• Los hiperescaladores cotizan las GPU H100, H200 y B200 a 1,98 veces el precio mediano de la nube con GPU.

• La H100 presenta la mayor diferencia, de 2,8 veces; la diferencia de la B200 es de 1,4 veces.

• Un compromiso de tres años con GPU reduce el precio mediano un 48% frente a la tarifa bajo demanda del mismo proveedor.

Los hiperescaladores cotizan las GPU a 1,98 veces el precio mediano

Los hiperescaladores cotizaron el cómputo con GPU a 1,98 veces la mediana de los proveedores especializados de nube con GPU, según un estudio que Fluence publicó el lunes. El análisis abarcó las GPU H100, H200 y B200 y sus tarifas por hora publicadas. El informe, The AI Compute Race, se elaboró con los socios de investigación NEAR AI, io.net, Boundless, Phala, Gensyn, Fortytwo, Theta, Compute Labs y GAIB. Su argumento central es sencillo: el lugar donde una empresa compra una hora de GPU determina cuánto paga. La diferencia va de 1,4 veces en la B200 a 2,8 veces en la H100, y el precio publicado de la misma H200 oscila entre $4.08 y $10.60 por hora según el proveedor. La duración del compromiso importa tanto como la elección del proveedor: una reserva de un año reduce el precio mediano un 21% frente a la tarifa bajo demanda del mismo proveedor; un plazo de tres años lo reduce un 48%, y la capacidad spot interrumpible se ofrece a un 53% de la tarifa bajo demanda. Quienes esperan un alivio no lo encontrarán en la tendencia. Diecisiete de los 22 modelos de GPU cuyos precios sigue el agregador GetDeploying cuestan más que hace un año, y los alquileres medianos de H100 son entre un 13% y un 30% más altos, según el período analizado. El informe atribuye esta tendencia a tres fuerzas. Los modelos de pesos abiertos tienen ahora más uso: la cuota de tokens de OpenRouter correspondiente a modelos chinos entre empresas de EE. UU., Europa y el Sur Global pasó del 6-13% al 57-67% en menos de ocho meses. Por eso, cualquier empresa que tenga GPU puede ofrecer un modelo cercano a la frontera de capacidades con el hardware que controla. Los mayores compradores acapararon la oferta más reciente: los cuatro hiperescaladores más grandes prevén un gasto de capital de $720 mil millones a $740 mil millones en 2026, y los cuatro acuerdos más grandes anunciados entre laboratorios de IA, Meta y neoclubes suman unos $233 mil millones, gran parte destinados a capacidad que aún no se ha entregado. La hora de GPU también se está convirtiendo en un activo financiero: CME, ICE y Nodal Exchange han anunciado futuros de GPU basados en índices de precios independientes, y los prestamistas conceden créditos respaldados por hardware, con préstamos de grado de inversión a Lambda a una tasa del 6,78% y a Sharon AI del 9,95%. «Las GPU son la parte difícil», dijo Evgeny Ponomarev, cofundador de Fluence, sobre el auge de los modelos de pesos abiertos. El informe concluye con cuatro formas de reducir costos: comparar el mismo chip entre distintos tipos de proveedores, comprometerse cuando la carga de trabajo sea estable, adaptar la generación de GPU al modelo y buscar más allá de los hiperescaladores.

Cómo se midió la brecha de 1,98x

La cifra de 1,98x es la mediana de las tarifas por hora publicadas; no significa que cada contrato cueste el doble en un hiperescalador. La muestra en la que se basa variaba según el modelo: la comparación de H100 abarcó tres hiperescaladores frente a siete nubes de GPU; la de H200, tres frente a seis; y la de B200, dos frente a seis, porque Azure no publica una tarifa para su producto B200 de ocho GPU. El informe convierte el precio total de estos paquetes en una tarifa por GPU-hora. Las tarifas de lista también están sujetas a condiciones. La página de precios de Google Cloud no mostraba etiquetas de región, y la tarifa de H200 de Azure corresponde a la región US East 2, mientras que las tarifas por instancia de los hiperescaladores pueden incluir CPU, memoria y red, mientras algunos proveedores especializados cobran solo por la GPU. La prueba de sensibilidad del informe determinó que excluir a un solo hiperescalador modificaba la brecha medida para H100 entre 15 y 52 puntos porcentuales; por eso, el múltiplo destacado depende tanto de la muestra como del mercado. El rango de H200, de 4,08 a 10,60 dólares por hora, muestra la dispersión: el mismo silicio se ofrece a precios que difieren en más de 2,5 veces. El seguimiento independiente apunta en la misma dirección, aunque con magnitudes distintas. Los datos semanales de GetDeploying del 9 de noviembre contabilizaron 17 de 22 modelos de GPU comparables con precios más altos y cinco con precios más bajos durante el último año, con una variación mediana del 15 %; el análisis del propio informe sobre el mismo conjunto sitúa el aumento mediano en el 19 %. Ambos fijan el descuento a tres años en el 48 %, pero el descuento a un año es del 21 % frente al 25 %, y la capacidad al contado representa el 53 % frente al 56 % del precio bajo demanda. Hay una salvedad que atañe a la entidad que publica el informe: Fluence opera una nube de GPU que agrega capacidad de centros de datos independientes, por lo que vende capacidad de cómputo en el mismo mercado cuyos precios analiza. El informe solo abarca las tarifas de alquiler y no presenta cifras que vinculen las brechas de precios con FLT, el token sobre el que funciona Fluence DAO en Ethereum.

Capacidad contratada por adelantado y gasto en 2026

En conjunto, los hallazgos y las salvedades ofrecen a los compradores una guía más acotada, pero más clara. La mediana de 1,98x indica una tendencia, no una cifra exacta; aun así, la dirección es inequívoca, y el descuento del 48 % a tres años es la mayor palanca individual para reducir los costos de las cargas de trabajo estables. Como 17 de 22 modelos registraron precios más altos durante el último año, el mercado de alquiler ha evolucionado como un mapa de soportes y resistencias a cámara lenta, formando pisos en lugar de romperlos. Los entre 720.000 y 740.000 millones de dólares en gasto de capital de los hiperescaladores y los aproximadamente 233.000 millones de dólares en acuerdos de neocloud divulgados apuntan a una escasez persistente de las GPU más recientes, lo que convierte la comparación entre proveedores y la contratación anticipada en las dos medidas que respaldan los datos.