Integración vertical de la plataforma de IA

🔒Barrera competitiva de CUDA#

20 años, 6M de desarrolladores, 300+ bibliotecas

CUDA (lanzado en 2006) no es solo un lenguaje de programación, es el ecosistema de software sobre el que se ejecuta todo el entrenamiento de IA. cuDNN y cuBLAS son de código cerrado y están profundamente integrados en PyTorch, TensorFlow y JAX. ROCm de AMD lleva 10 años sin lograr cerrar la brecha. Jensen Huang en GTC 2026: "También somos una empresa de software". La barrera competitiva es el coste de cambio que supone para 6 millones de desarrolladores reescribir las optimizaciones a nivel de kernel.

Capa de abstracción PTX#

Compatibilidad futura = dependencia del desarrollador

CUDA se compila a código ensamblador intermedio PTX (Parallel Thread Execution), que luego se compila mediante JIT para la arquitectura de la GPU de destino durante la ejecución. El código escrito en 2010 funciona en las GPU Blackwell de 2026. Esta decisión arquitectónica, tomada hace 20 años, es el mecanismo fundamental que genera la dependencia. Los desarrolladores invierten años en optimizar kernels CUDA, y esa inversión no puede trasladarse a hardware alternativo.

NIM: Docker Hub para IA#

Estándar de contenedores de inferencia

Nvidia Inference Microservices (NIM) empaqueta motores de inferencia optimizados en contenedores al estilo de Docker. Un solo comando despliega un servidor de inferencia listo para producción y compatible con la API de OpenAI. NIM funciona exclusivamente en hardware de Nvidia, pero ofrece la misma interfaz que la API que es el estándar de facto del sector. Es una iniciativa para controlar la capa de despliegue de inferencia, además del entrenamiento, antes de que SGLang y vLLM adopten como estándar entornos de ejecución independientes del hardware.

💸Estrategia accionarial de $40 mil millones#

Ser dueño de la cadena de suministro del ecosistema de IA

Compromisos de inversión accionarial acumulados en 2026 (YTD): OpenAI, 30 mil millones de dólares; CoreWeave, 2 mil millones de dólares; Nebius, 2 mil millones de dólares; IREN, 2.1 mil millones de dólares; Corning, 3.2 mil millones de dólares; además de ~24 rondas privadas. La CFO Colette Kress: "Invertimos donde vemos la necesidad de garantizar que se esté construyendo capacidad de cómputo en torno a nuestro hardware". Es integración vertical mediante capital: ingresos por GPU + suscripciones de software (AI Enterprise) + rentabilidad de las participaciones en la infraestructura que utiliza esas GPU.

OpenAI: $30 mil millones#

El mayor cliente se convierte en socio accionarial

La inversión de 30 mil millones de dólares en OpenAI, realizada en febrero de 2026, es la mayor posición individual de la cartera de participaciones de Nvidia. OpenAI es, al mismo tiempo, el mayor cliente de GPU de Nvidia. Esto crea una alineación estructural: el éxito de OpenAI requiere cómputo a gran escala, el cómputo a gran escala requiere GPU de Nvidia y la rentabilidad de la participación de Nvidia depende del crecimiento de OpenAI. Sus críticos lo llaman capital circular. El efecto práctico es reducir el riesgo de perder a su mayor cliente.

Corning: $3.2 mil millones#

Apuesta por resolver cuellos de botella físicos

Invertir 3.2 mil millones de dólares en Corning (fibra óptica) mientras el resto del mercado se concentra en el cómputo con GPU revela la profundidad de la tesis sobre la cadena de suministro. La interconexión entre centros de datos, es decir, la capacidad de fibra óptica, es la restricción física que limita la velocidad a la que puede crecer la capa de cómputo de IA. Nvidia está eliminando cuellos de botella no solo en su propia línea de productos, sino en todas las capas de infraestructura física que sus GPU necesitan para funcionar a gran escala.

