Los acuerdos de Anthropic y Google sobre computación apuntan a un shock de precios de las GPU de diez veces

Los acuerdos de Anthropic y Google sobre computación han convertido la escasez de GPU de una previsión abstracta en un problema de infraestructura inmediato. Google obtuvo acceso a unas 110.000 GPU de Nvidia de SpaceX después de que los precios de la computación al contado subieran más de un 40% desde los mínimos de febrero.

Anthropic asumió un compromiso aún más amplio, alquilando capacidad disponible en el centro de datos Colossus 1 de SpaceX, cerca de Memphis. Estos acuerdos sugieren que los laboratorios de frontera pagarán una prima elevada por clústeres seguros y fiables que puedan respaldar el entrenamiento y la inferencia a gran escala.

Esto invierte la suposición habitual de que los chips más nuevos y el software en mejora deben abaratar la IA de forma sostenida. La verdadera competencia enfrenta ahora la caída de los costes de hardware con el valor económico, en rápido ascenso, de la inteligencia artificial. Si los modelos capaces generan más ingresos por cada GPU, los compradores pueden pujar por precios de computación más altos antes de que la demanda se resienta.

Los acuerdos de Anthropic y Google redefinieron el mercado de la computación

El cambio más importante no es que dos empresas de IA alquilaran más GPU. Es que la capacidad garantizada ahora exige una prima estratégica.

El acuerdo de Google le da acceso a aproximadamente 110.000 GPU de Nvidia, además de procesadores, memoria e infraestructura asociados. Está previsto que la capacidad aumente progresivamente, con protecciones contractuales si SpaceX no cumple el objetivo de entrega.

Google describió el acuerdo como capacidad puente para una demanda de Gemini Enterprise inesperadamente sólida. La empresa ya opera una enorme infraestructura interna, incluidas sus propias unidades de procesamiento tensorial. Por ello, su decisión de alquilar capacidad externa tiene más peso que un contrato cloud típico.

El acuerdo indica que poseer grandes centros de datos no elimina la escasez a corto plazo. La capacidad debe existir en el lugar adecuado, con redes, energía, seguridad y plazos de despliegue apropiados. Un chip que llega demasiado tarde no puede responder a la demanda inmediata de los clientes.

Anthropic afronta una restricción distinta. Sus modelos Claude han atraído un creciente uso empresarial y entre desarrolladores, mientras que la capacidad de computación limitada había obligado antes a la empresa a restringir el acceso. Su acuerdo con SpaceX le proporciona amplio acceso a la infraestructura Colossus y a capacidad GB200 en expansión.

Según los detalles del contrato, tanto Anthropic como SpaceX pueden rescindir su acuerdo con previo aviso. Esa flexibilidad importa porque la demanda de IA a largo plazo sigue siendo difícil de prever.

Google obtuvo una opción de rescisión similar tras un periodo inicial. Estas cláusulas reducen el riesgo de compromiso, pero no borran la señal que envían los acuerdos. Dos laboratorios líderes aceptaron importantes obligaciones de capacidad en lugar de esperar una oferta más barata.

SpaceX se sitúa en el centro de ambos acuerdos porque xAI construyó Colossus a una velocidad inusual. La instalación combinó GPU, redes, refrigeración, energía y experiencia operativa en capacidad utilizable. SpaceX ahora puede vender ese sistema integrado a laboratorios externos.

Esa distinción es esencial. Los compradores no se limitan a alquilar chips de un almacén. Están adquiriendo acceso a infraestructura sincronizada que puede ejecutar grandes cargas de trabajo de IA sin meses de construcción e integración.

El acuerdo de computación de Google cubre, según se informa, cerca de la mitad de la computación disponible para Anthropic en Colossus 1. SpaceX no identificó la instalación específica que atenderá a Google.

Esta incertidumbre limita las comparaciones precisas entre los contratos. Las generaciones de GPU subyacentes, el diseño de red, las obligaciones de servicio y los derechos de utilización pueden afectar de forma material al valor. Un recuento bruto de GPU no refleja esas diferencias.

Aun así, la conclusión general se mantiene. Los acuerdos de Anthropic y Google establecen un precio de mercado para capacidad de frontera inmediata y fiable. Ese mercado parece mucho más ajustado de lo que sugieren las cotizaciones públicas al contado.

