Cuando escribes una pregunta en un chatbot, la respuesta parece aparecer de la nada.
No ves una fábrica. No escuchas motores. No hay humo saliendo de una chimenea.
Pero detrás de esos segundos de espera hay algo muy físico: miles de chips trabajando al mismo tiempo, kilómetros de cableado, sistemas de refrigeración, transformadores eléctricos, baterías, bombas, redes de alta velocidad y edificios capaces de consumir cantidades enormes de electricidad.
La inteligencia artificial vive en la nube.
Pero la nube, en realidad, está hecha de acero, silicio, electricidad, agua y muchísimo capital.
Y en 2026 esa infraestructura se ha convertido en una de las mayores carreras de inversión de la economía mundial.
La Agencia Internacional de la Energía calcula que la inversión mundial en centros de datos alcanzó aproximadamente medio billón de dólares en 2024.
Es una cifra que ayuda a entender la magnitud de lo que está ocurriendo.
Para saber por qué se necesita tanto dinero hay que abrir, metafóricamente, las puertas de uno de estos edificios.
Y empezar por lo que hay dentro.
Un centro de datos de IA no es simplemente una habitación llena de ordenadores
Un centro de datos tradicional puede ejecutar páginas web, almacenar fotografías, gestionar correos electrónicos o mantener las bases de datos de una empresa.
La inteligencia artificial introduce otra escala.
Entrenar y ejecutar los modelos más avanzados exige conectar cantidades enormes de aceleradores para que trabajen como si fueran una sola máquina.
Eso obliga al centro de datos a resolver simultáneamente cuatro problemas: computar, mover datos, alimentar las máquinas y extraer el calor que producen.
Una instalación moderna puede incluir:
- GPU, TPU y otros aceleradores para ejecutar cálculos de IA.
- CPU para coordinar tareas.
- Memoria HBM para alimentar rápidamente a los aceleradores.
- Redes de alta velocidad para conectar miles de chips.
- Sistemas de almacenamiento.
- Transformadores y distribución eléctrica.
- UPS y baterías.
- Refrigeración líquida y por aire.
- Generadores de respaldo.
- Software capaz de coordinar todo el sistema.
El reto es que todas esas piezas tienen que funcionar juntas.
Una GPU extremadamente rápida sirve de poco si permanece esperando datos procedentes de otro servidor.
Por eso la batalla entre Nvidia, AMD y los chips diseñados internamente por compañías como Google, Amazon y Microsoft ya no consiste únicamente en fabricar el procesador más potente.
También consiste en conectar miles o decenas de miles de procesadores eficientemente.
El corazón del edificio: miles de chips de IA
Aquí está la parte más evidente.
Los grandes centros de datos preparados para inteligencia artificial pueden contener miles o decenas de miles de aceleradores.
Como referencia de la escala que puede alcanzar esta infraestructura, Nvidia publica una configuración de AI Factory Vera Rubin de 100 MW que, utilizando su arquitectura DSX con MaxLPS y planificación de potencia, contempla hasta 40.000 GPU Rubin. No representa el tamaño típico de un centro de datos, sino una configuración de referencia a gran escala del propio fabricante.
La arquitectura Vera Rubin NVL72 integra 72 GPU Rubin y 36 CPU Vera dentro de un sistema de rack.
AMD está siguiendo una estrategia parecida con Helios.
Su plataforma combina aceleradores Instinct, procesadores EPYC, networking y refrigeración líquida en una arquitectura diseñada para funcionar a escala de rack.
En otras palabras, Nvidia y AMD ya no quieren vender simplemente una GPU.
Quieren vender gran parte del sistema que rodea a esa GPU.
Y ese sistema necesita una materia prima cada vez más difícil de conseguir.
Electricidad.
La nueva materia prima de la IA es la electricidad
Según la Agencia Internacional de la Energía, los centros de datos consumieron aproximadamente 415 TWh de electricidad en 2024.
