Panel de CASPA: SemiAnalysis sitúa a los sustratos por encima de la energía como la principal limitación de la IA, mientras que Bernstein señala la financiación y el silicio personalizado como los puntos de presión
Panel sobre las perspectivas de la industria de semiconductores en la Cumbre de CEOs de CASPA 2026, 24 de octubre de 2026
Dylan Patel, fundador y CEO de SemiAnalysis, y Stacy Rasgon, director general y analista senior de semiconductores en Bernstein, aprovecharon el panel de CASPA para cuestionar varias posturas de consenso sobre el despliegue de la IA. Patel argumentó que la energía y el espacio en los centros de datos representan una limitación menor de lo que el mercado asume, y que los verdaderos cuellos de botella son los sustratos, la memoria y la óptica. Rasgon señaló que la financiación se encuentra ahora entre las principales preocupaciones de los inversores, y que las señales de oferta y demanda apuntan a un mercado ajustado al menos hasta 2028. Ambos coincidieron en que la pregunta más difícil es quién retiene el margen a medida que los costos de los componentes se disparan y Nvidia y Broadcom se enfrentan a una ola de silicio personalizado.
Los sustratos, y no la energía, son el cuello de botella más estricto
El punto más contrarian de Patel fue su clasificación de las limitaciones. Situó a los sustratos en primer lugar, por delante de los terrenos, la energía y la infraestructura básica (shell), y por delante de los equipos de semiconductores. "Los sustratos, los materiales para PCB, los materiales para sustratos, todos estos componentes sufrieron de una inversión severamente insuficiente", afirmó, y señaló que los proveedores japoneses que respaldan gran parte de esta cadena de suministro son conservadores y muestran reticencia a ampliar su capacidad. La memoria ocupa el siguiente lugar, seguida por la óptica. En cuanto a la óptica co-empaquetada y cercana al encapsulado (CPO), indicó que, incluso si una gran empresa quisiera migrar por completo a CPO en 2028, "no podría satisfacer sus volúmenes" en láseres, fijación de fibra y otros componentes.
Sobre la energía, la investigación de SemiAnalysis muestra que para el próximo año se están construyendo en todo el mundo cerca de 50 gigavatios en centros de datos. Alrededor de 35 gigavatios se encuentran en Estados Unidos y entre 7 y 8 gigavatios en China, mientras que el resto se distribuye en lugares como Australia, India y Malasia. Patel señaló que las turbinas in situ, los motores alternativos y las celdas de combustible están ayudando a los desarrolladores a sortear los límites de la red eléctrica. Calificó estas soluciones de "significativamente menos complejas que la cadena de suministro de semiconductores". Rasgon se mostró más cauto, al señalar que Nvidia y Broadcom parecen considerar los terrenos, la energía y la infraestructura básica como sus factores limitantes. Asimismo, cuestionó los plazos de entrega de las turbinas y destacó que Elon Musk ha hablado de fabricar sus propias palas de turbina.
Rasgon describió una escasez por capas en la que cada limitación debe resolverse antes de poder abordar la siguiente. Comentó que los propios proveedores de equipos se quejan de que la escasez a corto plazo de PCB, chips, válvulas y controladores de flujo másico limita su capacidad de despachar incrementos de producción. Su visión sobre la duración fue directa: "Creo que este año está bien. Pienso que el próximo año será igual. El 2028 probablemente seguirá ajustado. El 2029, no lo sé. Eso se convierte en una cuestión de demanda".
La memoria y los equipos de fabricación de obleas evidencian la rigidez de la cadena
Rasgon indicó que las acciones de memoria cotizan a entre dos y cuatro veces las utilidades futuras, a pesar de que los precios "se han disparado por los cielos". Señaló que SanDisk emitió una guía de beneficios por acción (EPS) trimestrales superior a su cotización bursátil de hace 24 meses. Atribuyó los bajos múltiplos a los temores de un pico de ciclo ante la llegada de oferta en 2028 y un desplome de los precios. Su contraargumento fue de carácter estructural: entre el 70% y el 80% de la superficie de silicio en un rack de IA corresponde a memoria, principalmente DRAM. Además, la memoria de alto ancho de banda (HBM) requiere de tres a cuatro veces más obleas por gigabyte que la norma DDR5.
En cuanto a los equipos, Rasgon mencionó que una empresa presentó sus resultados esta semana y ofreció una perspectiva preliminar para 2027 en equipos de fabricación de obleas (WFE) superior a los $200.000 millones. Comentó que le sorprendió que muchos inversores esperaran aún más, debido a que "no tenemos las fabs". Las salas limpias están llenas y la industria ha exprimido al máximo las huellas existentes. Las estimaciones de WFE comenzaron este año cerca de los $120.000 millones y probablemente cerrarán en torno a los $155.000 millones. La nueva capacidad de salas limpias llegará de forma modesta en 2027 y de manera más significativa en 2028 y 2029, momento en el cual Rasgon espera que el mercado compruebe si existe un desajuste entre la oferta y la demanda.