Por qué la demanda de Anthropic y Google conlleva una prima por capacidad

La computación al contado y la computación a escala de frontera son productos distintos, incluso cuando ambas usan GPU de Nvidia.

La capacidad al contado es acceso interrumpible u oportunista que se vende cuando un proveedor tiene recursos sin utilizar. Puede servir para experimentos, trabajos por lotes flexibles y cargas de trabajo que soportan interrupciones. Es una base deficiente para muchas operaciones de frontera.

El entrenamiento de modelos grandes exige que miles de aceleradores trabajen juntos durante periodos prolongados. Los fallos, las redes deficientes o la disponibilidad desigual pueden dejar hardware costoso inactivo. Por tanto, la fiabilidad afecta al coste efectivo de cada ciclo de entrenamiento útil.

La inferencia introduce otro requisito. La inferencia es el proceso de ejecutar un modelo entrenado para responder a los usuarios. Los clientes empresariales esperan baja latencia, disponibilidad predecible y controles sólidos sobre la información sensible.

Un laboratorio de frontera no puede depender de instancias al contado dispersas cuando las cargas de trabajo de los clientes contienen código privado o documentos corporativos. Necesita clústeres controlados con políticas de seguridad coherentes y suficiente capacidad adicional para absorber picos de demanda.

Esta brecha explica por qué los términos reportados de Anthropic y Google parecen caros frente a las tarifas básicas al contado. Los contratos incluyen una opción de reserva de capacidad, que garantiza el acceso cuando otros compradores pueden estar compitiendo por las mismas máquinas.

Investigadores que estudian la fijación de precios de activos de computación sostienen que las horas de GPU se comportan de manera diferente a las materias primas almacenables. La capacidad sin usar hoy no puede guardarse y entregarse el próximo año. Desaparece cuando termina la hora.

Esa característica hace que la computación se parezca a la electricidad o a la capacidad de transporte. La oferta debe satisfacer la demanda en un momento y lugar específicos. Por ello, las carencias pueden provocar movimientos bruscos de precios, incluso cuando el hardware total instalado sigue creciendo.

Los contratos a plazo también integran servicios operativos. Los proveedores deben mantener la energía, la refrigeración, las redes, el hardware de reemplazo y la compatibilidad de software. Los compradores pagan por la producción utilizable del clúster, no solo por su inventario de componentes.

La seguridad añade otra capa. Los pesos de los modelos de frontera representan valiosa propiedad intelectual, mientras que el tráfico de inferencia puede contener datos sensibles de clientes. Los laboratorios necesitan mayor aislamiento y supervisión que los que suelen ofrecer los mercados al contado anónimos.

La escala también cambia la utilización. Una única GPU disponible tiene poco valor cuando una carga de trabajo necesita un clúster grande y sincronizado. Los proveedores capaces de entregar muchos aceleradores juntos poseen un producto más escaso.

La tesis sobre el precio de la computación de Dwarkesh Patel estima que las tarifas al contado subieron más de un 40% desde su mínimo de febrero. Sostiene que las tarifas públicas siguen infravalorando los costes de los laboratorios de frontera.

Esa conclusión es plausible, pero la prima contractual exacta sigue siendo incierta. Las divulgaciones públicas no revelan cada modelo de chip, garantía de rendimiento, especificación de red o compromiso de servicio. Las comparaciones con simples cotizaciones por hora deben seguir siendo orientativas.

Google calificó su acuerdo con SpaceX como capacidad puente a corto plazo. Ese encuadre respalda una interpretación más limitada. La prima puede reflejar una urgencia temporal, más que un cambio permanente en todo el mercado de GPU.

Sin embargo, la demanda urgente tiene por sí misma relevancia económica. Si varios laboratorios necesitan capacidad antes de que lleguen nuevos centros de datos, la escasez temporal puede persistir durante ciclos de construcción superpuestos. Cada comprador compite entonces contra proyectos con plazos similares.

Los acuerdos también cuestionan la idea de que los hyperscalers siempre pueden resolver internamente las carencias. Google posee chips personalizados e infraestructura cloud global. Aun así, consideró que la capacidad externa de Nvidia tenía suficiente valor como para asegurarla mediante contrato.

