Potencial de crecimiento de la IA de Nvidia es el enfoque de un nuevo análisis de Intellectia AI, publicado bajo el título «La dominancia y el potencial de crecimiento de la IA de Nvidia». Lo disponible públicamente de dicho análisis es solo un titular y un resumen de una línea: sin cifras de ingresos, sin números de envíos, sin pronósticos ni citas. Eso deja como única cuestión comprobable a quienes construyen con modelos, no a quienes operan con ellos en los mercados. ¿Qué parte del costo por token que paga un desarrollador, y cuánta memoria necesita una implementación simplemente para cargarse, ya está determinada por la posición de un único proveedor en el mercado de aceleradores?
Conclusiones clave
- Intellectia AI ha publicado un análisis titulado «La dominancia y el potencial de crecimiento de la IA de Nvidia». El fragmento disponible no contiene cifras, pronósticos ni citas, por lo que cualquier número específico asociado a esta historia en otro lugar no proviene de dicho análisis.
- No se anunció nada: ni nuevo hardware, ni cambio de precios, ni actualización de suministro. El artículo es un argumento sobre trayectoria, no un evento relacionado con un producto.
- La razón estructural por la que esto importa a los desarrolladores es que el costo de los aceleradores y su capacidad de memoria subyacen tanto a los precios por token ofrecidos en servicios alojados como a los presupuestos para autohospedaje.
- Los modelos de vanguardia de código abierto en la base de datos de Convly requieren entre aproximadamente 140 GB y unos 1,4 TB de VRAM en cuantización de 4 bits, con Kimi K3 en la parte superior de ese rango.
- Los precios de inferencia alojada abarcan tres órdenes de magnitud, desde 0,02 $ por cada millón de tokens de entrada para Llama 3.1 8B hasta 10 $ entrante / 50 $ saliente para Claude Fable 5.
- El propio modelo de Nvidia Nemotron 3 Nano Omni ocupa aproximadamente 21 GB en NVFP4, lo que muestra cómo el mismo proveedor impulsa con fuerza la inferencia de bajo consumo de recursos.
Lo que contiene y lo que no contiene el análisis de Intellectia AI
Aquí la disciplina es más importante que de costumbre. Intellectia AI es una editorial especializada en investigación de inversiones, y el artículo que ha surgido es un titular acompañado de un breve resumen que afirma que la ventaja de Nvidia en computación para IA aún tiene margen para seguir creciendo. No hay ninguna cifra de participación de mercado en el fragmento, ni volumen de unidades, ni proyección fechada ni ejecutivo citado. No vamos a suministrar esas cifras en su nombre, y los lectores deben ser escépticos ante cualquier cobertura que parezca hacerlo.
Lo que sí puede decirse con justicia es que la afirmación es familiar y que es orientativa, no impulsada por eventos. Ningún nivel de precios se movió esta semana debido a ella. Ninguna hoja de ruta cambió. Si usted está planificando capacidad o eligiendo entre alquilar una API o comprar hardware, este análisis, por sí solo, no le aporta nada nuevo para introducir en una hoja de cálculo. Lo que sí hace es reafirmar el supuesto que subyace a casi todos los presupuestos de IA redactados en 2026: que el cómputo sigue siendo la restricción principal, y que dicha restricción está fijada por un pequeño número de proveedores.
Por qué la posición de Nvidia aparece en la factura por token de un desarrollador
Los precios de inferencia alojada no son arbitrarios. La tarifa por token de un proveedor debe cubrir la amortización del acelerador, el ancho de banda de memoria, la energía y la utilización; además, un modelo que requiere más memoria por solicitud ocupa durante más tiempo una mayor parte de un nodo de servicio. Por eso la dispersión en nuestra Base de datos de modelos de IA es tan amplia, y por qué sigue bastante fielmente la huella del modelo, más que la reputación de la marca.