Eso equivale a alrededor del 1,5% del consumo mundial de electricidad.
A escala global todavía parece una fracción relativamente pequeña.
El problema aparece cuando miramos dos cosas:
la velocidad de crecimiento y la concentración geográfica.
La IEA calcula que el consumo eléctrico de los centros de datos ha crecido aproximadamente un 12% anual desde 2017, más de cuatro veces el ritmo del consumo eléctrico global.
Y el impacto puede ser mucho mayor en determinadas regiones donde se concentran numerosas instalaciones.
En Estados Unidos, la actualización publicada en 2026 por Lawrence Berkeley National Laboratory estima que los centros de datos podrían llegar a representar aproximadamente el 11,8% de toda la electricidad consumida en el país en 2030 en su escenario de referencia.
El informe también presenta escenarios que sitúan la cifra aproximadamente entre 9,5% y 15,3%.
Son proyecciones, no hechos consumados.
Pero muestran el tamaño del desafío.
Más computación significa más electricidad.
Y más electricidad significa más calor.
El gran enemigo dentro del centro de datos: el calor
Prácticamente toda la electricidad consumida por los procesadores termina convirtiéndose en calor.
Y un centro de datos no puede simplemente abrir las ventanas.
Cuando miles de procesadores funcionan muy juntos, la densidad térmica puede ser enorme.
Si la temperatura supera determinados límites, el hardware reduce rendimiento y aumenta el riesgo de fallos.
Por eso los centros de datos de IA están cambiando rápidamente su forma de refrigerarse.
El aire continúa utilizándose.
Pero en los racks de IA más densos, el líquido está ganando protagonismo.
Muchas arquitecturas recientes de Nvidia y AMD están diseñadas para refrigeración líquida directa.
La razón es sencilla.
El líquido puede retirar grandes cantidades de calor mucho más cerca de CPU y GPU que los sistemas tradicionales basados únicamente en circulación de aire.
La refrigeración, además, también consume energía.
La IEA señala que el porcentaje dedicado a refrigeración y control ambiental puede variar enormemente según el tipo y eficiencia del centro de datos.
Por eso dos instalaciones con el mismo número de servidores pueden tener perfiles energéticos bastante diferentes.
¿Y por qué necesitan agua?
Aquí aparece uno de los asuntos más discutidos alrededor de los centros de datos.
El agua.
No todas las instalaciones consumen agua de la misma manera.
Algunas utilizan principalmente refrigeración por aire.
Otras utilizan sistemas evaporativos.
Otras trabajan con circuitos líquidos cerrados.
Y muchas combinan tecnologías distintas según el clima, la temperatura exterior y la disponibilidad local de agua y electricidad.
Eso crea un intercambio complicado.
En determinados lugares, utilizar agua puede reducir el consumo eléctrico de la refrigeración.
Pero eso significa utilizar más agua.
Reducir al mínimo el consumo hídrico, por otro lado, puede obligar a utilizar tecnologías con mayor demanda eléctrica.
No existe una solución universalmente perfecta.
El agua es especialmente importante a nivel local
Mirar únicamente el consumo mundial puede ocultar el problema real.
Una instalación puede utilizar una fracción insignificante del agua mundial y aun así generar tensión si está situada en una región con estrés hídrico.
Google informó que durante 2025 sus proyectos de gestión hídrica repusieron aproximadamente 7.700 millones de galones de agua.
La compañía afirma que esa cantidad equivalía aproximadamente al 78% de su consumo total de agua dulce de 2025.
Su objetivo es reponer más agua de la que consume para 2030.
Microsoft también está intentando reducir la intensidad hídrica de sus centros de datos.
La empresa informó en 2026 que el promedio de su métrica WUE se había reducido desde aproximadamente 2,3 litros por kWh históricamente hasta 0,27 L/kWh en 2025.
AWS, por su parte, anunció que en 2025 había alcanzado aproximadamente el 75% de su objetivo de ser water positive para 2030.
