Hitachi Vantara potencia el almacenamiento híbrido en Azure
NVIDIA empieza a asegurar energía, terreno y capacidad para sus fábricas de IA. El cambio redefine las decisiones de infraestructura de los CIO.
Para un CIO de México, Colombia, Argentina o cualquier otro mercado latinoamericano, el anuncio de Jensen Huang del 17 de agosto contiene una implicación inmediata: la infraestructura de IA empieza a depender tanto del acceso al cómputo como de la capacidad física y energética para sostenerlo.
NVIDIA se asociará con SB Energy para asegurar land, power and shell —terreno, energía y estructura física— en PORTS-Pike Technology Campus, en Portsmouth, Ohio. OpenAI será el inquilino de la instalación y utilizará allí infraestructura de cómputo de NVIDIA.
La primera fase contempla 4,25 gigavatios de capacidad de fábrica de IA. NVIDIA podría ampliar posteriormente su compromiso a otros 3,75 GW. Huang afirma que el emplazamiento tendrá un horizonte de 20 años y podrá albergar varias generaciones de sistemas NVIDIA. Cada generación podría representar aproximadamente 1,5 millones de GPU y entre 150.000 y 200.000 millones de dólares de ingresos para NVIDIA.
La dimensión del proyecto importa, pero su verdadera relevancia para los responsables de tecnología está en otra parte: NVIDIA está empezando a asegurar las condiciones físicas que permiten convertir su capacidad de cómputo en producción de inteligencia.
La fuente primaria de esta estrategia es la propia publicación de Jensen Huang, titulada Securing the Infrastructure of Intelligence.
Qué significa la infraestructura de IA para un CIO
Hasta ahora, la planificación de IA podía concentrarse en modelos, datos, aplicaciones, talento y proveedores cloud.
La estrategia expuesta por Huang obliga a incorporar una variable adicional: capacidad física. Una empresa puede tener presupuesto para desplegar IA y disponer de modelos adecuados, pero su crecimiento puede quedar condicionado por la disponibilidad de GPU, capacidad de centro de datos, energía, refrigeración o conectividad.
Esto es especialmente relevante cuando las cargas pasan de los pilotos a producción. Un asistente interno que atiende a unos cientos de empleados plantea una demanda muy diferente de una plataforma que procesa millones de consultas, genera contenido a escala, analiza vídeo en tiempo real o ejecuta agentes que trabajan continuamente.
Por eso, para los CIO latinoamericanos la pregunta empieza a cambiar. Ya no basta con preguntar qué modelo de IA vamos a utilizar.
También hay que preguntar cuánto cómputo necesitaremos, dónde estará disponible y qué infraestructura permitirá escalarlo.
¿Qué es la IA de frontera?
Huang utiliza el concepto de frontier AI labs para referirse a los laboratorios que desarrollan los sistemas de IA más avanzados.
No se trata simplemente de empresas que utilizan inteligencia artificial. Son organizaciones que están intentando ampliar las capacidades actuales de los modelos: razonamiento, generación multimodal, programación, agentes, ciencia, matemáticas o sistemas capaces de operar con mayor autonomía.
Stanford describe la investigación de frontera como aquella que produce algunos de los modelos más avanzados, por ejemplo mediante nuevos resultados de estado del arte en benchmarks, arquitecturas relevantes o capacidades nuevas. El AI Index 2026 señala además que la industria produjo más del 90% de los modelos de frontera destacados durante 2025.
OpenAI, Anthropic, Google DeepMind, xAI y otros laboratorios de este nivel compiten en esa frontera.
Su problema es distinto al de una empresa que simplemente incorpora un modelo existente a sus procesos.
Entrenar modelos de frontera y servirlos a escala requiere cantidades extraordinarias de cómputo.
Cada nueva generación puede demandar más GPU, más memoria, más redes, más almacenamiento y, sobre todo, más electricidad.
Ahí se entiende la preocupación de Huang.
