Construir un centro de datos de inteligencia artificial de 1 GW ya no se parece a levantar una nave tecnológica con servidores dentro. A esa escala, la instalación se convierte en una operación financiera, energética e industrial de primer orden. La cifra que ayuda a entenderlo es difícil de ignorar: según el modelo de Epoch AI, un centro de datos de IA de 1 GW exige en torno a 38.000 millones de dólares de inversión inicial y unos 900 millones de dólares anuales de costes operativos.
La visualización atribuida a Epoch AI sitúa el CapEx inicial en 37.200 millones de dólares, una cifra que el propio análisis redondea a 38.000 millones. La diferencia no cambia la lectura de fondo: el gran muro de capital no está en el terreno, ni siquiera en la conexión a red. Está en el hardware de computación, especialmente en los servidores con aceleradores de IA. En el modelo de Epoch, los servidores dominan el coste total anualizado, con unos 5.000 millones de dólares al año, alrededor del 60 % del coste total de propiedad anual.
La IA no escala solo con energía: escala con capital
En el debate público sobre centros de datos de IA se habla mucho de electricidad, permisos, disponibilidad de suelo, agua, conexión a red y oposición local. Todo eso importa. Sin potencia eléctrica no hay clúster de IA. Sin permisos no hay obra. Sin refrigeración no hay operación estable. Pero cuando se mira la estructura económica de una instalación de 1 GW, aparece una realidad más incómoda: el componente más caro es el que se deprecia más rápido.
Epoch AI modela un centro de datos hipotético de 1 GW operado por un hiperescalador estadounidense, con capacidad nominal de 1 GW para equipos IT. La propia organización advierte de que no es una estimación de una instalación concreta y que los costes pueden variar según ubicación, diseño, financiación, estrategia energética y tipo de servidor.
El supuesto central también es relevante: el modelo se basa en sistemas NVIDIA GB200 NVL72, una configuración asociada a cargas de IA de alto rendimiento. Si cambia el tipo de servidor, cambian también los costes de hardware, red, refrigeración, densidad, potencia y operación.
La lectura financiera es directa. Un centro de datos de IA de esta escala exige desembolsar decenas de miles de millones antes de generar ingresos. No se trata solo de construir el edificio y contratar energía; hay que comprar e instalar una masa enorme de servidores, GPUs, red interna, almacenamiento, refrigeración, alimentación eléctrica y sistemas auxiliares. La infraestructura física es cara, pero el silicio pesa más.
El hardware es el cuello de botella silencioso
El desglose que se ha compartido a partir del modelo de Epoch AI apunta a que los servidores se llevan más de la mitad de la inversión inicial. En la versión anualizada, la conclusión es aún más clara: los servidores representan unos 5.000 millones de dólares al año sobre un coste total de propiedad de 8.500 millones. La energía, pese a ser el mayor componente operativo, se queda en torno a 600 millones de dólares anuales, una cifra elevada, pero muy por debajo del coste anualizado del hardware.
Eso cambia la forma de interpretar la carrera de la IA. La escasez no es solo de megavatios. También es de capacidad para comprar, financiar, recibir y amortizar hardware especializado a enorme escala. Los chips de IA, la memoria HBM, los switches, los sistemas de interconexión y los racks de alta densidad son la parte que convierte un proyecto de centro de datos en una apuesta de capital muy concentrada.
| Partida | Lectura económica |
|---|---|
| Servidores y aceleradores | Principal bloque de inversión y depreciación |
| Red interna | Necesaria para que miles de aceleradores trabajen juntos |
| Instalación y refrigeración | Coste alto, pero menor que el hardware |
| Energía | Principal OpEx, aunque no domina el TCO |
| Terreno | Pequeño frente al coste total |
| Conexión y subestaciones | Importantes para viabilidad, menores en peso financiero |
La infraestructura de red interna merece una mención aparte. En IA, no basta con acumular GPUs. Hay que conectarlas con baja latencia y alto ancho de banda para que el entrenamiento y la inferencia a gran escala sean eficientes. Por eso el coste de red no es un accesorio: forma parte del rendimiento real del clúster.
El terreno no es el gran coste, pero puede bloquear el proyecto
Que el suelo y la conexión representen una parte pequeña del coste total no significa que sean irrelevantes. Un terreno barato no sirve de mucho si no tiene acceso a energía, fibra, agua o permisos. Una conexión a red puede ser una partida pequeña en el Excel y, aun así, convertirse en el cuello de botella que retrasa años un proyecto.
El matiz es importante. Desde el punto de vista financiero, el mayor desembolso está en el hardware. Desde el punto de vista operativo y regulatorio, la disponibilidad eléctrica y la tramitación pueden decidir si el centro de datos existe o no.
Por eso la industria habla tanto de energía. No porque sea siempre la partida más cara, sino porque es la condición previa. Un gigavatio no se improvisa. Exige planificación de red, subestaciones, acuerdos de suministro, capacidad de evacuación, permisos, refrigeración y coordinación con operadores eléctricos.
