La apuesta de Jensen Huang: hasta 4 billones de dólares al año para infraestructura de IA

La tesis de Jensen Huang, consejero delegado de Nvidia, pide mirar la inteligencia artificial menos como un ciclo convencional de semiconductores y más como la construcción de infraestructura industrial. Su escenario alcista es enorme: entre 3 y 4 billones de dólares de gasto anual en infraestructura de IA para 2030. Es una proyección de Nvidia, no un consenso de la industria, y plantea una exigencia elevada para las empresas que están comprometiendo ese capital. 140

La idea central: el cómputo de IA pasa a ser infraestructura

Huang sostiene que la IA generativa requiere un nuevo modelo de computación: centros de datos diseñados para convertir electricidad y capital en capacidad de cómputo para IA. Con ese enfoque, el mercado potencial de Nvidia va más allá de los aceleradores: incluye redes, sistemas, software y el modelo operativo de las llamadas «fábricas de IA».

La escala ya es considerable. El Banco de Pagos Internacionales (BPI) calcula que los cinco mayores hyperscalers —las grandes plataformas de nube— destinarán más de 1 billón de dólares a inversiones de capital relacionadas con IA entre 2025 y 2026. Por su parte, un informe del Servicio de Investigación del Congreso de Estados Unidos prevé que la inversión mundial vinculada a IA supere 1 billón de dólares en 2026. 4033

Estas cifras hacen concebible la dirección de la previsión de Huang, pero no la confirman. Las definiciones importan: el gasto de capital total de las compañías, la inversión exclusivamente destinada a IA, el gasto en centros de datos y el desembolso en el ecosistema ampliado de IA no son medidas equivalentes.

La demanda puede ser alta, pero la oferta es el límite inmediato

Los últimos resultados financieros de Nvidia son la principal evidencia de demanda actual que presenta la compañía. En el trimestre terminado el 26 de julio de 2026 —el segundo trimestre del ejercicio fiscal 2027 de Nvidia—, la empresa registró 96.200 millones de dólares de ingresos, un 106 % más que un año antes, y anticipó 108.000 millones de dólares, con un margen de variación del 2 %, para el trimestre siguiente. Reuters informó además de que Nvidia advirtió que la escasez de componentes de memoria limitaría la velocidad a la que puede ampliar su capacidad. 17

En una conferencia para inversores, Huang describió la expansión de la IA como una fase todavía temprana, aunque reconoció restricciones que van más allá de los chips: la capacidad de la cadena de suministro, el suelo disponible y la electricidad pueden ralentizar los despliegues. 2

Por ello, el cuello de botella no es simplemente cuántas GPU hay disponibles. Un gran despliegue de IA requiere memoria, empaquetado avanzado, equipos de red, espacio en centros de datos, construcción, suministro eléctrico y capacidad de la red para entregar esa energía.

La distinción es relevante para los inversores. Las restricciones de oferta pueden sostener la fuerte demanda de equipos de Nvidia a corto plazo, pero también pueden retrasar proyectos e ingresos de clientes que necesitan una instalación completa —no solo servidores— antes de poder vender servicios de IA.

De la inversión de las grandes nubes a proyectos de escala eléctrica

Huang ha recurrido a ejemplos de infraestructura física para ilustrar el cambio de escala. Informaciones sobre la conferencia de Goldman Sachs citaron un proyecto australiano de IA previsto para 2027, con 2 gigavatios de capacidad y una infraestructura estimada en 80.000 millones de dólares. 35

No es seguro que los proyectos individuales alcancen esos objetivos, pero el ejemplo explica la premisa de Huang: la capacidad de IA se está convirtiendo, además de en un reto de semiconductores, en un desafío de energía, suelo, construcción y financiación.

La estimación del BPI de más de 1 billón de dólares de inversión de capital relacionada con IA por parte de los cinco mayores hyperscalers en 2025 y 2026 aporta una comprobación de realidad importante. El ciclo de inversión existe y ya tiene gran magnitud; el debate gira en torno a su rentabilidad económica final. 40

Nvidia quiere que el cómputo sea financiable como infraestructura

La estrategia de Nvidia no se limita a vender hardware a los mayores proveedores de nube. En agosto de 2026 anunció memorandos de entendimiento con Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs y KKR para crear plataformas independientes de financiación de cómputo que buscan movilizar más de 500.000 millones de dólares de capital de terceros. 4959

El modelo previsto busca financiar sistemas de IA e infraestructura asociada mediante ingresos ligados al uso y de mayor duración, en vez de depender exclusivamente de los balances de los clientes. Nvidia ha descrito el objetivo como convertir el cómputo y la infraestructura integral de IA en una clase de activo invertible. 59

Estos acuerdos no equivalen a un fondo ya cerrado de 500.000 millones de dólares. Son memorandos de entendimiento destinados a movilizar capital con el tiempo, y su economía dependerá de cada proyecto, sus contratos, la utilización de los sistemas y la calidad crediticia de los clientes. Reuters también informó de que Nvidia podría respaldar hasta 125.000 millones de dólares, o el 25 % de los posibles acuerdos. 50

El riesgo clave: los ingresos deben alcanzar a la infraestructura

La tesis bajista no afirma que la demanda de IA sea ficticia. Los resultados de Nvidia y los planes de gasto de las grandes plataformas de nube muestran una demanda actual significativa. La cuestión más difícil es si los ingresos de la capa de aplicaciones —software empresarial, agentes de IA, servicios de consumo y otros productos— pueden sostener los costes de cómputo, energía, centros de datos, depreciación de equipos y financiación.

Por eso, las métricas más útiles van más allá de los envíos de GPU o de los anuncios de inversión:

• Utilización: ¿Se usan los costosos sistemas de IA a una tasa suficientemente alta?
• Calidad de los ingresos: ¿Los servicios de IA producen ingresos recurrentes o solo experimentación pasajera?
• Economía unitaria: ¿Los precios y los márgenes brutos cubren el coste total de servir cargas de entrenamiento e inferencia?
• Duración de los contratos: ¿Los compromisos de cómputo están respaldados por clientes capaces de pagar incluso si la demanda se enfría?
• Rentabilidad sobre el capital invertido: ¿Los compradores de infraestructura de IA ganan más que su coste de capital después de depreciación y costes energéticos?

Qué significa el mensaje de Huang para los inversores

La tesis de Huang descansa sobre tres proposiciones relacionadas: la demanda de cómputo para IA se acelera, la oferta física tardará en alcanzar esa demanda y el capital privado puede ayudar a financiar la infraestructura resultante. El crecimiento de los ingresos de Nvidia y sus previsiones respaldan la primera proposición en el corto plazo; los datos del BPI confirman que el ciclo de gasto ya es relevante. 1740

La proposición aún no resuelta es la más importante: si las empresas que usan este cómputo pueden convertirlo en servicios rentables y duraderos. Si lo consiguen, el cómputo de IA puede comportarse como infraestructura productiva. Si no, el sector podría acumular capacidad cuyos costes crezcan más rápido que su monetización.

Esa es la prueba definitiva de la tesis de los 4 billones de dólares: no las ventas de chips de Nvidia por sí solas, sino ingresos sostenidos de servicios de IA y retornos sobre la infraestructura que ahora se está construyendo.