En el extremo inferior, Mistral 7B y Llama 3.1 8B se sitúan ambos en 0,02 $ por cada millón de tokens de entrada y 0,03 $ por cada millón de tokens de salida. En el centro, DeepSeek V4-Flash opera a 0,14 $ entrante / 0,28 $ saliente con un contexto de 1 millón de tokens, y Qwen3 235B-A22B cuesta 0,45 $ entrante / 1,80 $ saliente. En el extremo superior, Claude Fable 5 cuesta 10 $ entrante / 50 $ saliente, mientras que GPT-5.6 Sol y GPT-5.5 están en 5 $ entrante / 30 $ saliente. Esto representa un rango de 500× en el costo de entrada entre modelos que un desarrollador podría considerar razonablemente para la misma tarea de resumen. Si desea ver qué efecto tiene esa dispersión sobre una carga de trabajo real, y no solo sobre una tabla de tarifas, la Calculadora de costos de API de IA tomará sus volúmenes de tokens y generará la cifra mensual.
El problema de los 1,4 TB: los pesos de vanguardia y la barrera de la memoria
La forma más clara de ver por qué la demanda de cómputo ha seguido creciendo de forma exponencial es observar lo que se necesita para mantener un modelo moderno de vanguardia en memoria. Las estimaciones siguientes corresponden a valores de 4 bits de nuestra base de datos, y describen los pesos más una sobrecarga razonable, no una implementación optimizada para producción con margen adicional para cachés KV de largo contexto. La implementación real requiere más.
| Modelo | Contexto | Precio de la API (por cada millón de tokens entrantes / salientes) | VRAM en 4 bits |
|---|---|---|---|
| Kimi K3 (Moonshot AI) | 1 millón | $3.00 / $15.00 | ~1,4 TB |
| DeepSeek V4-Pro | 1 millón | $0.435 / $0.87 | ~800 GB |
| Kimi K2.7 Code | 256K | $0.60 / $2.50 | ~500 GB |
| GLM 5.2 (Zhipu AI) | 1 millón | $1.40 / $4.40 | ~370 GB |
| Llama 4 Maverick (Meta) | 1 millón | $0.20 / $0.80 | ~240 GB |
| Qwen3 235B-A22B (Alibaba) | 128 K | $0.45 / $1.80 | ~140 GB |
| NVIDIA Nemotron 3 Nano Omni | 256K | — | ~21 GB (NVFP4) |
Una huella de 1,4 TB no corresponde a una implementación en una sola tarjeta ni tampoco, en la mayoría de las configuraciones, a una implementación en un solo servidor. Se trata de un nodo multi-GPU con interconexión rápida, precisamente la categoría de producto donde un proveedor dominante captura el mayor valor. Ese es el mecanismo detrás del argumento de crecimiento, expresado en términos de hardware y no de mercado.
Autohospedaje frente a alquiler: dónde realmente impacta la dominancia
Para los equipos que evalúan la opción de infraestructura local frente al uso de una API, los precios de los aceleradores son el factor decisivo. La aritmética incómoda en 2026 es que la capa de modelos de código abierto de bajo costo se ha vuelto tan económica de alquilar que el autohospedaje debe superar una barrera muy baja para resultar rentable. Pagar 0,14 $ entrante / 0,28 $ saliente por DeepSeek V4-Flash con un contexto de 1 millón de tokens es difícil de superar con su propio hardware, a menos que la utilización sea alta y constante, o que la residencia de los datos haga irrelevante la comparación.
Dos cifras lo deciden: cuánta memoria necesita el modelo elegido y cuántas horas al día están realmente ocupadas sus tarjetas. Nuestra calculadora gratuita de VRAM gestiona la primera, la calculadora de autohospedaje frente a API gestiona la segunda, y si llega incluso a elegir el silicio, nuestro resumen de la mejores GPU para IA detalla qué capacidad puede alojar realistamente cada nivel. Nada de esto cambió debido al artículo de Intellectia AI. Simplemente es la aritmética sobre la que descansa la afirmación central del artículo.
Los propios modelos pequeños de Nvidia reducen la huella, pero no necesariamente la demanda
Vale la pena destacar, según nuestra propia base de datos: la entrada más eficiente en términos de memoria de la tabla anterior es la de Nvidia. Nemotron 3 Nano Omni tiene un contexto de 256K y ocupa aproximadamente 21 GB usando la cuantización NVFP4, lo que permite alojarlo dentro de una sola tarjeta de estación de trabajo. Junto a él, Gemma 3 4B ocupa cerca de 3 GB, Llama 3.1 8B cerca de 5 GB y Phi-4 cerca de 9 GB.