Epoch asume en su modelo que la instalación está totalmente alimentada por la red eléctrica y no incluye generación propia detrás del contador. La organización advierte de que añadir generación dedicada probablemente elevaría el coste de la instalación y podría modificar también el coste energético.
La vida útil del hardware cambia toda la economía
El dato más útil del análisis de Epoch AI está en la sensibilidad a la vida útil del equipamiento. La organización asume cinco años para el hardware IT y 14 años para la instalación. Si la vida útil del equipamiento se reduce a tres años, el coste anual total sube hasta unos 12.000 millones de dólares; si se amplía a siete años, baja a unos 7.000 millones.
Este punto es clave para entender la presión competitiva de la IA. Los edificios pueden durar más. Las subestaciones también. Pero los aceleradores de IA envejecen deprisa si cada nueva generación ofrece más rendimiento, más memoria, mejor eficiencia o menor coste por token. La depreciación del hardware se convierte así en una variable estratégica.
Para un hiperescalador, no basta con comprar GPUs. Tiene que llenar esas GPUs de trabajo rentable durante el mayor número posible de horas, antes de que el siguiente ciclo de hardware reduzca su valor competitivo. Por eso importan la utilización, la asignación de cargas, el scheduling, el consumo, la eficiencia del software, los modelos servidos y la capacidad de vender o usar internamente esa computación.
La IA no solo exige CapEx. Exige rotación de CapEx.
Por qué esto favorece a los hiperescaladores
Una inversión de 37.000 o 38.000 millones de dólares por instalación queda fuera del alcance de casi cualquier actor que no sea un gran hiperescalador, un consorcio financiero-industrial o una alianza con fuerte respaldo estatal o corporativo. La consecuencia es una concentración natural: quienes tienen balance, acceso a deuda, contratos de suministro, relación con fabricantes de chips y capacidad para asegurar energía parten con ventaja.
La conversación sobre financiación empieza a parecerse más a grandes infraestructuras que a tecnología tradicional. La industria ya no financia solo servidores. Financia gigavatios, cadenas de suministro, acuerdos energéticos, terrenos, subestaciones, fibra, refrigeración líquida y ciclos de renovación de hardware.
Esto explica por qué el debate sobre aranceles, exportaciones, restricciones a semiconductores o precios de memoria no es una cuestión secundaria. Si el hardware representa la parte principal del coste, cualquier tensión en la cadena de suministro se traslada de forma directa al coste de desplegar IA.
También explica por qué muchas empresas buscarán alternativas a entrenar o servir todo en los modelos más grandes. Modelos más pequeños, inferencia optimizada, cuantización, hardware especializado, cloud privado, uso compartido de aceleradores, routing inteligente y eficiencia de software serán cada vez más importantes. No todo problema de IA justifica usar la infraestructura más cara.
La métrica que faltaba: coste por capacidad útil
La cifra de 1 GW impresiona, pero no cuenta toda la historia. Lo que realmente importa es cuánta capacidad útil se obtiene por cada dólar invertido. Un centro de datos puede tener mucha potencia instalada y rendir peor de lo esperado si la red interna limita el entrenamiento, si la refrigeración obliga a bajar densidad, si la utilización es baja o si el software no aprovecha bien el hardware.
En los próximos años será menos útil hablar solo de megavatios o número de GPUs. Habrá que hablar de coste por token, coste por tarea, coste por entrenamiento, coste por hora útil de GPU, rendimiento por vatio, utilización real, latencia y amortización por generación de hardware.
La carrera de la IA se está convirtiendo en una carrera de eficiencia industrial. Ganará quien consiga convertir capital en capacidad útil de forma más rápida y con menos desperdicio.
El informe de Epoch AI ayuda a poner orden en una discusión que a menudo se queda en titulares sobre energía. La energía importa. El suelo importa. Los permisos importan. Pero en un centro de datos de IA de 1 GW, la pregunta decisiva empieza antes: quién puede financiar decenas de miles de millones en hardware antes de saber si esa capacidad se llenará de trabajo rentable durante toda su vida útil.
Preguntas frecuentes
¿Cuánto cuesta construir un centro de datos de IA de 1 GW?
Según el modelo de Epoch AI, alrededor de 38.000 millones de dólares de CapEx inicial, con unos 900 millones de dólares anuales de OpEx.
¿Cuál es la partida más cara?
El hardware de servidores y aceleradores. En el coste anualizado, los servidores suponen alrededor del 60 % del coste total de propiedad.
¿La energía es el mayor coste?
Es el mayor coste operativo, pero no el principal coste total si se anualiza la inversión. Epoch AI estima unos 600 millones de dólares anuales en energía frente a unos 5.000 millones en servidores.
¿Por qué importa tanto la vida útil de las GPUs?
Porque el hardware de IA se deprecia rápido. Si la vida útil baja de cinco a tres años, el coste anual total estimado aumenta de forma notable.
¿Puede una empresa mediana construir infraestructura de IA a esta escala?
A escala de 1 GW es muy difícil. El volumen de capital, suministro eléctrico, acceso a chips y capacidad operativa favorece a hiperescaladores y grandes alianzas financieras o industriales.
