Competencia en chips de IA: estrategias divergentes más allá del entrenamiento

Empresas tecnológicas buscan nichos específicos en inferencia y control de infraestructura, no reemplazo total de Nvidia

Diversas empresas tecnológicas están diseñando chips con enfoques variados, desde aquellos especializados en inferencia —responder preguntas o generar imágenes una vez que un modelo está entrenado— hasta aquellos que buscan control total sobre el proceso, abarcando desde el diseño del chip hasta su fabricación. Muchos se encuentran en un punto…

Diversas empresas tecnológicas están diseñando chips con enfoques variados, desde aquellos especializados en inferencia —responder preguntas o generar imágenes una vez que un modelo está entrenado— hasta aquellos que buscan control total sobre el proceso, abarcando desde el diseño del chip hasta su fabricación. Muchos se encuentran en un punto intermedio, persiguiendo objetivos específicos como reducción de costos o disminución de dependencia de proveedores. Sin embargo, pocas empresas intentan reemplazar a Nvidia en todos los aspectos del entrenamiento, la inferencia y el mercado abierto.

La diferenciación entre competidores es crucial porque cada uno persigue objetivos distintos. El dominio de Nvidia en entrenamiento de modelos de inteligencia artificial se mantiene fuerte: su participación en el mercado de entrenamiento superará el 90% para 2025, mientras que en inferencia se situará entre el 60% y el 75%, afectada por creciente competencia de silicio personalizado. Esta brecha de 15 a 30 puntos porcentuales representa el área donde la mayoría de nuevos competidores buscan posicionarse.

La estrategia de especialización es evidente en startups como Groq, que diseñó su Unidad de Procesamiento de Lenguaje específicamente para inferencia, priorizando respuestas rápidas y predecibles en lugar de la flexibilidad necesaria para entrenamiento. Groq se posiciona en la carga de trabajo que se produce una vez que un modelo está en funcionamiento, sin competir por contratos de entrenamiento. Google, por su parte, desarrolló Ironwood, su más reciente Unidad de Procesamiento Tensor para inferencia. Aunque continúa creando TPUs para entrenamiento, su enfoque estratégico se desplazó hacia el segmento donde la influencia de Nvidia es más débil. Sin embargo, Ironwood no se ofrece como chip independiente: su uso está restringido a través de Google Cloud, obligando a compradores a integrarse en su infraestructura.

Otro aspecto crítico es si las empresas venden chips a terceros u los utilizan internamente. OpenAI busca liberarse de dependencia de Nvidia mediante asociación con Broadcom para co-desarrollo de chips personalizados, que se implementarán en instalaciones de OpenAI y centros de datos de socios, sin disponibilidad para venta a terceros. En contraste, Amazon a través de AWS avanzó en crear una alternativa real a Nvidia en el mercado abierto. Los chips Trainium de Amazon están disponibles para clientes externos a través de alquiler en la nube EC2. Hasta marzo, se habían desplegado 1.4 millones de chips Trainium en tres generaciones, demostrando compromiso por competir en este sector.

Para directivos en México y América Latina, estas dinámicas tienen implicaciones estratégicas claras: la fragmentación del mercado de chips de IA significa que las decisiones de infraestructura ya no se reducen a una única opción. Las empresas que evalúan arquitecturas de IA deben considerar si sus cargas de trabajo son principalmente entrenamiento —donde Nvidia mantiene ventaja dominante— o inferencia, donde emergen alternativas viables. La disponibilidad de chips especializados también afecta modelos de costos operativos y dependencia tecnológica, factores críticos para organizaciones que buscan escalar soluciones de IA sin quedar atrapadas en ecosistemas cerrados.