Desde julio de 2026 AWS también permite consultar datos anuales de retirada de agua asociados a determinadas cargas dentro de su plataforma de sostenibilidad.
Estas cifras proceden de las propias compañías.
Sus metodologías no son necesariamente iguales.
Por tanto, NO deben utilizarse para elaborar un ranking directo de «quién usa menos agua».
Lo importante es otra cosa.
El agua se está convirtiendo en una variable estratégica para decidir dónde y cómo pueden construirse centros de datos.
Un centro de datos también necesita una red eléctrica enorme
Construir el edificio es una cosa.
Conseguir la electricidad necesaria es otra.
Un proyecto puede tener terreno, financiación y servidores disponibles y aun así quedar bloqueado porque la red local no dispone de capacidad suficiente.
Puede ser necesario construir o ampliar:
subestaciones,
transformadores,
líneas de transmisión,
sistemas de distribución,
baterías,
generadores de respaldo,
y nueva generación eléctrica.
Eso está acercando dos industrias que hace algunos años parecían mucho más separadas:
Big Tech y energía.
Las compañías tecnológicas ahora tienen que pensar con años de antelación en cuestiones como capacidad eléctrica, líneas de transmisión, contratos de suministro y disponibilidad energética.
Google, Microsoft y Amazon empiezan a pensar como grandes consumidores energéticos
Google informó en su Informe Ambiental 2026 que durante 2025 firmó acuerdos para incorporar más de 12 GW de nueva capacidad de energía limpia.
Al mismo tiempo, su demanda eléctrica aumentó aproximadamente 37% durante el año.
Ese dato resume muy bien la contradicción actual.
Las compañías están consiguiendo hacer su infraestructura más eficiente.
Pero la demanda de computación está aumentando todavía más rápido.
Estas mismas tres compañías compiten además directamente por el negocio de la nube, donde AWS, Azure y Google Cloud libran una carrera cada vez más reñida, impulsada en buena parte por la misma demanda de infraestructura de IA.
Microsoft también está gastando a una escala difícil de imaginar.
En su último trimestre fiscal de 2026 registró aproximadamente 41.000 millones de dólares de capex.
La compañía explicó que alrededor de dos tercios correspondían a activos de vida relativamente corta, principalmente CPU y GPU.
El resto correspondía principalmente a infraestructura de vida más larga, incluyendo grandes emplazamientos de centros de datos.
Microsoft también indicó que determinados cambios contables relacionados con leases llevaban su expectativa de inversión de capital para el año natural 2026 a aproximadamente 175.000 millones de dólares.
Un edificio puede durar décadas.
Pero buena parte del hardware que contiene puede quedar tecnológicamente superado en unos pocos años.
Y entonces la empresa tiene que volver a invertir.
Aquí aparecen los cientos de miles de millones
Microsoft no está sola.
Amazon elevó durante 2026 su previsión de inversión de capital hasta aproximadamente 220.000 millones de dólares, impulsada en buena medida por la expansión de AWS y la infraestructura necesaria para inteligencia artificial.
Alphabet elevó su previsión de capex de 2026 hasta aproximadamente 195.000–205.000 millones.
Meta, de acuerdo con su último informe regulatorio disponible, espera invertir aproximadamente 130.000–145.000 millones de dólares durante 2026 para apoyar sus esfuerzos relacionados con IA y su negocio principal.
Hay que dejar algo muy claro.
Estas cantidades no corresponden exclusivamente a centros de datos de IA.
Incluyen distintas combinaciones de:
servidores,
chips,
redes,
terrenos,
edificios,
infraestructura,
equipamiento,
leases,
y otros activos.
Pero sirven para mostrar el orden de magnitud del ciclo inversor que está atravesando la industria.
El chip caro quizá ni siquiera sea la parte más difícil
Parece intuitivo pensar que el mayor problema para construir una gran instalación de IA es conseguir GPU.
En algunos momentos lo ha sido.
Pero cuando la industria crece aparecen otros cuellos de botella.
