NVIDIA es ahora la empresa más valiosa del mundo: qué nos dice del mercado de IA
El martes 18 de junio NVIDIA superó brevemente a Microsoft y Apple en capitalización de mercado, llegando a aproximadamente $3.34 billones de dólares y convirtiéndose, por unas horas, en la empresa más valiosa del mundo. La acción cotizó arriba de $135 USD ese día (post split 10:1 que ocurrió a inicios de junio).
El titular es vistoso pero la lectura interesante es lo que la valuación implica: Wall Street está apostando a que la demanda de cómputo para IA va a ser estructural y duradera, no una burbuja de 18 meses. Esa apuesta tiene consecuencias concretas para empresas medianas que están planeando inversión en IA en los próximos 24 meses.
Cómo llegó NVIDIA aquí
Tres ingredientes confluyeron:
1. Monopolio efectivo en GPU para entrenamiento de modelos de frontera. El H100 (y el próximo Blackwell B100/B200) es el chip de facto para entrenar LLMs grandes. AMD MI300X tiene volumen, pero el ecosistema de software está mucho menos maduro. Intel Gaudi e Inferentia son alternativas, pero atadas a nichos.
2. Ecosistema CUDA. Más allá del hardware, CUDA es el lock-in real. Cada framework de ML (PyTorch, TensorFlow, JAX), cada librería de optimización (TensorRT, vLLM), cada modelo público está optimizado primero para CUDA. Migrar a otra plataforma implica trabajo no trivial.
3. Demanda explosiva. OpenAI, Microsoft, Google, Meta, xAI, Anthropic, los hiperescaladores chinos antes del embargo, los nuevos clusters soberanos europeos: todos compitiendo por el mismo inventario limitado de H100. NVIDIA pasó de vender chips a asignar cupos.
El resultado financiero: ingresos del segmento Data Center crecieron del orden de 400% año contra año en los últimos trimestres, márgenes brutos arriba de 75%, y un free cash flow que justifica la valuación bursátil incluso si el crecimiento se modera.
Lo que la valuación dice (y no dice)
Lo que dice: los inversionistas profesionales creen que la IA generativa es un cambio estructural comparable a la llegada de la nube. La demanda de cómputo va a crecer, no a estabilizarse.
Lo que no dice: que esta valuación esté libre de riesgo. Tres escenarios donde NVIDIA podría corregir: aparición de alternativas competitivas reales (AMD MI400, Trainium2, TPU v6) que erosionen la prima del H100/Blackwell; saturación de capacidad de entrenamiento si los hiperescaladores construyen para 2-3 años; o una caída en la promesa de IA si los modelos no justifican el costo creciente. Ninguno parece inminente a 24-36 meses, pero ninguno es inverosímil.
Implicaciones para empresa mediana mexicana
1. El precio de GPU sigue alto
La consecuencia operativa más directa: rentar o comprar GPU H100 sigue siendo caro y va a seguir siéndolo. Los precios spot de H100 en hyperscalers están en $3-8 USD por hora dependiendo de región y disponibilidad. Las reservaciones a 1 año ofrecen descuentos pero requieren commitment.
Para empresas que están evaluando entrenar modelos propios o correr inferencia en GPUs propias, eso significa:
- Alquilar antes de comprar. Comprar H100 propios solo justifica si el uso es muy alto y sostenido (24/7 a 70%+ utilization).
- Considerar alternativas para inferencia. Inferencia no requiere H100 forzosamente. Para Llama 3 70B, una sola H100 con vLLM atiende miles de tokens/seg. Para modelos más pequeños (Llama 3 8B, Phi-3, Mistral 7B), GPUs más modestas (A10, L4, RTX 4090) ofrecen mucho mejor relación costo-rendimiento.
- Aprovechar APIs administradas para spikes. Para cargas intermitentes, las APIs de OpenAI, Anthropic, Together, Fireworks, Bedrock, Vertex y Azure son más baratas que reservar GPU propia.
2. Las alternativas a NVIDIA empiezan a importar
- AWS Trainium e Inferentia. Trainium2 mejora la propuesta para entrenamiento, Inferentia2 es competitiva en inferencia. Integrado a SageMaker.
- Google TPU v5e/v5p. Buen rendimiento por dólar para modelos optimizados. Fricción al portar de PyTorch/CUDA a JAX/XLA.
- AMD MI300X. Mejor VRAM/dólar que H100 en algunos casos. ROCm ya soporta vLLM y la mayoría de inferencia común.
Recomendación: explorar al menos una alternativa antes de comprometer reservas grandes a NVIDIA. La diferencia puede ser de 30-50% donde las alternativas están maduras.
3. La pregunta build vs buy se redefine
Con cómputo caro y modelos open competitivos (Llama 3, Phi-3, Qwen 2), la pregunta correcta para empresa mediana ya no es "¿debo entrenar mi propio modelo?" (casi nunca) sino qué cargas valen API premium por calidad, cuáles API hosted de modelo open por costo, cuáles GPU propia con open por privacidad, y cuáles NPU on-device por costo marginal cero. La respuesta correcta es portafolio, no monógamo.
Lo que vemos venir en 24 meses
Tres tendencias razonablemente predecibles:
Precios de inferencia bajando. La competencia entre proveedores (OpenAI, Anthropic, Google, Meta open, modelos chinos) y entre hardware (NVIDIA, AMD, Trainium, TPU) va a empujar costos por token a la baja. Lo que hoy cuesta $5/M tokens va a costar $1-2/M tokens en 18 meses.
Modelos pequeños cada vez más capaces. La frontera no solo es modelos más grandes; también modelos más pequeños mejor entrenados. Phi-3, Llama 3 8B, Gemma 2 9B muestran que un 7-9B modelo bien hecho ya es más útil que un 70B de hace 18 meses.
Hardware on-device gana terreno. Copilot+ PC, Apple Intelligence, Snapdragon AI: para muchos casos de oficina, la inferencia local va a ser suficiente. Eso reduce demanda incremental sobre data centers, no la elimina.
La trampa de leer el mercado
El error que vemos en líderes que miran la valuación de NVIDIA y deducen "tenemos que invertir más en IA ya": la valuación de un proveedor no determina la rentabilidad de la inversión. Lo que importa para tu empresa es:
- ¿Tienes casos de uso claros con ROI medible?
- ¿Tienes el equipo y los datos para ejecutar?
- ¿Tienes la disciplina para medir resultados y cortar lo que no funciona?
Una empresa con plan claro y disciplina genera mejor retorno de IA que una empresa que invierte mucho sin claridad. La valuación bursátil de NVIDIA no cambia esa ecuación.
La lectura larga
NVIDIA llegando al #1 marca el momento donde la economía formal reconoce que la IA es una transformación de magnitud comparable a internet o cloud. Para empresas mexicanas medianas, eso confirma que no invertir en capacidades de IA en 2024-2025 es una decisión riesgosa, no una decisión conservadora.
Pero la forma de invertir importa. Invertir en casos de uso, no en infraestructura especulativa. Aprovechar APIs maduras antes de construir GPU propia. Construir capacidades internas antes de comprar herramientas. Medir antes de escalar.
Las empresas que entren a 2025 con esta disciplina van a capturar valor real. Las que entren empujando todo a NVIDIA o a OpenAI por FOMO van a entender en 2026 por qué su gasto creció más rápido que sus métricas de negocio.
¿Quieres una conversación sobre tu estrategia IA frente al mercado? Agenda una sesión estratégica y revisamos juntos el mapa de inversión razonable para tu empresa.
