Socios de capital de riesgo hablan sobre la transición de Nvidia: «El hiperescalador de versión sintética» reemplazará a Microsoft y Google
Clark Tang, socio de Altimeter Capital, señaló recientemente en un post que Nvidia (Nvidia) está completando a una velocidad asombrosa una transformación de posicionamiento que el público casi no ha notado. Al mismo tiempo, domina tanto la capa de operación de software de los hiperescalares (Hyperscalers) como la capa de financiación del capital, creando un «hiperescalaador sintético (Synthetic Hyperscaler)» que está desplazando el papel de Amazon, Microsoft y Google en la cadena de suministro de cómputo de IA. (¿Cómo responde Nvidia al «desnvidianizado» de los hiperescalares? Análisis del camino de la transformación del principal fabricante de chips de IA) ¿Qué es un Hyperscaler? En la era de la IA, los viejos modelos de negocio dejan de funcionar
Tang primero aclara la esencia del hiperescalaador: como un conjunto de infraestructura a gran escala, abarca CPU, redes y almacenamiento, y sobre eso monta plataformas de desarrollo. Su modelo de negocio se apoya en dos pilares:
Financieramente, convierte el gasto de capital de los clientes (Capex) en gasto operativo (Opex), permitiendo a las empresas suavizar sus obligaciones financieras.
Operativamente, abstrae los recursos subyacentes mediante software, de modo que los desarrolladores no necesitan comprender los detalles del hardware para consumir potencia de cómputo.
Logran mantener durante mucho tiempo que AWS, Azure y GCP registren entre 35% y 40% de margen operativo, gracias a grandes compras de hardware, reducción del costo del capital y luego al aumento de la utilización del hardware mediante software.
Sin embargo, la llegada de la era de la IA hace que se tambalee la base de este esquema. Entrenar modelos grandes requiere enormes clústeres de GPU sincronizadas; las cargas de trabajo de inferencia (Inference) son extremadamente sensibles tanto al número de tokens por vatio (Tokens per Watt) como a la latencia del primer token (Time to First Token). Ambas cosas chocan frontalmente con el diseño de la era de la nube de «multiinquilino» y de «maximizar la densidad de máquinas virtuales».
En un clúster de entrenamiento, cualquier retraso en un nodo puede arruinar toda la operación; en cambio, la virtualización y las capas superpuestas de red que solían usar los hiperescalares tradicionales se vuelven, paradójicamente, el asesino del rendimiento de las GPU. Tang afirma que, ante este cambio de paradigma, los hiperescalares entran en el dilema del innovador (Innovator’s Dilemma): «No quieren renunciar a un margen de 35% a 40%, y prefieren comprimir el espacio de margen bruto de Nvidia del 75% a un 25% con soluciones ASIC propias, pero siguen quedando rezagados de manera continua en la velocidad de ejecución y la flexibilidad tecnológica».
Se alzan los Neoclouds, pero limitados por el balance
En medio de esto, los nuevos proveedores de servicios en la nube (Neoclouds) vieron una oportunidad y crearon un ecosistema. Descubrieron que el hiperescalaador no es más que hardware de Nvidia ya existente envuelto en una capa delgada de software, aun así obteniendo ganancias sustanciosas; los Neoclouds pueden competir con márgenes brutos del 20% e incluso menos.
Lo más importante: Neocloud y Nvidia desarrollaron en profundidad software diseñado específicamente para cargas de trabajo de IA, incluyendo respaldo en caliente, mantenimiento predictivo y software de almacenamiento con tarifas más bajas optimizado para escenarios de entrenamiento. Los laboratorios de IA empiezan a preferir claramente colaborar con Neocloud; sus críticas a los hiperescalares se concentran principalmente en tres puntos: van demasiado lento, la construcción de clústeres es excesivamente rígida y las capas de virtualización reducen el rendimiento de las GPU.
Sin embargo, Neocloud tiene una debilidad estructural difícil de superar: un balance débil. Los hiperescalares, por su tamaño, cuentan con buen crédito y pueden financiar de forma anticipada la construcción de capacidad antes de que la demanda esté clara, y luego aprovechar el arbitraje cuando llega la demanda. Los prestatarios de Neocloud, en cambio, solo están dispuestos a prestar contra hardware respaldado por contratos existentes, y además en la etapa temprana el crédito de los propios laboratorios de IA suele estar más orientado a la especulación, por lo que el costo de financiación es mayor.
Este obstáculo impide que Neocloud apueste con valentía por capacidad instalada antes de que se materialice la demanda, como lo hace el Colossus de Musk.