El cuello de botella ya no está solamente en las GPU
Los grandes proveedores cloud y las compañías con balances sólidos pueden contratar energía, terrenos y capacidad de centros de datos mediante acuerdos de largo plazo. Los laboratorios de IA de frontera tienen una situación diferente.
Su demanda puede crecer más rápido que su capacidad para financiar y desplegar infraestructura física. Pueden tener usuarios, ingresos y una fuerte demanda comercial y, aun así, encontrar un límite material para continuar creciendo.
Huang lo expresa de forma directa: para estas compañías, más cómputo significa más inteligencia, más productos, más usuarios y más ingresos.
Por eso NVIDIA está tratando el acceso a LPS como anteriormente trató determinados componentes críticos de su cadena de suministro: asegurar capacidad cuando existe suficiente visibilidad sobre la demanda futura.
De las GPU a las AI Factories
Este movimiento solo se entiende si se observa la evolución de NVIDIA. La compañía comenzó con GPU para cómputo acelerado. Después incorporó CPU, redes, sistemas y software. CUDA permitió construir una plataforma de desarrollo que abarca múltiples generaciones de GPU y aplicaciones de cómputo acelerado.
Hoy NVIDIA presenta una arquitectura mucho más amplia: las AI Factories.
Según la propia compañía, una fábrica de IA no es simplemente un centro de datos con GPU. Está diseñada específicamente para producir inteligencia a escala y coordina cinco capas: energía, chips, infraestructura, modelos y aplicaciones.
La plataforma NVIDIA DSX lleva esa idea todavía más lejos. NVIDIA la define como una plataforma para diseñar, simular y operar fábricas de IA, integrando computación, redes, software de infraestructura, instalaciones y tecnologías de socios.
Incluso incorpora DSX MaxLPS, orientado a administrar dinámicamente la energía y maximizar la cantidad de tokens producidos por megavatio.
Ese detalle es revelador. NVIDIA ya no está optimizando solamente el rendimiento de una GPU.
Está intentando optimizar cuánta inteligencia puede producir una instalación por unidad de energía.
El gigavatio entra en la estrategia tecnológica
Durante años, los CIO pensaron en capacidad tecnológica en términos de servidores, almacenamiento, procesadores, redes o máquinas virtuales.
La IA introduce una métrica física mucho más difícil de ignorar: el megavatio.
Una fábrica de IA necesita energía para alimentar GPU, redes y almacenamiento, pero también para refrigerar y operar toda la instalación.
Por eso la infraestructura de IA empieza a conectar decisiones que tradicionalmente estaban separadas entre tecnología, operaciones y facilities.
El propio diseño de DSX refleja esa integración: NVIDIA plantea conjuntamente computación, energía, refrigeración, redes y operaciones para conseguir más tokens por vatio y reducir el coste de producción de inteligencia.
Para América Latina, esto introduce una consideración estratégica.
Los CIO que proyecten sus necesidades de IA a tres o cinco años deberían evaluar no solo el precio del servicio cloud, sino también dónde está físicamente la capacidad que sostiene ese servicio, qué disponibilidad energética tiene, qué latencia ofrece y qué posibilidades existen de ampliar la capacidad contratada.
CUDA, el elemento que sostiene la apuesta
Hay otra pieza de la estrategia que explica por qué NVIDIA considera que una fábrica de IA puede mantener valor durante diferentes generaciones de hardware: CUDA.
CUDA es la plataforma de computación paralela de NVIDIA y proporciona herramientas, bibliotecas, runtime y capacidades para desarrollar aplicaciones aceleradas por GPU. Su arquitectura permite que las aplicaciones evolucionen junto con diferentes generaciones de hardware NVIDIA.
Para Huang, esto tiene una consecuencia económica. Si una instalación deja de ser utilizada por un cliente, la capacidad de cómputo puede potencialmente reasignarse a otro usuario del ecosistema NVIDIA. La plataforma tecnológica reduce, desde esta perspectiva, la dependencia de un único cliente o de una única generación de GPU.
La infraestructura física puede durar décadas; el cómputo que contiene puede renovarse.
