Nvidia afirma que los laboratorios de vanguardia representan solo entre el 25% y el 30% de su capacidad de cómputo, mientras que el contenido por gigavatio supera los $40.000 millones y la licencia de software y el reparto de ingresos surgen como nuevos vectores de crecimiento
Podcast BG2 con Jensen Huang, grabado días después del acuerdo de la Casa Blanca sobre superinteligencia, 15 de octubre de 2026
La revelación más útil de la tercera conversación de Jensen Huang en el podcast BG2 con Brad Gerstner y Clark Tang es una segmentación de la demanda de Nvidia, ofrecida como réplica a la preocupación de que el desarrollo de la inteligencia artificial (IA) recae en solo dos clientes. Huang indicó que Nvidia acapara aproximadamente el 80% de la cuota de ingresos de la infraestructura de IA a nivel mundial y dividió el negocio en tres partes más o menos iguales. Alrededor de un tercio corresponde a la computación clásica: procesamiento de datos, simulación, química cuántica, gráficos y aprendizaje automático tradicional, como la detección de fraudes en Visa y Mastercard. Afirmó que este segmento existiría "incluso si no hubiera laboratorios de IA" y crece entre un 30% y un 40% anual. Otro 25% o 30% del cómputo se destina a los laboratorios de vanguardia. Huang señaló que cuenta cinco o seis, no dos, y mencionó el esfuerzo Muse de Meta, Grok de xAI, Gemini y Anthropic, que se convirtió en cliente este año. El tercio restante está compuesto por miles de startups que alquilan capacidad de cómputo de Nvidia en áreas de IA física, biológica y de materiales, un negocio que comparó con "AWS para el futuro".
Este encuadre está dirigido deliberadamente a la fijación del mercado con los ingresos de OpenAI y Anthropic. Huang afirmó que ambos laboratorios "van a ser dos de las empresas tecnológicas más trascendentales jamás construidas en la historia", pero que "no necesitan acercarse a ingresos de un billón de dólares para tener éxito". Añadió que "estamos metiendo demasiada presión en eso". La salvedad es que Huang no respondió directamente a la pregunta central de Gerstner sobre el retorno de la inversión. Gerstner estimó que los ingresos de los laboratorios de vanguardia e inferencia rondan los $200.000 millones este año y tendrían que duplicarse a $400.000 millones y luego a $800.000 millones para justificar el gasto de capital (capex). En su lugar, Huang recurrió a un argumento de arriba hacia abajo (top-down), que los inversionistas deben sopesar debidamente.
Contenido por gigavatio y ganancias de cuota
Huang cuantificó cuánto de cada dólar en los centros de datos captura ahora Nvidia. Indicó que el contenido por gigavatio de la compañía subió desde unos $18.000 millones hasta la cifra baja de los $20.000 millones y ahora supera los "$40.000 millones", y espera que siga aumentando a medida que Nvidia incorpore redes, CPUs, almacenamiento y software de seguridad. Más adelante, al citar el costo total, situó la computación de propósito general en $5.000 millones por gigavatio y un gigavatio basado en Vera Rubin en $50.000 millones. Huang describió a Nvidia como "la empresa de redes más grande y de mayor crecimiento" y aseguró que se convertirá en "una de las compañías de CPUs más grandes, y sin duda la de crecimiento más acelerado". Mencionó que el anuncio de 2 gigavatios en Australia equivale a unos $80.000 millones para Nvidia.
También ofreció una perspectiva poco común sobre la cuota de mercado. Hace seis años, la participación de Nvidia en el capex mundial era de un dígito. Ahora se sitúa en torno al 40% entre los proveedores de servicios en la nube (cloud service providers) y cerca del 80% fuera de ellos, en implementaciones locales (on-premises) y de neoclubes (neocloud), con cada mitad del negocio duplicándose aproximadamente cada año. El argumento de Huang es que un mundo con restricciones energéticas impulsa a los compradores hacia la mayor cantidad de tokens por vatio, lo cual favorece a Nvidia. "Para sorpresa de todos —dijo—, no solo somos una empresa grande y nuestra cuota de mercado es alta, sino que en realidad sigue aumentando". La participación de Nvidia en el dólar de capex también va en aumento debido a que vende más contenido por gigavatio.
