmósfera. Importan radiación, redundancia, energía y evacuación del calor. Procesar imágenes cerca de los sensores de un satélite no equivale a construir una gran fábrica orbital de IA. Esta última sigue siendo una perspectiva, no un problema de refrigeración resuelto ni un calendario confirmado.
Valoración: separar el precio de mercado de una previsión
Los datos consultados para este artículo situaban el valor bursátil del capital de Nvidia en aproximadamente US$4,01 billones alrededor del cierre estadounidense del 12 de noviembre de 2026. Es una estimación redondeada y fechada, no una cotización en directo del 13 de noviembre en Estados Unidos. La capitalización valora las acciones; no son ingresos anuales, dinero en caja ni el beneficio total de la IA para la sociedad.
Una futura valoración de US$10 billones o ingresos anuales de US$3 billones pertenece a un escenario ambicioso, no a los resultados logrados. La expansión dependería de que las fábricas de IA creen nueva demanda y no solo ganen cuota existente. Su rentabilidad exige clientes dispuestos a pagar por resultados útiles, costes asumibles y progreso técnico continuo. Son posibilidades de largo plazo, no objetivos avalados ni garantizados por este análisis.
La próxima limitación es toda la fábrica
La unidad relevante ha pasado de GPU a ordenador, clúster y fábrica completa de IA. Los planes de OpenAI y las descripciones de clústeres GPU de AWS muestran por qué redes y despliegue importan junto al procesador. Energía, refrigeración, fiabilidad del software y utilización deben evaluarse juntas. Comprar aceleradores no equivale a operar un servicio productivo. La computación a escala planetaria sigue siendo una dirección futura, no una capacidad completada.
El código abierto amplía la participación y facilita adaptar el software. No suministra electricidad, elimina costes de hardware ni garantiza que una aplicación se pague sola. Asimismo, hardware y software propietarios pueden ofrecer rendimiento útil sin hacer permanente la dependencia. El equilibrio entre herramientas compartidas y plataformas comerciales sigue en disputa, no es una ley inmutable del sector.
Conclusión: difícil de sustituir no significa imposible
La importancia de Nvidia reside en la combinación: computación acelerada, plataforma madura, confianza de desarrolladores, acceso en la nube y aplicaciones desde laboratorios hasta un experimento orbital. Su trabajo abierto permite construir a más personas, mientras las capas propietarias conservan importancia comercial. La pregunta correcta no es si alguien puede copiar una GPU, sino si una alternativa proporciona el sistema completo y fiable que necesita un cliente concreto.
Esto hace difícil sustituir Nvidia en muchos entornos, no imposible en todos. Las TPU de Google y Trainium de AWS ya impiden esa afirmación absoluta. Su futuro depende de convertir ingeniería y alcance del ecosistema en trabajo útil a un coste aceptable. Una gran valoración refleja expectativas, no las garantiza. Este es un análisis editorial, no asesoramiento de inversión.