Durante la mayor parte de la última década, la pregunta para una empresa que adoptaba nuevo software era qué herramienta comprar. Con la IA se ha convertido en una pregunta distinta: dónde se ejecutará el cálculo y a qué precio. Un modelo que lee contratos, un pipeline que convierte miles de fotografías en un gemelo 3D, un agente que despacha una cola de tareas durante la noche: todos ellos consumen tiempo de GPU, memoria y energía, y ese consumo no se detiene después del piloto.
El acceso a capacidad de cómputo a un coste sostenible se está convirtiendo en un requisito previo para poder usar la IA. Las organizaciones que disponen de él pueden experimentar, iterar y llevar workloads a producción. Las que no, se quedan atascadas en la demo.
Qué dicen las cifras en 2026
El mercado envía señales contradictorias, y ambas caras importan.
- Las GPU más antiguas se abaratan, las más recientes no. El AIMultiple Cloud GPU Price Index, que sigue a 75 proveedores, sitúa la mediana bajo demanda de septiembre de 2026 en 3,25 $ por hora para una H100 y 4,40 $ para una H200, mientras que una B200 se sitúa en 6,52 $. La mediana de la generación más reciente de chips se ha más que duplicado desde octubre de 2024, de 2,12 $ a 4,72 $ por hora.
- El mismo chip puede costar seis veces más según quién lo venda. En el mismo índice, una hora de H200 oscila entre unos 2 $ y casi 14 $. Dónde se compra importa tanto como qué se compra.
- Los gigantes invierten a una escala que nadie más puede igualar. Los recuentos de los analistas a partir de las previsiones de las propias compañías sitúan la inversión en capital de Amazon, Alphabet, Microsoft y Meta en 2026 por encima de los 700.000 millones de dólares en conjunto. La mayor parte de la capacidad más reciente está comprometida con ellas y con sus mayores clientes.
- La energía es la siguiente limitación. La Agencia Internacional de la Energía prevé que el consumo eléctrico de los centros de datos se multiplique por más de dos de aquí a 2030. La nueva capacidad espera ahora las conexiones a la red, no solo los chips.
- El precio del token sigue bajando, la factura no. El Ramp AI Index indica que el precio medio que pagan las empresas estadounidenses por millón de token cayó un 41 % entre marzo y septiembre de 2026. El uso crece más rápido de lo que bajan los precios, sobre todo cuando los agentes empiezan a ejecutar por sí solos tareas de varios pasos.
El efecto se refleja en la adopción. Según Eurostat, el 55 % de las grandes empresas de la UE utilizaba IA en 2025, frente al 17 % de las pequeñas. La brecha no tiene que ver con el interés. Tiene que ver con quién puede permitirse la infraestructura, las personas para gestionarla y el riesgo de mover los datos.
Tres opciones, ninguna adecuada
Una organización que posee conjuntos de datos grandes y valiosos (escaneos, archivos, planos, modelos, datos de investigación) suele enfrentarse a tres opciones.
- Alquilar a un hiperescalador. La capacidad existe, pero los precios están pensados para grandes cuentas, y los datos deben trasladarse a la infraestructura de un tercero antes de que pueda empezar cualquier trabajo.
- Comprar el hardware. Las GPU permanecen inactivas la mayor parte del mes entre picos, y alguien de la casa tiene que gestionarlas, actualizarlas y protegerlas.
- Enviar los datos a un proveedor de servicios. El control desaparece. Usted ya no decide adónde van los archivos, y paga de nuevo por cada trabajo.
Los programas públicos ayudan de forma marginal. Las EuroHPC AI Factories ofrecen modalidades de acceso gratuito para pymes y startups, y la convocatoria de las AI Gigafactories se cierra el 12 de noviembre de 2026. Son valiosas para la investigación y el entrenamiento de modelos, pero se asignan mediante solicitudes y no están diseñadas para ejecutar los workloads de producción diarios de una empresa.
DePIN: mucha capacidad, poca confianza
Las redes de infraestructura física descentralizada (DePIN) siguen otro camino. Agregan GPU ociosas de centros de datos, empresas y particulares y las alquilan, a menudo muy por debajo de los precios de los hiperescaladores. La idea es sólida: una gran parte de la potencia de cálculo del mundo permanece sin usar durante la mayor parte del día.
Los problemas son igual de concretos, y están documentados por investigaciones independientes:
- La capacidad declarada no es la capacidad real. Un nodo puede anunciar una GPU que no tiene, o una que está compartida, limitada o es incompatible con el trabajo.
- La disponibilidad varía. Los nodos entran y salen. Un trabajo largo de renderizado o de entrenamiento necesita checkpoints y un lugar donde continuar cuando un nodo desaparece.