🧠HBM de SK Hynix#

Margen récord del 72%, 3 años de demanda asegurados

SK Hynix en el Q1 de 2026: ingresos de 52.58 billones de KRW (el primer trimestre con más de 50 billones de KRW), beneficio operativo de 37.61 billones de KRW y un margen operativo del 72%. La demanda comprometida de HBM supera el equivalente a tres años de capacidad de suministro. Esta es la materialización de la inversión en infraestructura de IA: cada GPU H100/B200 de Nvidia necesita HBM, y la producción de HBM está limitada estructuralmente por la complejidad de mantener el rendimiento de fabricación al apilar mediante TSV.

Inflación de los chips#

La demanda de HBM reduce la oferta de DRAM de consumo

A medida que la HBM absorbe una mayor parte de la capacidad total de fabricación de DRAM, la oferta de LPDDR5 y DDR5 estándar se reduce en términos relativos. Nintendo Switch 2 aumentó su precio en EE. UU. un 11% y en Japón un 20%, la primera gran subida de precio de una consola provocada por la escasez de DRAM inducida por la HBM, en lugar del ciclo de vida habitual de las consolas. Esta cadena de inflación de los chips (HBM para centros de datos → escasez de DRAM → subida de precios de la electrónica de consumo) muestra cómo el capex de Nvidia en infraestructura de IA genera externalidades tres eslabones más adelante en la cadena.

Estructura de suministro de HBM#

Complejidad TSV = barrera competitiva duradera

La HBM requiere apilar obleas de DRAM mediante vías a través del silicio (TSV), con una complejidad de fabricación de 3-5× la de la DRAM estándar. SK Hynix mantiene una ventaja en el rendimiento de fabricación de HBM3E que ni Samsung ni Micron habían igualado hasta el Q1 de 2026. La oferta crece más despacio que la demanda porque la dificultad de gestionar el rendimiento de fabricación se acumula con cada capa del apilamiento. Por eso, tres años de demanda futura ya estaban comprometidos por contrato antes incluso de que se publicaran los resultados del Q1.

⚡Condiciones de fractura#

Dónde puede agrietarse la barrera competitiva

La barrera competitiva de CUDA no es invulnerable. Tres factores la erosionan simultáneamente: (1) las cargas de trabajo de inferencia dependen menos de CUDA que las de entrenamiento, por lo que el coste de cambio es menor para las cargas dedicadas exclusivamente al despliegue; (2) los gigantes de la nube (Google TPU v6, AWS Trainium 2, Meta MTIA) están desviando volúmenes crecientes de inferencia hacia chips propios; (3) la transición a la arquitectura Rubin abre una ventana en la que "hay que volver a optimizar", durante la cual evaluar una migración de hardware resulta relativamente más barato. La erosión será gradual y específica de cada carga de trabajo, no generalizada.

Chips propios#

Los compradores se convierten en competidores

Google (TPU), Amazon (Trainium), Apple (Neural Engine) y Meta (MTIA), los cuatro mayores clientes de GPU de Nvidia, están desarrollando sus propios chips. En 2026, una parte significativa de la inferencia de Gemini se ejecuta en TPU en lugar de hardware de Nvidia. La tensión estructural: estas empresas necesitan más GPU de Nvidia para entrenamiento y R&D, mientras reducen su dependencia de Nvidia para la inferencia a gran escala. La participación de Nvidia en OpenAI, de 30 mil millones de dólares, es en parte una cobertura frente a esta dinámica.

Ingeniero de infraestructura de IA#

Nueva demanda por la integración vertical

Hay una escasez aguda de profesionales que gestionen clústeres de GPU, servicios de inferencia, flujos de entrenamiento distribuido y optimización de kernels CUDA. La integración vertical de Nvidia genera demanda no solo de más GPU, sino también de ingenieros que comprendan todas las capas, desde los kernels CUDA hasta el despliegue de vLLM/TensorRT-LLM y la orquestación con Kubernetes. Es el ciclo de retroalimentación de la plataforma de software en acción: cuanto más complejo es el conjunto de capas, mayor es el coste de cambio.