La financiación raciona el despliegue y Nvidia actúa como respaldo
Rasgon indicó que la caída bursátil desde máximos refleja la preocupación en torno a la sostenibilidad del despliegue, "y claramente la financiación es una de esas inquietudes. Probablemente esté cerca de la cima". Señaló que los hiperescaladores (hyperscalers), que en su momento fueron "los negocios con mayor generación de efectivo en la historia de la humanidad", están quemando caja y es probable que emitan acciones. Citó la nueva estructura de clases accionarias de Meta como uno de los facilitadores. Los bonos no garantizados de CoreWeave cotizan a rendimientos de alrededor del 15%, lo cual, según indicó, representa un nivel de mercado más que su costo actual, pero constituye una señal de a qué precio se cotizaría la nueva deuda sin garantía. Aun así, concluyó que "durante el próximo año o dos" la industria probablemente esté bien. También argumentó que las limitaciones pueden resultar beneficiosas, ya que retrasan la oferta y evitan una sobreconstrucción similar a la fibra oscura que dejó la burbuja tecnológica.
Patel ofreció un panorama más detallado. Los hiperescaladores no pueden financiar entre $2 billones y $2,5 billones de capex anual, por lo que su gasto se limita por sí mismo. Las neoclouds, que representan casi la mitad del despliegue, solo pueden financiar clústeres si cuentan con contratos de compra (offtake) por parte de un hiperescalador o un importante laboratorio de IA. Incluso entonces, la deuda resulta costosa. Citó un clúster reciente construido para Anthropic que se financió con un cupón del 12% colocado a 95 centavos por dólar, lo que arroja un rendimiento efectivo de aproximadamente el 15%. Fuera de ese segmento, aseguró, "sencillamente no se puede" construir capacidad a menos que un hiperescalador respalde la operación. Esa es la razón por la cual la estrategia de Musk consiste en construir capacidad y alquilarla a startups mediante contratos a corto plazo y a precios muy elevados.
Patel afirmó que Nvidia ha reconocido el problema y actúa como red de seguridad. Mediante acuerdos con Sharon AI y Fermi, obtiene participaciones en los ingresos a cambio de garantizar la financiación. Bajo esta estructura, Nvidia alquila el clúster a un precio garantizado de $3,50 la hora, lo que deja al operador de la nube sin margen de ganancia. Posteriormente, Nvidia participa de cualquier ingreso superior a ese precio. Lambda otorgó a Nvidia una participación del 10% en los ingresos para construir infraestructura destinada a Anthropic, en comparación con el 50% mucho mayor de los acuerdos con Sharon AI y Fermi. Por su parte, Broadcom, según Patel, estructuró un acuerdo de alquiler con opción a compra (rent-to-own) con Anthropic que distribuye los pagos de los chips a lo largo de varios años. Asimismo, destacó los compromisos de $1,4 billones de Meta en computación y centros de datos como un aspecto que los mercados de capitales vigilan de cerca, aunque afirmó que "Meta está completamente bien".
El poder de fijación de precios ha desplazado a la deflación y el costo de un gigabyte se ha disparado
Rasgon argumentó que la identidad histórica de la industria como destructora de valor se ha invertido. Citó trabajos previos de su etapa en McKinsey que mostraban que el sector destruyó beneficio económico durante un ciclo completo en la década de 1990 y principios de los 2000, y el valor fluyó hacia los clientes. La pandemia de COVID alteró esta dinámica, señaló. "No tuve ni una sola experiencia de compresión de márgenes debido al incremento en los costos de los insumos. Todos elevaron sus precios para compensarlo". Espera que la industria alcance unos $1,5 billones en ingresos este año, lo que representa un aumento de aproximadamente el 100%. Atribuye entre el 70% y el 80% de ese crecimiento a los precios promedio de venta (ASP) de la memoria, mientras que el volumen de unidades creció solo un 10%. Los clientes, afirmó, "realmente no tienen otra opción".
Patel indicó que el costo de construir un gigabyte de cómputo de IA ha subido desde unos $40.000 millones en 2024 hasta superar los $60.000 millones. Estableció una distinción en el comportamiento de los precios. TSMC ha elevado su margen bruto del 45% al 60% en una década, pero "realmente no ha disparado los precios a pesar de que podría hacerlo", dado su cuasi monopolio y sus asociaciones a largo plazo. Los fabricantes de memoria, que salieron de márgenes brutos negativos hace unos 24 meses, están exprimiendo a los clientes. Patel señaló que "si Apple los va a exprimir en la recesión, ellos van a exprimir a Apple en la bonanza del ciclo". Nvidia ha mantenido su margen prácticamente plano mientras absorbe mayores costos de memoria, sustrato y óptica, por lo que los precios para sus clientes han subido a un ritmo mayor de lo que sugiere su margen. Patel indicó que no está claro quién absorbe en última instancia el costo entre los proveedores de chips, las nubes y los laboratorios.