Nuevos modelos de negocio: licencias de software y reparto de ingresos
Huang expuso dos vectores de crecimiento independientes de la venta de hardware y vinculados a la base instalada. El primero es la concesión de licencias de software empresarial. Los proveedores de la nube pueden adoptar el software de código abierto (open source) de Nvidia y ejecutar sus propias arquitecturas (stacks), pero la mayoría de las empresas carece de la profundidad en TI y, a medida que la IA pasa del entrenamiento a la implementación, prefieren tener a un proveedor responsable. "Estoy en el acuerdo de nivel de servicio (SLA) para respaldarlo, mantenerlo, asegurarlo y mantenerlo a salvo mientras vivamos", afirmó. Mediante un cálculo simple de un par de miles de dólares por GPU al año, con Nvidia enviando alrededor de 20 millones de GPUs anuales y la mitad destinada a empresas, calificó este negocio como "muy, muy grande".
El segundo vector es el reparto de ingresos con las nubes que dependen de Nvidia para su infraestructura, la absorción de producción (offtake) y el apoyo financiero. En esas relaciones, explicó, Nvidia "realizará una inversión", capturará la venta inicial y también obtendrá una parte de los ingresos futuros, ya que proporcionará soporte de offtake y software durante un periodo de cuatro a 10 años. Huang también indicó que la fase intensiva en inversiones está llegando a su fin. Las inversiones disminuirán rápidamente como porcentaje de la generación de efectivo, en parte porque las apuestas en OpenAI y Anthropic representan una oportunidad que "no se va a repetir", y en parte porque el flujo de caja libre crece con rapidez. Nvidia devolvió más del 50% de su flujo de caja libre mediante recompra de acciones, y Huang precisó que esa cifra se situó en la franja de los sesenta y tantos por ciento el trimestre pasado. Gerstner estimó que Nvidia podría retirar hasta el 10% de las acciones de la compañía en un plazo de dos años.
La demanda supera a la oferta, y los límites son el terreno, la energía y la estructura
Al ser consultado sobre la estimación de SemiAnalysis de que 43 gigavatios de capacidad de cómputo para IA entrarán en funcionamiento el próximo año y otros 40 gigavatios el siguiente, Huang respondió que "la demanda definitivamente está ahí y es mayor". Identificó como obstáculo el mundo físico: la tierra, los permisos, la generación de energía, la mano de obra especializada y las moratorias locales. Su pronóstico es que "terreno, energía y estructura" (land, power, shell) figurarán entre las restricciones más importantes para alcanzar esa cifra. Gerstner señaló que los inversionistas escuchan sobre unos 50 gigavatios en chips anunciados frente a 35 o 40 gigavatios de capacidad energizada. Huang no disputó la brecha y aseguró que no le "encanta" la idea de que Estados Unidos tal vez no mantenga el ritmo. Argumentó que Nvidia es el proveedor más protegido porque vende a todas las nubes, neoclubes, fabricantes de equipos originales (OEMs) y regiones, por lo que si un sitio se estanca, "ajustaremos nuestra cadena de suministro en consecuencia".
Respecto al suministro, Huang indicó que los pedidos siguen llegando "casi semanal y diariamente" desde que ofreció su proyección anterior. Explicó que hizo pública aquella visión porque estaba asignando una cantidad muy inferior a la que los clientes deseaban y quería evitar decepcionarlos uno por uno. Señaló a los sustratos como una limitación restrictiva aguas arriba (upstream), ya que los paquetes más grandes y una mayor cantidad de chips por paquete incrementan el consumo de materiales, y los materiales orgánicos son difíciles de fabricar con precisión debido a los coeficientes térmicos y al alabeo. La fotónica de silicio también enfrenta limitaciones de suministro. Su conclusión fue tajante: "va a ser difícil cerrar esa brecha durante unos años".