Anthropic mantiene relaciones con varios proveedores de infraestructura, pero también buscó un gran clúster de SpaceX. La diversificación puede mejorar la resiliencia, aunque distribuye la demanda entre un grupo limitado de instalaciones de primer nivel.

Esto genera presión sobre OpenAI, Meta, Microsoft, Amazon y operadores cloud especializados. Deben asegurar energía y aceleradores antes de que lleguen los clientes, evitando al mismo tiempo el exceso de capacidad si la demanda de modelos se ralentiza.

El resultado es un mercado configurado por el momento oportuno, la fiabilidad y la opcionalidad. Los recuentos principales de GPU revelan escala. No revelan el valor total de tener esas GPU listas cuando un modelo las necesita.

El verdadero mecanismo es una IA más inteligente, no solo chips más escasos

Los precios de la computación solo suben de manera sostenible cuando los modelos crean más valor más rápido de lo que se expande la infraestructura.

La escasez de chips por sí sola no puede sostener un aumento de diez veces de forma indefinida. Los precios más altos atraen inversión, fomentan la eficiencia y desplazan las cargas de trabajo hacia alternativas. Un incremento duradero exige que la demanda siga superando esas respuestas.

El argumento central de Patel parte de la economía de los modelos. Si un sistema equivalente a H100 llega a realizar ingeniería de software a nivel humano, su valor productivo superaría ampliamente el valor de alquiler actual.

No es una previsión de que una H100 sustituirá literalmente a un ingeniero. Es un marco para entender la disposición a pagar. Los compradores pujan por computación en función de los ingresos o ahorros que puede producir.

Los modelos actuales todavía necesitan supervisión y a menudo fallan en proyectos largos y ambiguos. Sin embargo, las mejoras en los agentes de programación muestran por qué importa la capacidad. Un modelo que completa trabajo más valioso puede justificar mayor gasto en inferencia.

La demanda de inferencia cobra especial importancia aquí. El entrenamiento crea un modelo una vez, mientras que la inferencia atiende cada solicitud de cliente. Por tanto, los productos de IA exitosos pueden convertir la capacidad del modelo en demanda recurrente de horas de GPU.

Los laboratorios de frontera afrontan una difícil decisión de asignación. Pueden usar capacidad para entrenar modelos futuros o atender a usuarios actuales. Más inferencia respalda los ingresos, pero deja menos computación disponible para experimentos y entrenamientos mayores.

Cuando los ingresos crecen más rápido que la computación física, son posibles tres ajustes. Los márgenes de los laboratorios pueden aumentar, los precios de la computación pueden subir o la inferencia puede consumir una mayor proporción de la capacidad disponible.

La competencia limita la primera opción. Un laboratorio no puede mantener márgenes inusualmente altos si hay modelos comparables disponibles a menor coste. Las diferencias de capacidad deben ser lo bastante grandes como para que los clientes acepten una prima.

La tercera opción también tiene límites. Los laboratorios quieren ingresos, pero siguen creyendo que los mejores modelos requieren inversión continua en entrenamiento. Desviar la mayor parte de la capacidad hacia la inferencia actual debilitaría ese esfuerzo.

Eso deja el aumento de los precios de computación como un mecanismo de equilibrio. Un laboratorio con demanda muy rentable puede superar la oferta de un comprador menos productivo. La capacidad fluye entonces hacia las cargas de trabajo que generan el mayor rendimiento esperado.

Esta lógica crea un ciclo de retroalimentación. Los mejores modelos generan más ingresos, lo que permite a sus desarrolladores asegurar más computación. Más computación respalda entrenamiento adicional, una distribución más amplia y mejoras adicionales de producto.

Los competidores afrontan el ciclo opuesto. Una startup sin ingresos sustanciales debe financiar capacidad antes de demostrar que su modelo puede competir. El aumento de las tarifas de alquiler amplía esa brecha de financiación.

Los acuerdos de Anthropic y Google importan porque ambas empresas pueden monetizar grandes clústeres. Google puede distribuir Gemini entre clientes cloud, productos de productividad, búsqueda y servicios para desarrolladores. Anthropic puede atender a usuarios empresariales y cargas de trabajo de programación mediante Claude.