El tablero de Nvidia: obtiene simultáneamente la capa operativa y la de financiación
Tang considera que Nvidia, en los últimos años, ha copiado de manera discreta dos capacidades clave de los hiperescalares a gran escala, y que esto no fue casualidad, sino una estrategia desplegada paso a paso.
En la capa operativa, Nvidia lanzó DSX OS y Mission Control para gestionar escuadrones de GPU. Con base en guiones estandarizados para la construcción de centros de datos (proporcionados por el diseño de referencia DSX y el gemelo digital Omniverse), y usando el framework Dynamo para gestionar servicios de inferencia. Estas herramientas combinadas forman un sistema operativo completo para centros de datos de IA, que se abre para que lo utilicen equipos con capacidades técnicas y espacio en salas de servidores.
En la capa de financiación, Nvidia primero estandarizó sus propios activos de hardware. Con diseños de referencia, demostró a inversores de infraestructura la «intercambiabilidad y transferibilidad entre clientes» de la potencia de cómputo, de modo que este tipo de activos pudiera pasar la debida diligencia en el sistema financiero con una tasa de rendimiento sin apalancamiento (Unlevered Yield) del 7% al 8%. Luego introdujo capital de terceros con un tamaño de hasta 500 mil millones de dólares; entre los socios figuran Apollo, BlackRock, Blackstone, Goldman Sachs y KKR, entre otros, y gradualmente estableció seis plataformas de financiación independientes.
La línea de tiempo muestra que lo segundo responde a una estrategia meditada con antelación: Nvidia firmó el acuerdo marco con CoreWeave en 2023; en 2024 facilitó la relación de socios de infraestructura de IA con BlackRock; en 2025 impulsó el fondo de 100 mil millones de Brookfield; y en 2026 avanzó con la colaboración de KKR Helix. La razón por la que Huang Renxun (Jen-Hsun Huang) visitó intensamente Europa, Medio Oriente y el Sudeste Asiático en 2025 fue justamente para la ingeniería en tierra de estos nuevos sitios de potencia de cómputo.
Flujo de fondos y dudas sobre la financiabilidad: Tang refuta una a una
Ante las principales objeciones del mercado a esta narrativa, Tang también respondió una por una. Sobre la preocupación por la circularidad del financiamiento, señaló que seis instituciones, como Apollo y BlackRock, asumen el underwriting por separado, sin estar vinculadas entre sí, ...
Clark Tang, socio de Altimeter Capital, señaló recientemente en un post que Nvidia (Nvidia) está completando a una velocidad asombrosa una transformación de posicionamiento que el público casi no ha notado. Al mismo tiempo, domina tanto la capa de operación de software de los hiperescalares (Hyperscalers) como la capa de financiación del capital, creando un «hiperescalaador sintético (Synthetic Hyperscaler)» que está desplazando el papel de Amazon, Microsoft y Google en la cadena de suministro de cómputo de IA. (¿Cómo responde Nvidia al «desnvidianizado» de los hiperescalares? Análisis del camino de la transformación del principal fabricante de chips de IA) ¿Qué es un Hyperscaler? En la era de la IA, los viejos modelos de negocio dejan de funcionar
Tang primero aclara la esencia del hiperescalaador: como un conjunto de infraestructura a gran escala, abarca CPU, redes y almacenamiento, y sobre eso monta plataformas de desarrollo. Su modelo de negocio se apoya en dos pilares:
Financieramente, convierte el gasto de capital de los clientes (Capex) en gasto operativo (Opex), permitiendo a las empresas suavizar sus obligaciones financieras.
Operativamente, abstrae los recursos subyacentes mediante software, de modo que los desarrolladores no necesitan comprender los detalles del hardware para consumir potencia de cómputo.
Logran mantener durante mucho tiempo que AWS, Azure y GCP registren entre 35% y 40% de margen operativo, gracias a grandes compras de hardware, reducción del costo del capital y luego al aumento de la utilización del hardware mediante software.
Sin embargo, la llegada de la era de la IA hace que se tambalee la base de este esquema. Entrenar modelos grandes requiere enormes clústeres de GPU sincronizadas; las cargas de trabajo de inferencia (Inference) son extremadamente sensibles tanto al número de tokens por vatio (Tokens per Watt) como a la latencia del primer token (Time to First Token). Ambas cosas chocan frontalmente con el diseño de la era de la nube de «multiinquilino» y de «maximizar la densidad de máquinas virtuales».