Transformadores eléctricos.
Memoria HBM.
Equipos de refrigeración.
Switches de red.
Cables ópticos.
Subestaciones.
Terrenos con acceso eléctrico.
Permisos.
Generadores.
Turbinas.
Personal especializado.
La infraestructura de inteligencia artificial se parece cada vez menos a una empresa puramente digital.
Se parece más a una combinación de:
tecnología + construcción pesada + infraestructura energética.
Incluso el networking se ha convertido en una pieza crítica
Cuando miles de GPU entrenan o ejecutan un mismo modelo tienen que intercambiar cantidades enormes de información.
Si las conexiones son demasiado lentas, parte del hardware permanece esperando.
Y una GPU muy cara esperando significa dinero y electricidad desperdiciados.
Por eso Nvidia ha expandido su negocio hacia tecnologías como:
NVLink,
InfiniBand,
Spectrum-X,
y switching Ethernet.
AMD está haciendo lo mismo mediante Pensando, UALink y su arquitectura Helios.
Esta evolución cambia la forma en que debemos analizar compañías como Nvidia y AMD.
Ya no venden simplemente procesadores.
Intentan controlar cada vez más partes del sistema que rodea al procesador.
Entrenar y utilizar IA no es exactamente lo mismo
Dentro de estos edificios ocurren dos grandes tipos de trabajo.
Entrenamiento: crear o mejorar un modelo.
Inferencia: utilizar ese modelo después de entrenarlo.
Entrenar un modelo enorme puede requerir miles de aceleradores funcionando durante semanas o meses.
Pero una vez entrenado, millones de personas pueden utilizarlo todos los días.
Eso transforma la inferencia en un problema económico de enorme escala.
Una sola consulta puede consumir relativamente pocos recursos.
Pero millones o miles de millones de consultas, agentes autónomos, vídeos generados, búsquedas y tareas automatizadas pueden acabar necesitando cantidades gigantescas de infraestructura.
Por eso las compañías están cada vez más obsesionadas con métricas como:
tokens por segundo, tokens por dólar y tokens por vatio.
La pregunta ya no es únicamente:
«¿Cuál es el chip más rápido?»
Ahora también importa:
«¿Cuánto trabajo útil consigo por cada dólar y cada megavatio?»
AMD está intentando competir precisamente sobre esa economía de la inferencia.
Nvidia está haciendo exactamente lo mismo con Blackwell y Vera Rubin.
Por eso la carrera está pasando de una comparación simple de GPUs a una cuestión mucho más empresarial: ¿quién consigue producir más capacidad de inteligencia artificial utilizando menos dinero, energía y espacio físico?
La eficiencia mejora, pero el consumo total puede seguir creciendo
Aquí aparece una paradoja importante.
Los nuevos procesadores son cada vez más eficientes.
Los centros de datos también han mejorado mucho su eficiencia.
Pero eso no significa necesariamente que el consumo total vaya a bajar.
Si cada chip consume menos por unidad de trabajo pero el mundo multiplica por diez la cantidad de trabajo que quiere realizar, el consumo total puede continuar aumentando.
El informe actualizado de Lawrence Berkeley National Laboratory señala precisamente el crecimiento acelerado de los servidores especializados para inteligencia artificial como uno de los factores decisivos en la futura demanda eléctrica.
La eficiencia importa.
Pero puede quedar superada por el crecimiento de la demanda.
¿Puede la red eléctrica soportarlo?
Esta podría terminar siendo una de las preguntas económicas más importantes de la carrera de IA.
Un centro de datos puede construirse más rápido que una gran central eléctrica o una nueva línea de transmisión.
Y si muchos proyectos intentan conectarse simultáneamente a una misma red eléctrica aparecen problemas de capacidad, permisos y costes.
Eso significa que la expansión de la inteligencia artificial puede terminar estando limitada por algo bastante menos futurista que los modelos de lenguaje:
la red eléctrica.