Los desarrolladores más pequeños normalmente no pueden igualar esa amplitud. Puede que deban depender de ingresos de aplicaciones, financiación de capital riesgo o acceso mediante plataformas cloud más grandes. Cada vía los expone a precios fijados por compradores mejor capitalizados.

La eficiencia de los modelos puede intensificar esta concentración. Cuando el cómputo es caro, un modelo más potente que utiliza menos tokens por tarea completada con éxito resulta más atractivo. Los clientes pueden preferirlo aunque su servicio conlleve una prima mayor.

Esto se asemeja a un cambio hacia mayor calidad con un coste fijo de entrega. Cuando el recurso subyacente se encarece, pagar un poco más por un mejor resultado puede parecer económico. Los modelos inferiores desperdician capacidad escasa mediante intentos más largos o fallidos.

Sin embargo, el mismo mecanismo puede jugar en contra de los laboratorios de frontera. Los modelos abiertos, los sistemas especializados y las arquitecturas más pequeñas pueden reducir el cómputo necesario para muchas tareas. Los compradores no siempre necesitan el modelo general más capaz.

Una empresa que resume tickets rutinarios de soporte podría elegir un modelo compacto. Un equipo de programación que gestiona cambios complejos en un repositorio puede justificar un sistema de frontera. Unos precios de cómputo más altos ampliarían esta segmentación de cargas de trabajo.

El resultado probable no es una inflación generalizada en todas las tareas de IA. Es una división de mercado más marcada. Las cargas de trabajo de alto valor compiten por cómputo prémium, mientras que las rutinarias migran hacia sistemas más baratos y eficientes.

Un aumento de diez veces es un escenario, no una previsión consolidada

La tesis de precios depende de ganancias de capacidad inciertas, una oferta limitada y una sustitución restringida que ocurren al mismo tiempo.

La evidencia más sólida se refiere a la escasez actual. Las tarifas spot se han recuperado, los laboratorios de frontera han firmado grandes contratos y los proveedores están ampliando clústeres. Esos hechos no prueban un aumento futuro de diez veces.

Patel presenta explícitamente su argumento como un escenario. Supone que los sistemas de IA se aproximan a la ingeniería de software de nivel humano y que su producción económica sigue siendo valiosa. Ambas condiciones merecen un examen riguroso.

Los benchmarks de programación no representan por completo la ingeniería de producción. El trabajo real incluye recopilar requisitos, coordinarse con personas, navegar sistemas heredados y asumir responsabilidad por los fallos. El progreso en tareas aisladas puede no transferirse de forma uniforme.

Incluso si la IA se vuelve capaz, el trabajo adicional de las máquinas podría reducir el valor de mercado de cada tarea completada. Una oferta repentina de capacidad de programación podría comprimir los márgenes del software y reducir la disposición de los clientes a pagar.

La nueva demanda podría compensar esa compresión. Un desarrollo más barato podría hacer viables proyectos antes antieconómicos, ampliando el mercado total de software. La historia económica ofrece ejemplos en los que una mayor productividad incrementó la demanda en lugar de eliminar valor.

No está garantizado que ninguno de los dos efectos domine. La velocidad de adopción, los presupuestos de los clientes, la regulación y el cambio organizativo influirán en la rapidez con que la capacidad de los modelos se convierta en ingresos.

La oferta también responde. Nvidia sigue introduciendo aceleradores más nuevos, mientras AMD y los chips personalizados ofrecen alternativas. Los proveedores de nube pueden optimizar las redes, la planificación y el servicio de modelos para extraer más producción del hardware instalado.

Las GPU antiguas no se vuelven inútiles de inmediato. Pueden pasar del entrenamiento de frontera a la inferencia, el ajuste fino, la investigación o cargas de trabajo menos exigentes. Esta reutilización en cascada amplía la oferta efectiva.

Las mejoras de software importan igual de mucho. La cuantización reduce la precisión numérica utilizada por un modelo, disminuyendo los requisitos de memoria y cómputo. La destilación transfiere comportamientos seleccionados a sistemas más pequeños que cuestan menos ejecutar.

Un mejor procesamiento por lotes puede atender varias solicitudes a la vez. La decodificación especulativa puede acelerar la generación al permitir que un modelo más pequeño proponga tokens para que uno mayor los verifique. El enrutamiento puede reservar los modelos caros para solicitudes difíciles.