Leído como análisis y no como hecho reportado, esto tiene doble sentido. Los formatos de menor precisión y los modelos más pequeños reducen el hardware necesario por tarea, lo que, aisladamente, debería atenuar la demanda. En la práctica, la inferencia más económica tiende a ampliar el número de tareas que los equipos están dispuestos a ejecutar, incluidas las cargas de trabajo basadas en agentes, que realizan múltiples llamadas por acción del usuario. Cuál de estos efectos prevalece sigue siendo una cuestión abierta, y ninguna cifra de la fuente aborda este punto.
Cómo interpretar una afirmación de crecimiento sin cifras adjuntas
Cuando un análisis afirma que existe margen sin aportar datos, la respuesta útil consiste en identificar qué tendría que ser cierto. A grandes rasgos: las huellas de los modelos siguen creciendo más rápido que las ganancias de eficiencia las reducen; la interconexión y la capacidad de memoria siguen siendo el cuello de botella, más que las FLOPS brutas; y la capa de software sigue siendo lo suficientemente «pegajosa» como para que los costos de cambio sigan siendo reales. Estos son los supuestos fundamentales, y cada uno es observable con el tiempo en las especificaciones y las tarifas, más que en los comentarios. Nuestra Índice de relación precio-rendimiento de IA sigue la mitad visible externa de ello, es decir, la dirección del costo por unidad de capacidad.
Preguntas frecuentes
¿Ha publicado Intellectia AI nuevas cifras sobre Nvidia? No, en lo disponible. El artículo es un titular y un breve resumen sobre la dominancia y el potencial de crecimiento de la IA de Nvidia, sin cifras de ingresos, envíos, participación de mercado ni pronósticos, y sin citas. Trate con precaución cualquier cifra específica atribuida a él.
¿Esto cambia lo que pago hoy por los modelos? No. No se anunció ningún cambio de precios. Las tarifas actuales en nuestra base de datos permanecen sin cambios, incluido Claude Sonnet 5 a 2 $ entrante / 10 $ saliente, Gemini 3.6 Flash a 1,50 $ entrante / 7,50 $ saliente y DeepSeek V4-Flash a 0,14 $ entrante / 0,28 $ saliente.
¿Cuál es la huella de hardware más grande en la base de datos de Convly? Kimi K3, con aproximadamente 1,4 TB de VRAM en 4 bits y un contexto de 1 millón de tokens. DeepSeek V4-Pro sigue con unos 800 GB y Kimi K2.7 Code con unos 500 GB.
¿Puedo ejecutar cualquier modelo capaz en una sola GPU? Sí, en el extremo inferior. Gemma 3 4B ocupa alrededor de 3 GB en 4 bits, Llama 3.1 8B alrededor de 5 GB, Phi-4 alrededor de 9 GB y Nemotron 3 Nano Omni de Nvidia alrededor de 21 GB en NVFP4. Los modelos a escala de vanguardia requieren múltiples GPUs.
¿Por qué tratar un tema de investigación de inversión en un sitio especializado en hardware? Porque la afirmación subyacente —que la demanda de cómputo para IA sigue creciendo de forma exponencial— puede verificarse con las especificaciones de los modelos y las tarifas que publicamos. El marco de análisis del mercado no es nuestro ámbito; las consecuencias para las decisiones de construir frente a alquilar sí lo son.
En resumen
Intellectia AI ha reformulado una opinión ampliamente compartida, no ha dado una noticia nueva, y la versión disponible carece de cifras con las que trabajar. El contenido relevante para los desarrolladores se encuentra un nivel más abajo: los pesos de los modelos de vanguardia ahora alcanzan cientos de gigabytes e incluso superan el terabyte en cuantización de 4 bits; esa huella es lo que convierte a los nodos multi-GPU en el centro de gravedad de la infraestructura de IA, y afecta directamente tanto a los precios por token alojados como al caso a favor de poseer hardware. Si el argumento de crecimiento de Nvidia es correcto, la señal visible será que los modelos voraces en memoria continúan superando las ganancias de eficiencia. Si es incorrecto, la señal será que la capa económica absorbe una mayor cantidad de cargas de trabajo reales. Ambas son medibles, y ninguna queda resuelta por este análisis.
Fuentes: news.google.com. Informado el 29 de agosto de 2026.