Esa es una de las premisas que permiten a NVIDIA presentar estos emplazamientos como activos productivos de largo plazo.
OpenAI es el caso de uso; NVIDIA mira más lejos
PORTS-Pike tiene a OpenAI como inquilino, pero la estrategia que describe Huang no depende exclusivamente de OpenAI.
El CEO de NVIDIA afirma que la mayoría de los clientes continuará asegurando directamente su propia infraestructura. La compañía intervendrá de manera selectiva allí donde encuentre emplazamientos excepcionales, demanda visible y capacidad para alojar múltiples generaciones de sistemas NVIDIA.
Eso convierte el proyecto de Ohio en algo más que una operación inmobiliaria o energética.
Es un modelo de cómo NVIDIA pretende asegurar capacidad futura para su propia plataforma de cómputo.
El anuncio también encaja con la estrategia más amplia de NVIDIA alrededor de sus plataformas para fábricas de IA. La compañía presentó DSX en mayo de 2026 como un marco para diseñar, desplegar y operar estas instalaciones, integrando hardware, software, instalaciones y tecnologías de socios.
Lo que deberían revisar los CIO de América Latina
El modelo de Ohio no es replicable directamente en la mayoría de las organizaciones latinoamericanas. Pero la lógica sí. Un CIO que esté diseñando ahora su estrategia de IA debería incorporar al menos cinco preguntas:
- Primera: cuánto cómputo necesitará realmente la organización cuando sus proyectos pasen a producción. No basta con dimensionar el piloto. La demanda de inferencia puede multiplicarse cuando un modelo empieza a utilizarse de forma masiva o cuando se incorporan agentes capaces de ejecutar tareas continuamente.
- Segunda: qué parte de ese cómputo conviene contratar y qué parte necesita capacidad dedicada. La respuesta puede variar según latencia, privacidad, regulación, costes, criticidad y volumen.
- Tercera: dónde estará esa infraestructura. La región, el proveedor cloud y el centro de datos importan cuando aumentan los requisitos de rendimiento, residencia de datos y continuidad operativa.
- Cuarta: qué ocurre con la energía. El coste y la disponibilidad eléctrica pueden convertirse en variables de competitividad para determinadas cargas de IA. El CIO tendrá que trabajar cada vez más cerca de operaciones, finanzas y proveedores de infraestructura.
- Quinta: qué tan flexible es la arquitectura elegida. El caso NVIDIA muestra la importancia económica de la capacidad que puede reutilizarse y actualizarse en lugar de quedar asociada a una sola aplicación o generación tecnológica.
La siguiente batalla de la IA será física
La publicación de Jensen Huang ofrece una pista sobre la siguiente fase de la carrera de la inteligencia artificial.
La primera batalla fue por los modelos. La segunda, por el acceso a GPU y capacidad de cómputo.
Ahora aparece una tercera: asegurar la infraestructura física y energética capaz de convertir ese cómputo en inteligencia a escala.
NVIDIA está intentando ocupar toda esa cadena. Su oferta ya incluye computación acelerada, networking, CUDA, plataformas cloud como NVIDIA DGX Cloud, y ahora una arquitectura de AI Factory que incorpora instalaciones, energía, refrigeración y operaciones.
El movimiento de PORTS-Pike representa la extensión física de esa estrategia.
Para los CIO de América Latina, la conclusión es sencilla pero importante: la estrategia de IA ya no puede separarse completamente de la estrategia de infraestructura.
La pregunta no es solamente qué inteligencia artificial quiere desplegar una organización.
Es también cuánta inteligencia necesitará producir, con qué capacidad de cómputo, con qué energía y desde qué infraestructura podrá hacerlo.
Jensen Huang lo resume en una frase que probablemente termine definiendo esta nueva etapa: “En la economía de la IA, el cómputo es ingresos”.
Si esa premisa es correcta, el acceso a la infraestructura que produce ese cómputo deja de ser un asunto técnico.
Se convierte en una decisión de negocio.