Estas técnicas debilitan el vínculo entre el uso de modelos y la demanda bruta de GPU. Una aplicación puede crecer sin aumentar el cómputo al mismo ritmo. Ese patrón ha reducido repetidamente los costes por producción útil de IA.

El mercado ya ha mostrado ambas direcciones. Las tarifas de alquiler de GPU cayeron en periodos anteriores a medida que la oferta se expandía y los proveedores competían. Más tarde, la demanda estrechó el mercado e impulsó algunas tarifas al alza.

El análisis de J.P. Morgan de principios de 2026 concluyó que varias categorías de alquiler de GPU disminuyeron durante el año anterior. También señaló que los aceleradores más antiguos seguían siendo útiles más allá de las hipótesis iniciales de depreciación.

Ese descenso histórico es un contrapeso importante. Un repunte del 40% desde un mínimo no establece una curva ascendente permanente. Puede revertir en parte una corrección anterior.

La comparación del contrato entre Anthropic y Google también tiene limitaciones de datos. Los informes públicos combinan GPU, CPU, memoria, redes y obligaciones de servicio. Dividir el valor del contrato por el número de GPU puede producir una estimación horaria engañosa.

Los distintos aceleradores ofrecen resultados diferentes. Los sistemas GB200 y GB300 no pueden tratarse como intercambiables con unidades H100 independientes. El diseño del clúster también afecta la velocidad de entrenamiento y el rendimiento de inferencia.

Los derechos de utilización también importan. Un cliente con capacidad exclusiva y disponible de forma continua recibe más valor que un comprador que utiliza instancias interrumpibles. El contrato de servicio puede incluir personal, mantenimiento y garantías de entrega.

Las restricciones energéticas siguen siendo una parte más sólida del argumento alcista. Los nuevos aceleradores necesitan conexiones eléctricas, equipos de refrigeración, transformadores, permisos y terrenos adecuados. Estos proyectos operan con plazos más largos que la demanda de software.

La fabricación presenta otro cuello de botella. Los chips de vanguardia dependen de equipos especializados de fabricación, empaquetado avanzado y memoria de gran ancho de banda. Ampliar una etapa no elimina las restricciones en otras.

Sin embargo, la escasez fomenta la sustitución. Los desarrolladores pueden retrasar el entrenamiento, alquilar en otra región, optimizar modelos o comprar capacidad a proveedores competidores. Las empresas también pueden utilizar interfaces de programación de aplicaciones en lugar de gestionar sus propios clústeres.

Los futuros de cómputo pueden mejorar la planificación. CME Group anunció planes para contratos basados en benchmarks de alquiler de GPU, sujetos a revisión regulatoria. Estos instrumentos permitirían a proveedores y compradores gestionar el riesgo de precios futuros.

El mercado de futuros de cómputo no crearía capacidad física. Aun así, podría mejorar la formación de precios y revelar si los participantes del mercado esperan que la escasez persista.

Los investigadores advierten que los contratos físicos a plazo incluyen una opción real de capacidad. Por tanto, el precio de los futuros financieros puede mantenerse por debajo de un contrato de alquiler garantizado. La diferencia mediría más que las expectativas sobre las tarifas spot.

Todas estas incertidumbres hacen poco fiable un múltiplo preciso. La afirmación de diez veces funciona mejor como prueba de estrés. Pregunta qué ocurre si la demanda impulsada por la capacidad crece mucho más rápido de lo que pueden responder las fábricas y los centros de datos.

Para los compradores, la lección útil no es asumir que la inferencia se abarata cada año. Los modelos de costes deberían incluir casos en los que la capacidad se estrecha, los clústeres prémium siguen siendo caros y la eficiencia de los modelos mejora de manera desigual.

Para los inversores, la lección está igual de matizada. Unas tarifas de alquiler más altas pueden beneficiar a los proveedores de infraestructura, pero los retrasos de construcción y la concentración de clientes crean riesgos. Un contrato grande no garantiza rendimientos atractivos en cada nuevo centro de datos.

Lo que revelarán las próximas tres señales

Tres señales observables mostrarán si los acuerdos entre Anthropic y Google marcan una congestión temporal o una revalorización duradera del cómputo de IA.