La defensa de los márgenes de Nvidia se basa en el rendimiento por dólar, y debe mantener la racha ganadora
Rasgon enmarcó la fijación de precios de Nvidia en torno al valor para el cliente. El ASP se duplicó aproximadamente de Ampere a Hopper, mientras que el rendimiento aumentó unas 10 veces. La transición de Hopper a Blackwell supuso un incremento del ASP de cerca del 50% frente a ganancias de rendimiento de entre 3 y 30 veces. De Blackwell a Rubin se anticipa otra duplicación del costo del rack a cambio de un rendimiento aproximado de 10 veces. Citó las propias cifras de referencia de Nvidia, que sitúan el costo en unos $25.000 millones por gigabyte para Blackwell y $40.000 millones para Rubin. "Si lanzaran Feynman y fuera solo un 20% mejor, entonces sí, empezaría a preocuparme mucho por los precios y los márgenes". Recordó el comentario de Bill Dally en Hot Chips sobre que el rendimiento de las GPU mejoró 1.000 veces durante la última década, con el objetivo de lograr otro millón de veces en la siguiente.
Silicio personalizado y la mercantilización del diseño de chips
Patel planteó la que denominó la gran pregunta para la industria: si los modelos de IA convierten el diseño de chips en un producto básico equiparable al software. Afirmó que el chip de primera generación de OpenAI superó a Blackwell en la prueba de referencia de código abierto InferenceX de SemiAnalysis al ejecutar modelos de código abierto chinos, con un uso intensivo de la IA en el diseño y la programación. Anthropic está poniendo en marcha su propio programa de chips con el objetivo de finalizarlo en la mitad de tiempo. Google comercializa sus TPU de manera externa y Trainium de Amazon ya es "plenamente utilizable en PyTorch".
Los tiempos de puesta a punto del software respaldan esta tendencia. Patel indicó que a SemiAnalysis le tomó seis meses hacer funcionar a Nvidia en InferenceX, de seis a nueve meses para AMD, unos pocos meses para Google y Amazon respectivamente, y aproximadamente mes y medio para OpenAI. Si el diseño se simplifica, argumentó, "entonces los márgenes tienen que caer". Excluir los márgenes de las casas de diseño de la cadena, apuntó, reduciría el costo de un gigabyte a unos $20.000 millones. En paralelo, los proveedores de componentes como la memoria, las fundiciones (foundries), los sustratos y la óptica disponen de "mucho margen de maniobra en los precios".
Según el relato de Patel, Nvidia ya está perdiendo cuota en la cadena de suministro. Ha captado un porcentaje menor de las obleas CoWoS totales y de HBM en 2026 y volverá a perder cuota el próximo año. No obstante, se espera que las utilidades se dupliquen debido a que la base crece con extrema rapidez. Ambos ponentes vincularon esto con la valuación. Patel indicó que Nvidia y Broadcom se encuentran en sus múltiplos más bajos "básicamente de la historia". Rasgon señaló que, en su última medición realizada hace unos nueve o diez meses, Nvidia solo había cotizado a un precio más barato en relación con el índice general de semiconductores durante 13 días en la década anterior, y hoy en día resulta aún más económico. Rasgon enumeró los fosos defensivos (moats) de Nvidia: CUDA —que calificó de debatible—, su base instalada, su cadencia anual de productos, su hoja de balance y su propio uso de la IA en el diseño. Describió a Jensen Huang como un directivo "paranoico" que "interiorizó las viejas lecciones de Intel".
La demanda empresarial es real, pero se adquirirá principalmente en formato de tokens
Rasgon indicó que los ingresos de Nvidia se dividen de forma aproximada al 50/50 entre clientes de hiperescaladores y no hiperescaladores, con los laboratorios representando cerca del 20% de forma directa e indirecta, una base que calificó de "tal vez incluso un poco más diversa de lo que habíamos pensado". La adopción empresarial, afirmó, resulta esencial: "Si no tenemos adopción empresarial, no hay industria". Considera que la programación agéntica es la primera aplicación estrella (killer application), con ingresos que "se han vuelto verticales". A modo de anécdota, relató que un miembro de su equipo utilizó Claude para construir un modelo financiero completo desde cero para una empresa ya cubierta en 1 hora y 20 minutos, una tarea que le tomaría una semana a un analista. Añadió que las ganancias podrían manifestarse en forma de productividad más que de ingresos, y que las implicaciones laborales constituyen un asunto aparte. La evidencia anecdótica apunta hacia un retorno positivo de la IA, señaló, si bien muchas empresas permanecen en fase de experimentación.
Patel advirtió que esto no se traducirá en una gran demanda de hardware empresarial. Las economías de escala implican que la mayoría de las empresas, incluidas las farmacéuticas y los fondos de cobertura (hedge funds), "van a comprar tokens" y combinarlos con sus propios datos en lugar de ejecutar modelos de código abierto en su propia infraestructura de cómputo. Esto mantiene el gasto en IA concentrado en un grupo reducido de proveedores, lo que refuerza las dinámicas de financiación y precios descritas por ambos analistas.