La aceleradora NVIDIA A100, presentada en 2020 y superada desde entonces por varias generaciones de GPU para inteligencia artificial, seguirá generando ingresos para CoreWeave hasta 2029. La compañía ha confirmado un contrato que extiende el uso comercial de estos chips hasta nueve años después de su lanzamiento, un dato que cuestiona una de las grandes preocupaciones alrededor de la inversión masiva en infraestructura de IA: que el hardware quede económicamente obsoleto en apenas dos o tres años.

Las claves de la vida útil de las GPU de IA en 20 segundos

• CoreWeave ha firmado un contrato para utilizar y alquilar GPU NVIDIA A100 hasta 2029.
• Ampere llegó al mercado en 2020, por lo que algunas A100 seguirán produciendo ingresos nueve años después.
• Las GPU antiguas encuentran espacio en inferencia, ajuste de modelos y otras cargas menos exigentes.
• La electricidad disponible, la refrigeración y CUDA también están prolongando su vida económica.

La noticia va más allá de una segunda vida para un modelo concreto. Durante los últimos años, inversores y operadores de centros de datos han intentado calcular cuánto tiempo puede seguir siendo rentable una GPU de IA cuando NVIDIA y AMD aceleran sus calendarios y presentan arquitecturas nuevas prácticamente cada año.

El caso de la A100 ofrece ahora una referencia real. Una GPU puede dejar de ser la mejor opción para entrenar los modelos más grandes del mercado y, aun así, continuar siendo perfectamente aprovechable para otros trabajos.

Una GPU de 2020 que todavía tiene mercado

NVIDIA presentó la arquitectura Ampere y la A100 en mayo de 2020. Desde entonces han llegado Hopper, Blackwell y nuevas plataformas que multiplican el rendimiento disponible para determinadas cargas de IA.

Eso podría hacer pensar que una A100 tiene poco sitio en un centro de datos moderno. El mercado está demostrando que la situación es bastante más compleja.

CoreWeave explicó durante la presentación de sus resultados del segundo trimestre de 2026 que ha conseguido contratar capacidad A100 hasta 2029. Su director financiero, Nitin Agrawal, señaló además que las generaciones anteriores de GPU mantienen precios sólidos, mientras que el consejero delegado, Mike Intrator, defendió que existe demanda para esas plataformas.

Los precios del mercado de alquiler respaldan al menos parte de esa tesis. Silicon Data mantiene un índice específico para la A100 y la describe como una GPU todavía ampliamente utilizada para inferencia, fine-tuning y entrenamiento sensible al coste. Sus datos muestran que sigue existiendo un mercado activo seis años después de su lanzamiento.

No significa que el precio permanezca intacto durante toda su vida. Un análisis de J.P. Morgan publicado a comienzos de 2026 señalaba que las tarifas de alquiler de GPU observadas en neoclouds e hiperescalares habían caído entre un 20 % y un 25 % durante el año anterior. El mismo informe advertía, sin embargo, de que las A100 seguían alcanzando una utilización elevada y márgenes positivos más allá de los primeros dos o tres años.

Aquí aparece una diferencia importante entre depreciación tecnológica y obsolescencia económica.

Una A100 puede perder valor y dejar de ser competitiva para una determinada tarea sin convertirse por ello en un activo inútil.

No todas las cargas de IA necesitan Blackwell o Rubin

La evolución de los modelos también está contribuyendo a prolongar la utilidad del hardware existente.

Cuantización, kernels más eficientes, optimización de memoria, compiladores y mejoras del software permiten ejecutar algunas cargas utilizando menos recursos. El ecosistema CUDA también evoluciona manteniendo hardware anterior dentro de una plataforma de software común.

El resultado es una jerarquía de infraestructura cada vez más parecida a la que ya existe desde hace décadas en servidores.

Las plataformas más nuevas pueden reservarse para entrenamiento de modelos frontera y trabajos donde rendimiento, memoria, ancho de banda o consumo por operación justifican su coste. Las generaciones anteriores pueden desplazarse hacia inferencia, procesamiento de datos, modelos pequeños, fine-tuning o cargas empresariales donde el rendimiento absoluto de la última arquitectura importa menos que el coste.

Silicon Data sitúa actualmente a la A100 como una opción de menor coste frente a H100 y B200 precisamente por esa razón. En su índice, las generaciones anteriores mantienen un suelo de demanda asociado a cargas de inferencia y ajuste de modelos, mientras una parte del entrenamiento migra hacia aceleradores más recientes.

También hay una limitación mucho más física.

Cambiar una generación de GPU por otra no siempre consiste en retirar un servidor y colocar uno nuevo.

Las plataformas modernas para IA pueden exigir mucha más potencia por rack, refrigeración líquida, nuevas redes y modificaciones de la distribución eléctrica del centro de datos.