La primera señal es el cumplimiento de entrega de los contratos de SpaceX. Está previsto que la capacidad de Google aumente gradualmente, con compensaciones si SpaceX no alcanza su objetivo comprometido de GPU. Anthropic también está ampliándose hacia capacidad GB200 en Colossus 2.

La entrega puntual demostraría que SpaceX puede convertir una construcción rápida en infraestructura fiable para terceros. Los retrasos demostrarían lo difícil que sigue siendo poner en marcha grandes clústeres, reforzando el argumento de la escasez.

La interpretación no es unilateral. Una entrega exitosa también añade una oferta sustancial. Si esos clústeres satisfacen la demanda sin más contratos urgentes, se debilitaría el argumento de una aceleración sostenida de los precios.

La segunda señal es la demanda de inferencia divulgada. Google vinculó su acuerdo a una adopción de Gemini Enterprise más fuerte de lo esperado. Las restricciones de uso previas de Anthropic indicaban de manera similar que el cómputo disponible limitaba el acceso de los clientes.

Observe si esas empresas siguen elevando los límites, ampliando la disponibilidad empresarial e informando de un uso más intenso. Una demanda persistente tras las ampliaciones de capacidad respaldaría la opinión de que la inferencia valiosa absorbe rápidamente la nueva oferta.

Una desaceleración apuntaría en otra dirección. Podría significar que los clientes se resisten a los costes, se trasladan a modelos más pequeños o descubren que los agentes no generan suficiente valor fiable. Cualquiera de esos resultados debilitaría la tesis de precios impulsada por la capacidad.

La tercera señal es la relación entre los índices de precios de GPU y la eficiencia de los modelos. Un aumento generalizado de precios en varias generaciones de aceleradores sugeriría que la demanda se está extendiendo más allá de un único clúster restringido.

Precios estables o decrecientes por tarea completada contarían una historia diferente. Los proveedores pueden cobrar más por cada hora de GPU mientras el software extrae más producción útil de esa hora. En última instancia, a los clientes les importa la economía de las tareas.

Esta distinción debería guiar a los desarrolladores. No optimicen únicamente para la tarifa publicada de un acelerador concreto. Midan cuántas tareas fiables, cambios de código aceptados o resultados para clientes produce cada unidad de cómputo.

Las empresas también deberían separar el precio del modelo del valor del flujo de trabajo. Un modelo caro puede ser económico cuando completa trabajo difícil con precisión. Un modelo más barato puede resultar costoso cuando los fallos requieren llamadas repetidas y revisión humana.

Las empresas de IA más pequeñas tienen menos formas de absorber un shock de oferta. Deberían diseñar sistemas de enrutamiento, caché y respaldo antes de que la capacidad se estreche. La dependencia de un solo proveedor puede convertir un movimiento de mercado en una interrupción operativa.

Los desarrolladores también necesitan registros de cómo rinden los modelos en el trabajo real. Una base de conocimiento de ingeniería con capacidad de búsqueda puede preservar evaluaciones, incidentes, decisiones de arquitectura y supuestos sobre proveedores a través de decisiones cambiantes de infraestructura.

La cuestión estratégica más amplia se refiere a la concentración. Si los laboratorios con mejor financiación convierten modelos superiores en ingresos más rápido que sus competidores, pueden superar las ofertas de sus rivales por el siguiente clúster. Esa ventaja puede acumularse.

Sin embargo, la eficiencia, la especialización y los modelos abiertos siguen siendo contrafuerzas significativas. Una inteligencia general cara crea espacio para sistemas diseñados en torno a tareas más acotadas. No todas las cargas de trabajo necesitan el modelo más grande disponible.

Por tanto, los acuerdos entre Anthropic y Google revelan una contienda, no una transición completada. La capacidad está haciendo que el cómputo sea más valioso, mientras la ingeniería sigue intentando que cada tarea requiera menos de él.

Durante los próximos meses, observe la entrega de clústeres, la adopción de inferencia y la eficiencia a nivel de tarea, en ese orden. Juntas, estas señales mostrarán si la prima actual refleja un periodo puente o una nueva estructura de mercado.

Los equipos deberían ahora poner a prueba sus planes frente a ambos resultados. ¿Qué se rompe si el cómputo prémium se encarece mucho más, y qué inversión se vuelve desperdicio si la eficiencia termina imponiéndose?