Gerstner presentó un gráfico que muestra que las expectativas de consenso para Nvidia han subido entre un 100% y un 200% en un año. Hace un año, el consenso preveía que los ingresos para 2027 se mantendrían planos o a la baja, y ahora proyecta un crecimiento de cerca del 74%. Mientras tanto, las acciones apenas han subido alrededor de un 20% y cotizan a 13 o 14 veces las ganancias. La explicación de Huang fue el foso defensivo (moat). Afirmó que este se está ampliando y que los clientes realizarán pedidos por entre $50.000 millones y $100.000 millones para Vera Rubin Ultra sin haberlos visto (sight unseen), debido a que los sistemas de esta complejidad ya no se pueden someter a pruebas comparativas (benchmarked) antes de la compra. "Literalmente somos los únicos", aseguró, al comparar esta confianza con la dependencia que tiene Nvidia de TSMC.
Matemáticas del capex: fungibilidad, ley de Moore y un mercado anual de entre $3 billones y $4 billones
Huang reiteró que el gasto anual en infraestructura de IA alcanzará entre $3 billones y $4 billones para finales de la década, "más cerca de cuatro", de los cuales aproximadamente $1,5 billones corresponderán a cómputo. Señaló que el cómputo era de unos $0,5 billones antes de la IA. Su argumento consta de tres partes. Primero, la ley de Moore ha terminado, por lo que el doble de capacidad ahora cuesta el doble. Segundo, un cambio de plataforma atrae a nuevas startups. Tercero, la arquitectura de propósito general de Nvidia es fungible entre distintas cargas de trabajo, modelos y geografías, lo que reduce el riesgo. "La especialización es enemiga de la fungibilidad —expresó—, la especialización es enemiga de la durabilidad". En su cadena lógica, la fungibilidad y la durabilidad generan rentabilidad, capacidad de financiación y el menor costo total de propiedad. Este es también su argumento en contra del silicio personalizado (custom silicon), aunque no mencionó a ningún competidor. Afirmó que la construcción total de capacidad anual, incluidas las renovaciones, podría alcanzar unos $10 billones sin que le sorprenda.
Modelos abiertos y la tesis de la superinteligencia vertical
Huang indicó que alrededor del 80% de las startups que operan con cómputo de Nvidia utilizan modelos abiertos. Sostuvo que no están compitiendo con los laboratorios de vanguardia, sino personalizando modelos —frecuentemente Nemotron de Nvidia— con datos privados para alcanzar una superinteligencia específica de un dominio. Su perspectiva es que los laboratorios cerrados buscarán la inteligencia general, mientras que las empresas verticales lograrán "una superinteligencia para su propio dominio". Esta es la lógica comercial detrás de la defensa que hace Nvidia de los modelos abiertos: amplía la base de arrendatarios de cómputo más allá de los laboratorios.
La IA física ya es un negocio significativo
Huang reconoció que "subestimó" su estimación previa de $100.000 millones para la IA física. Nvidia generó $10.000 millones en los primeros seis meses de este año. Obtuvo $10.000 millones en el último año fiscal —su primer año de $10.000 millones—, tras registrar $5.000 millones el año anterior. La categoría abarca imágenes médicas, redes de sensores y radio, vehículos autónomos, robótica, inspección y trabajo geoespacial. Afirmó que construir una plataforma de IA física requiere tres computadoras: una para entrenar el cerebro, otra para ejecutar un gemelo digital (digital twin) en Omniverse donde el sistema aprende, y una tercera integrada en el robot, automóvil o instrumento quirúrgico. Argumentó que los laboratorios de vanguardia también necesitarán un gemelo digital de internet para que los agentes no aprendan en la web en vivo. Sugirió que con el tiempo es posible que Nvidia no sea clasificada como una empresa de chips y describió una estrategia de estilo automotriz aplicada a diversas industrias.
Centros de datos en el espacio
Huang comentó que los equipos de ingeniería de Nvidia y SpaceX trabajan "muy estrechamente" en una nueva arquitectura de servidores diseñada para su uso en el espacio y en la Tierra. Su argumento económico es que los costos de lanzamiento representan una pequeña fracción del costo de un sistema de alto valor, por lo que solo el cómputo más productivo tiene sentido en órbita. Señaló que Vera Rubin justificaría el costo de lanzamiento y que la fungibilidad importa, ya que un satélite inactivo no se puede alquilar. Dejó el cronograma en manos de Elon Musk cuando Gerstner preguntó sobre los 500 megavatios para 2029. Huang también indicó que las operaciones de Musk ahora se registran bajo la categoría de proveedores de servicios en la nube de Nvidia en lugar de la división empresarial. Gerstner apuntó que Musk está recaudando unos $40.000 millones, con el objetivo de alcanzar 10 gigavatios para finales de 2027, y podría comprar más de un millón de chips Vera Rubin. Huang destacó que la combinación que hace Musk de entrenamiento, implementación (la demanda de Grok está "por las nubes") y alquiler de cómputo a terceros resulta inusual, siendo Google el único ejemplo comparable.