Tom’s Hardware apunta precisamente a esta diferencia al analizar el caso de CoreWeave: sistemas DGX A100 refrigerados por aire pueden funcionar con alrededor de 6,5 kW, mientras configuraciones modernas GB200 y GB300 pueden llevar las necesidades del rack hasta aproximadamente 120-140 kW.

Un centro de datos preparado para racks tradicionales no puede multiplicar veinte veces su densidad simplemente comprando GPU nuevas.

Eso crea un espacio económico para mantener hardware anterior allí donde actualizar toda la infraestructura eléctrica y térmica no compensa.

La A100 pone a prueba la depreciación de miles de millones en GPU

La duración comercial de las GPU tiene además una consecuencia financiera enorme.

La construcción de infraestructura de IA está movilizando cientos de miles de millones de dólares. Servidores y aceleradores se compran directamente, pero también se financian mediante deuda, leasing y otras estructuras cuyo funcionamiento depende en buena medida del valor futuro del hardware.

Si una GPU de 30.000 dólares deja de generar ingresos después de dos años, las cuentas son muy distintas de las de un activo capaz de trabajar durante seis, ocho o nueve años, aunque sus ingresos disminuyan progresivamente.

Por eso NVIDIA está defendiendo una interpretación de la infraestructura de IA más cercana a un activo financiable a largo plazo.

La compañía está trabajando con grandes grupos financieros, entre ellos BlackRock, Blackstone, Brookfield, Goldman Sachs, KKR y Apollo, alrededor de mecanismos destinados a movilizar hasta 500.000 millones de dólares para infraestructura de IA. La vida económica de las GPU constituye una de las variables esenciales para que este tipo de financiación funcione.

El contrato de CoreWeave aporta un argumento favorable a esa tesis, aunque no demuestra que todas las GPU vayan a conservar nueve años de vida comercial.

La demanda futura, el precio de la electricidad, las mejoras de rendimiento por vatio y la evolución de los modelos pueden producir resultados muy distintos dependiendo de cada generación.

También existe el riesgo de que una oferta abundante de aceleradores antiguos presione sus tarifas a la baja.

De la GPU más rápida a una cartera de generaciones

La consecuencia más interesante podría estar en cómo se diseñan los centros de datos para IA.

Hasta ahora buena parte de la conversación se ha centrado en conseguir la última GPU disponible. Pero un operador con suficiente escala puede encontrar más sentido económico en administrar varias generaciones simultáneamente.

Blackwell o Rubin pueden atender los trabajos con mayores exigencias. Hopper puede mantenerse en otras cargas de alto rendimiento. Ampere puede continuar trabajando donde el coste por hora resulte más importante.

Ese modelo permite amortizar durante más tiempo la inversión inicial y evita sustituir servidores que todavía pueden generar ingresos.

Además, reduce parcialmente la presión sobre una cadena de suministro que sigue condicionada por la disponibilidad de memoria avanzada, packaging, redes, energía y capacidad de centros de datos.

El mercado de alquiler ya refleja esa segmentación. A finales de julio, los índices publicados por Silicon Data mostraban precios diferentes para A100, H100, H200, B200 y MI300X, una señal de que el cómputo para IA está evolucionando hacia un mercado con distintos niveles de rendimiento y precio en lugar de reemplazar automáticamente cada generación anterior.

La A100 difícilmente volverá a ser la GPU que todos quieren conseguir. Tampoco necesita serlo.

Si CoreWeave consigue mantenerla contratada hasta 2029, habrá pasado prácticamente una década desde su presentación hasta el final de ese acuerdo. Para un componente tecnológico nacido en uno de los ciclos de innovación más rápidos que ha vivido la industria, esa longevidad cambia bastante la discusión sobre cuánto dura realmente una GPU de IA.

Preguntas frecuentes

¿Hasta cuándo utilizará CoreWeave las NVIDIA A100?

CoreWeave ha confirmado un contrato que mantiene capacidad basada en NVIDIA A100 hasta 2029, nueve años después del lanzamiento de la arquitectura Ampere en 2020.

¿Por qué sigue siendo útil una NVIDIA A100 en 2026?

Aunque existen GPU mucho más rápidas, la A100 continúa siendo adecuada para inferencia, fine-tuning, procesamiento y otras cargas donde el coste puede pesar más que utilizar la arquitectura más reciente.

¿Una GPU antigua puede seguir siendo rentable?

Sí, siempre que exista suficiente utilización y los ingresos superen los costes de energía, operación y mantenimiento. El contrato de CoreWeave muestra que al menos determinados clientes siguen encontrando valor económico en A100 a largo plazo.

¿Por qué no sustituir todas las A100 por Blackwell o GPU más nuevas?

Además del coste del hardware, las nuevas plataformas pueden necesitar mucha más potencia eléctrica, refrigeración líquida y otra infraestructura. Actualizar una GPU puede implicar también transformar buena parte del rack o incluso del centro de datos.