- La ubicación es desconocida. Para muchos conjuntos de datos, ejecutarse «en algún lugar de la red» sencillamente no está permitido.
- Los resultados son difíciles de verificar. Demostrar que un cálculo se ha realizado correctamente en una máquina no fiable sigue siendo un problema de investigación abierto.
Una capacidad barata en la que no se puede confiar no es utilizable para datos que importan. La cuestión no es si la capacidad distribuida es más barata. Es si puede gobernarse.
¿Tiene un workload pesado y ningún lugar sensato donde ejecutarlo? Cuéntenos cuáles son los datos y las restricciones. Hable con el equipo de TrustTwin OS.
Cómo encajan el Smart Compute Router y los nodos DePIN en TrustTwin OS
TrustTwin OS trata la capacidad de cómputo como un único continuo de ejecución. El trabajo puede ejecutarse en nuestros propios nodos gestionados, en nodos instalados en el hardware del cliente o en capacidad ociosa que clientes y socios ponen a disposición de la red, incluida la capacidad DePIN. Lo que cambia no es dónde están las GPU. Es que cada trabajo atraviesa la misma gobernanza antes, durante y después de la ejecución.
El Smart Compute Router hace pasar cada workload por seis etapas:
- Classify. Qué tipo de trabajo es y cuán sensibles son los datos.
- Constrain. Políticas de residencia y seguridad aplicadas como límites estrictos. Un perfil solo UE excluye por completo a los proveedores no europeos. Si no se puede garantizar una regla de residencia, el workload no se ejecuta.
- Preflight. GPU, VRAM, CUDA, red y una ejecución mínima verificadas en el nodo candidato antes de comprometer el trabajo. La capacidad declarada se comprueba, no se da por buena.
- Route. Coste, tiempo y riesgo optimizados entre capacidad local, cloud, edge y distribuida, entre los nodos que han superado las tres primeras etapas.
- Recover. Reintentos, checkpoints y conmutación a otro nodo cuando un proveedor falla.
- Validate. Comprobación de la integridad y la calidad del resultado, con un registro de dónde se ejecutó cada paso y qué decisiones se tomaron.
Esto es lo que hace que la capacidad DePIN sea utilizable para trabajo serio. Preflight responde al problema de la capacidad que solo existe sobre el papel. Recover responde a los nodos que se caen. Constrain responde a la ubicación. Validate responde a la pregunta de si se puede confiar en el resultado. El router no presupone que el cómputo distribuido sea fiable; solo lo utiliza cuando se superan las comprobaciones.
Por qué reduce los costes con el tiempo
La economía se deriva de la arquitectura. El procesamiento intensivo se ejecuta de forma desatendida en nodos propios y de socios, a una fracción del coste de los hiperescaladores. Los clientes pueden poner su propia capacidad de cálculo a disposición de la red cuando no la necesitan, de modo que una estación de trabajo que quedaría inactiva por la noche aporta capacidad en lugar de depreciarse. A medida que se incorporan más nodos bajo las mismas políticas, el coste unitario baja para todos los participantes de la red.
Lo hemos probado allí donde los datos son más delicados. En AerariumChain, los escaneos de objetos irremplazables se procesan en nodos privados y de socios bajo reglas estrictas sobre adónde pueden ir los datos. SweetHive lleva el mismo sistema operativo a las pequeñas y medianas empresas, con nodos locales que mantienen archivos y modelos en las máquinas de la empresa.
Cinco preguntas para cualquier proveedor de cómputo
- ¿Puede garantizar dónde se procesan mis datos, y qué ocurre si no puede?
- ¿Verifica la capacidad real de una máquina antes de que empiece mi trabajo?
- ¿Qué ocurre con un trabajo largo cuando un nodo falla a mitad de camino?
- ¿Cómo comprueba que el resultado está completo y es correcto?
- ¿Puedo ver, después, dónde se ejecutó cada paso?
Si las respuestas son vagas, el precio bajo no es el precio completo.
Fuentes
- AIMultiple, Cloud GPU Price Index, datos hasta septiembre de 2026: aimultiple.com/gpu-index
- Ramp, AI Index, 9 de septiembre de 2026: ramp.com/data/ai-index-sept-2026
- TMT Finance, análisis de la inversión en capital de los hiperescaladores en 2026: tmtfinance.com
- International Energy Agency, Energy and AI: iea.org/reports/energy-and-ai
- Eurostat, Digital economy and society statistics, enterprises: ec.europa.eu/eurostat
- EuroHPC JU, modalidades de acceso a las AI Factories y convocatoria de las AI Gigafactories, 30 de julio de 2026: eurohpc-ju.europa.eu
- Investigación sobre la verificación en redes de GPU descentralizadas: arXiv 2501.05374