La demanda de centros de datos está creando oportunidades para:
generadores eléctricos,
utilities,
fabricantes de transformadores,
empresas de almacenamiento,
constructores,
operadores de redes,
y proveedores de equipamiento eléctrico.
La inteligencia artificial está creando una cadena económica que va mucho más allá de las empresas de software.
El centro de datos está convirtiéndose en la fábrica del siglo XXI
Durante gran parte del siglo XX, una gran inversión industrial podía verse fácilmente.
Una refinería.
Una fábrica de automóviles.
Una acería.
Una central eléctrica.
La inteligencia artificial está creando otro tipo de fábrica.
Desde fuera puede parecer simplemente un edificio rectangular sin ventanas.
Pero dentro concentra algunos de los chips más avanzados del planeta, consume enormes cantidades de electricidad, mueve volúmenes gigantescos de datos y necesita sofisticados sistemas para extraer el calor producido por todo ese cálculo.
Nvidia utiliza deliberadamente la expresión:
«AI Factory».
Más allá del marketing, la idea describe bastante bien la transformación.
Estos edificios toman:
electricidad + datos + chips
y producen:
capacidad de inteligencia artificial.
Y ahí está realmente la carrera de la IA
Normalmente la conversación se concentra en ChatGPT, Gemini, Claude, Copilot o en cuál será el siguiente modelo más avanzado.
Pero debajo de esa carrera visible existe otra mucho más física.
Quién consigue suficientes chips.
Quién construye los centros de datos.
Quién consigue electricidad.
Quién consigue refrigeración.
Quién dispone de suficiente agua donde sea necesaria.
Quién consigue conectar los proyectos a la red.
Quién consigue financiar cientos de miles de millones de dólares.
Y sobre todo:
quién consigue generar suficiente negocio para justificar toda esa inversión.
Construir la infraestructura es solamente la primera mitad del problema.
Después hay que rentabilizarla.
Y esa probablemente será una de las grandes preguntas económicas de los próximos años, íntimamente ligada a la carrera de la IA entre Microsoft, Amazon, Google y Meta y a la creciente competencia de fabricantes de chips como los chinos CXMT, que buscan reducir su dependencia de la tecnología occidental.
No solo quién construye la inteligencia artificial más avanzada.
Sino quién consigue convertir chips, megavatios y cientos de miles de millones de dólares en un negocio sostenible.
Nota metodológica
El término «centro de datos de IA» engloba instalaciones de tamaños, tecnologías y arquitecturas muy diferentes. Las configuraciones de referencia publicadas por fabricantes como Nvidia o AMD no representan necesariamente una instalación típica. Del mismo modo, las cifras de inversión de Microsoft, Amazon, Alphabet y Meta incluyen activos e infraestructura que no corresponden exclusivamente a inteligencia artificial.
Las cifras ambientales comunicadas por Google, Microsoft y AWS proceden de metodologías corporativas diferentes y no deben utilizarse como ranking directo entre compañías sin una normalización adicional.
Fuentes principales consultadas
- International Energy Agency — Energy and AI, Executive Summary.
- Lawrence Berkeley National Laboratory / DOE — United States Data Center Energy Usage Report: 2025 Update, junio 2026.
- NVIDIA — Vera Rubin NVL72 official specifications.
- AMD — Helios Rackscale Solution / Instinct MI400 official documentation.
- Google — 2026 Environmental Report, 30 junio 2026.
- Microsoft — Inside Microsoft’s two-decade push to cut water intensity while scaling for growth, 24 junio 2026.
- AWS — Advancing Water Stewardship at AWS, 16 julio 2026.
- Microsoft — FY2026 Q4 Earnings Conference Call.
- Alphabet — Second Quarter 2026 Results (SEC filing).
- Amazon — Second Quarter 2026 Results (SEC filing).
- Meta — Second Quarter 2026 Results.
Este contenido tiene fines informativos y educativos. No constituye una recomendación para comprar o vender acciones ni otros activos financieros.