En un clúster de entrenamiento, cualquier retraso en un nodo puede arruinar toda la operación; en cambio, la virtualización y las capas superpuestas de red que solían usar los hiperescalares tradicionales se vuelven, paradójicamente, el asesino del rendimiento de las GPU. Tang afirma que, ante este cambio de paradigma, los hiperescalares entran en el dilema del innovador (Innovator’s Dilemma): «No quieren renunciar a un margen de 35% a 40%, y prefieren comprimir el espacio de margen bruto de Nvidia del 75% a un 25% con soluciones ASIC propias, pero siguen quedando rezagados de manera continua en la velocidad de ejecución y la flexibilidad tecnológica».
Se alzan los Neoclouds, pero limitados por el balance
En medio de esto, los nuevos proveedores de servicios en la nube (Neoclouds) vieron una oportunidad y crearon un ecosistema. Descubrieron que el hiperescalaador no es más que hardware de Nvidia ya existente envuelto en una capa delgada de software, aun así obteniendo ganancias sustanciosas; los Neoclouds pueden competir con márgenes brutos del 20% e incluso menos.
Lo más importante: Neocloud y Nvidia desarrollaron en profundidad software diseñado específicamente para cargas de trabajo de IA, incluyendo respaldo en caliente, mantenimiento predictivo y software de almacenamiento con tarifas más bajas optimizado para escenarios de entrenamiento. Los laboratorios de IA empiezan a preferir claramente colaborar con Neocloud; sus críticas a los hiperescalares se concentran principalmente en tres puntos: van demasiado lento, la construcción de clústeres es excesivamente rígida y las capas de virtualización reducen el rendimiento de las GPU.
Sin embargo, Neocloud tiene una debilidad estructural difícil de superar: un balance débil. Los hiperescalares, por su tamaño, cuentan con buen crédito y pueden financiar de forma anticipada la construcción de capacidad antes de que la demanda esté clara, y luego aprovechar el arbitraje cuando llega la demanda. Los prestatarios de Neocloud, en cambio, solo están dispuestos a prestar contra hardware respaldado por contratos existentes, y además en la etapa temprana el crédito de los propios laboratorios de IA suele estar más orientado a la especulación, por lo que el costo de financiación es mayor.
Este obstáculo impide que Neocloud apueste con valentía por capacidad instalada antes de que se materialice la demanda, como lo hace el Colossus de Musk.
El tablero de Nvidia: obtiene simultáneamente la capa operativa y la de financiación
Tang considera que Nvidia, en los últimos años, ha copiado de manera discreta dos capacidades clave de los hiperescalares a gran escala, y que esto no fue casualidad, sino una estrategia desplegada paso a paso.
En la capa operativa, Nvidia lanzó DSX OS y Mission Control para gestionar escuadrones de GPU. Con base en guiones estandarizados para la construcción de centros de datos (proporcionados por el diseño de referencia DSX y el gemelo digital Omniverse), y usando el framework Dynamo para gestionar servicios de inferencia. Estas herramientas combinadas forman un sistema operativo completo para centros de datos de IA, que se abre para que lo utilicen equipos con capacidades técnicas y espacio en salas de servidores.
En la capa de financiación, Nvidia primero estandarizó sus propios activos de hardware. Con diseños de referencia, demostró a inversores de infraestructura la «intercambiabilidad y transferibilidad entre clientes» de la potencia de cómputo, de modo que este tipo de activos pudiera pasar la debida diligencia en el sistema financiero con una tasa de rendimiento sin apalancamiento (Unlevered Yield) del 7% al 8%. Luego introdujo capital de terceros con un tamaño de hasta 500 mil millones de dólares; entre los socios figuran Apollo, BlackRock, Blackstone, Goldman Sachs y KKR, entre otros, y gradualmente estableció seis plataformas de financiación independientes.
La línea de tiempo muestra que lo segundo responde a una estrategia meditada con antelación: Nvidia firmó el acuerdo marco con CoreWeave en 2023; en 2024 facilitó la relación de socios de infraestructura de IA con BlackRock; en 2025 impulsó el fondo de 100 mil millones de Brookfield; y en 2026 avanzó con la colaboración de KKR Helix. La razón por la que Huang Renxun (Jen-Hsun Huang) visitó intensamente Europa, Medio Oriente y el Sudeste Asiático en 2025 fue justamente para la ingeniería en tierra de estos nuevos sitios de potencia de cómputo.
Flujo de fondos y dudas sobre la financiabilidad: Tang refuta una a una
Ante las principales objeciones del mercado a esta narrativa, Tang también respondió una por una. Sobre la preocupación por la circularidad del financiamiento, señaló que seis instituciones, como Apollo y BlackRock, asumen el underwriting por separado, sin estar vinculadas entre sí, ...