A medida que la demanda de cómputo para IA sigue creciendo, la competencia entre las nuevas empresas de nube está pasando de «quién tiene más GPU» a «quién puede controlar el stack tecnológico completo, desde el hardware hasta el software». Cuando el alquiler de cómputo “en bruto” cada vez es más difícil de escapar de la competencia de precios, comienza a surgir una cuestión más crucial: para el valor de la infraestructura de IA, ¿lo determinan las GPU en sí, o lo determina la capa de software que gestiona, orquesta y optimiza la eficiencia con la que las GPU ejecutan cargas de trabajo?

Nscale adquirió Anyscale por aproximadamente 1.650 millones de dólares; Nebius adquirió Eigen AI; CoreWeave adquirió Weights & Biases; e IREN adquirió Mirantis, entre otras operaciones. Cinco adquisiciones que apuntan a una misma tendencia: las nuevas empresas de nube, que cuentan con GPU, energía y centros de datos, se están extendiendo en bloque hacia las capas de MLOps y orquestación de IA.

Lo que compra la empresa Xinyun no es solo un conjunto de software o una cartera de clientes, sino la capacidad de pasar de “cobrar por hora de GPU” a “competir por resultados de las tareas”. El sistema de despacho determina cuántas horas de GPU consume una tarea y, con ello, la utilización del cómputo, los costos del cliente y la ganancia de la plataforma. Al dominar tanto las dos capas—software y hardware—los fabricantes pueden realizar optimizaciones coordinadas y también, mediante una integración del sistema más profunda, aumentar el costo de migración para los clientes, reteniendo dentro de la plataforma los beneficios derivados de la mejora de eficiencia.

Al mismo tiempo, la integración también está ocurriendo en sentido inverso. Lightning AI se fusiona con el proveedor de GPU Voltage Park, y plataformas de inferencia como Fireworks, Modal y Baseten también están construyendo o controlando la potencia de cómputo subyacente en distintos grados. Las empresas de infraestructura adquieren software hacia arriba; las plataformas de inferencia se expanden hacia abajo en hardware. Ambas partes avanzan desde direcciones opuestas hacia un mismo destino: controlar simultáneamente activos de cómputo y software de orquestación.

Esto significa que la siguiente etapa de la competencia de Xinyun ya no consiste solo en competir por la cantidad de GPU, los contratos de electricidad y la velocidad de entrega, sino en disputarse el control de todo el conjunto de cargas de trabajo de la IA. La verdadera barrera podría provenir de quién logre integrar chips, clústeres, planificación (scheduling) y servicios de inferencia en un sistema más eficiente y más difícil de abandonar para los clientes. Sin embargo, aunque los dos caminos llevan al mismo final, las estructuras de costos son muy diferentes: Xinyun puede completar el software mediante adquisiciones, mientras que una plataforma de inferencia que quiere construir infraestructura hacia abajo debe asumir un gasto de capital mucho mayor. Esto deja una pregunta clave para la segunda parte: cuando todas las empresas quieren controlar el stack de tecnología completo, ¿quién puede conseguir financiación lo suficientemente barata para sostener esta expansión?