Por qué las empresas chinas de IA están exprimiendo cada GPU de Nvidia

Un token no siempre vale lo mismo

El número de tokens sirve para medir la demanda, pero no describe cargas de trabajo idénticas. Una respuesta sencilla y barata puede dirigirse a un hardware más económico. En cambio, producir una respuesta de alta calidad con un modelo más potente, una cadena de razonamiento más larga o varias llamadas a herramientas exige más cómputo y puede tener mayor valor para el cliente.

Por eso, un aumento del número total de tokens puede ocultar una escasez todavía más aguda de inferencia premium. El mercado puede generar más tokens en conjunto y, al mismo tiempo, sufrir una falta cada vez mayor de hardware capaz de ofrecer resultados fiables en tareas complejas. El interés por la capacidad de producir tokens de alta calidad y por sistemas que combinan distintos recursos de cómputo refleja precisamente esa diferencia.

La demanda crece mucho más rápido que la capacidad

El volumen medio diario de llamadas a modelos de IA en China superó los 140 billones de tokens en marzo de 2026, frente a unos 100.000 millones a comienzos de 2024. Según las cifras difundidas por la Administración Nacional de Datos de China, el aumento fue de más de 1.000 veces.

La magnitud del salto muestra que la IA está dejando atrás la fase de experimentación y de consultas aisladas. Ahora se integra en asistentes, programas empresariales y agentes que ejecutan flujos de trabajo reales. Como consecuencia, la inferencia se está convirtiendo en uno de los principales motores del consumo de capacidad informática, en lugar de ser un paso secundario posterior al entrenamiento.

Por qué optimizar el software es la palanca más rápida

Añadir procesadores de alta gama resulta complicado cuando los controles de exportación restringen el acceso a productos avanzados de Nvidia, la oferta es limitada y sustituir un ecosistema de hardware resulta costoso. Además, los modelos, las herramientas y los procesos existentes de los desarrolladores chinos están profundamente vinculados a plataformas de software consolidadas, lo que eleva el coste de la transición.

La optimización de software no crea nuevos chips, pero sí puede aumentar la cantidad de trabajo útil que se obtiene de cada procesador disponible. Entre las estrategias prácticas se encuentran:

• Distribución de cargas: enviar las solicitudes sencillas a aceleradores nacionales o más baratos y reservar las GPU de Nvidia para las tareas complejas.
• Prestación más eficiente: mejorar la agrupación y la programación de solicitudes para reducir el tiempo que el hardware permanece inactivo.
• Implementación consciente de los recursos: ajustar el tamaño del modelo, la longitud del contexto y la estrategia de respuesta al valor y la dificultad de cada solicitud.
• Infraestructura heterogénea: integrar arquitecturas de chips diferentes en lugar de exigir que todas las cargas funcionen en una sola plataforma.

Estas medidas sirven de puente entre una demanda creciente y una oferta limitada. No sustituyen por completo al hardware más avanzado, especialmente cuando las tareas sensibles a la calidad siguen dependiendo de un grupo reducido de procesadores.

El problema comercial

La escasez es más difícil de resolver porque los precios de la inferencia están bajo presión. Analistas de Jefferies estimaron que los modelos chinos cuestan, en promedio, alrededor de una sexta parte por token que las ofertas de grandes empresas estadounidenses.

Los precios bajos pueden acelerar la adopción, pero también limitan los ingresos disponibles para financiar una capacidad premium escasa. Al mismo tiempo, los asistentes de programación y los productos basados en agentes pueden consumir muchos más recursos que un chat sencillo.

Las empresas chinas de IA afrontan así una combinación complicada: la demanda crece rápidamente, los clientes esperan un acceso barato y la capacidad de inferencia más potente no puede ampliarse ni sustituirse con facilidad.

La tensión ya se ha reflejado en la disponibilidad de los servicios. Un informe sobre el mercado describió cómo grandes desarrolladores de modelos y proveedores de nube chinos han reducido el ritmo de los servicios, racionado el acceso o elevado los precios cuando la demanda superó los recursos informáticos disponibles, especialmente en el caso de los asistentes de programación que requieren más capacidad.

La implicación de fondo

El desafío de la infraestructura china de IA no consiste simplemente en que falten chips. Lo que escasea es la combinación adecuada de procesadores avanzados, software compatible y capacidad económicamente viable para ejecutar inferencia de alto valor.

El hardware nacional puede absorber una proporción cada vez mayor de las cargas a medida que mejora el software y las implementaciones se diseñan en torno a sus puntos fuertes. Pero los datos disponibles apuntan por ahora a una estrategia de transición: optimizar cada capa de la inferencia, utilizar chips nacionales allí donde sean eficaces y preservar la capacidad limitada de Nvidia para los trabajos más difíciles.

Ese enfoque puede prolongar la vida útil de los recursos existentes. Sin embargo, el crecimiento sostenido de la IA basada en agentes dependerá, en última instancia, de que China pueda ampliar tanto su suministro de hardware como el ecosistema de software necesario para que procesadores diferentes funcionen de forma práctica y eficiente.