El costo de la inteligencia y el origen de la demanda de cómputo
Huang prevé que el costo de la inteligencia disminuya rápidamente. Gerstner estimó en unos $4 millones el costo de cómputo del reciente resultado sobre las ecuaciones de Navier-Stokes, el cual involucró a 10.000 agentes cooperativos, y Huang apuntó que un esfuerzo similar podría abaratar entre 5 y 10 veces en pocos años. Señaló que entrenar el GPT original pudo haber costado entre $10 millones y $20 millones, en comparación con quizás unos $100 hoy en día, mientras que la ambición de los modelos ha escalado a 3 billones, 10 billones y 30 billones de parámetros, y el uso se ha multiplicado quizás por un millón. Calificó la demanda de inteligencia como "bastante insaciable". Huang explicó que el resultado de OpenAI se cimentó sobre años de trabajo matemático previo, y que muchos campos se encuentran en un "precipicio" similar que requiere una búsqueda exhaustiva. Atribuyó la clave de los avances del último año a la memoria —en referencia a la memoria de trabajo y los grafos de conocimiento— y al uso de herramientas, y afirmó que los agentes están trascendiendo la programación para adentrarse en el diseño, la creación y el trabajo científico.
Marco de seguridad y contexto regulatorio
Huang enmarcó la seguridad como algo inseparable de las capacidades tecnológicas, comparándola con las bolsas de aire y los sistemas de frenado en un automóvil, y advirtió que "no habrá una industria tecnológica de IA si no la construimos de forma segura y protegida". Su prescripción de ingeniería consiste en la contención de confianza cero (zero-trust), derechos de acceso mínimos que se amplían a medida que aumenta la confianza, y una supervisión independiente (out-of-band) capaz de escalar o apagar un sistema. Nvidia ha lanzado OpenShell con este propósito, con la participación de más de 100 empresas. Gerstner describió una estructura de tres pilares: revisión federal de modelos de vanguardia por parte del Departamento de Comercio, el acuerdo de la Casa Blanca sobre superinteligencia con auditorías y supervisión de juntas directivas, y un grupo de coordinación de la industria. Destacó que el gobierno demostró este año que podía retirar un modelo del mercado, Mythos, bajo la autoridad de control de exportaciones. Huang instó a los legisladores que deseen nuevas leyes a que primero "vengan a conocer" las medidas existentes, y aseguró que no encontró a nadie en la mesa de la Casa Blanca que tuviera intenciones imprudentes. Huang también argumentó que "que Estados Unidos gane" implica que todas las industrias se beneficien, no solo la tecnología.
Optimismo, con una salvedad sobre la narrativa
Huang concluyó diciendo que tiene una confianza del "99,99%" en que los próximos cinco años transcurrirán de forma positiva, y que quienes predicen una catástrofe "subestiman la capacidad humana". Asimismo, reconoció un problema de comunicación: la IA es "materia blanda", invisible para el público a pesar de que ya sustenta las búsquedas, el comercio minorista y la logística. Discrepó con la idea de que la IA brindará a las personas más tiempo libre, al citar la previsión de Keynes de 1930 sobre una semana laboral de 15 horas. Huang afirmó que Keynes acertó en lo económico pero se equivocó respecto al espíritu humano, y añadió que él mismo está trabajando más duro que nunca. La conversación destacó por lo que Huang omitió: principalmente, una respuesta directa sobre si los ingresos de los laboratorios pueden duplicarse dos veces. Su defensa de la durabilidad de la demanda de Nvidia se basa en la amplitud de clientes, la escasez de oferta y las ganancias de cuota, y no en la prueba de un retorno financiero en el mercado final.