Golpe de Opinión

El costo oculto de la inteligencia artificial: chips, agua y la nueva economía del silicio

La carrera por la supremacía en inteligencia artificial ha disparado los precios de los chips de Nvidia a niveles astronómicos, mientras el consumo de recursos naturales como el agua para enfriar estos centros de datos genera una crisis de sostenibilidad creciente.

Foto: Alexandra_Koch - Pixabay

En el mundo de la tecnología, pocos componentes han logrado alcanzar un estatus de “oro digital” en tan poco tiempo como los chips de Nvidia. Según el índice de precios de Intuition Labs, una sola GPU H100 de 80 GB puede alquilarse por hasta 12,29 dólares por hora en instancias de proveedores de nube de gran escala. Para las empresas que buscan construir infraestructuras de IA, estos costos no son solo una cifra en un balance contable; son el precio de entrada a la nueva era de la computación.

Este fenómeno no es casualidad. La demanda masiva de modelos de lenguaje y herramientas de generación de imágenes ha convertido a los semiconductores en el cuello de botella de la innovación. Sin embargo, detrás de la sofisticada arquitectura de estos procesadores, hay una realidad física que pocos ven: una infraestructura masiva que consume cantidades ingentes de energía y agua, y un mercado de hardware que está redefiniendo la economía de los centros de datos.

La arquitectura del precio: ¿Por qué un chip cuesta tanto?

Para entender por qué un chip de Nvidia puede costar entre 25.000 y 40.000 dólares en el mercado de hardware, hay que mirar más allá del silicio. La razón principal es la densidad de cálculo y la memoria. Los modelos de inteligencia artificial requieren procesar volúmenes de datos masivos de forma simultánea, lo que exige una arquitectura de “paralelismo” extremo.

A diferencia de un procesador convencional que ejecuta tareas secuenciales, las GPUs (unidades de procesamiento gráfico) están diseñadas para realizar miles de operaciones matemáticas pequeñas al mismo tiempo. En los modelos más recientes, como la generación Blackwell de Nvidia, la complejidad aumenta. El precio se eleva porque cada chip debe integrar no solo capacidad de procesamiento, sino también una memoria de alta velocidad capaz de alimentar esos núcleos sin interrupciones.

Aquí entra un factor clave: la memoria RAM de alto rendimiento, específicamente la HBM (High Bandwidth Memory). La memoria es el combustible del chip; si el chip es el motor, la memoria es la tubería que suministra la gasolina. En los modelos actuales, como el H200, la capacidad de memoria ha subido a 141 GB, un 76 % más que en el modelo H100. Esta memoria es extremadamente costosa de fabricar y requiere procesos de fabricación de semiconductores que solo unas pocas empresas en el mundo pueden ejecutar con precisión.

Esta escasez y especialización técnica han creado una brecha de precios significativa. Según Intuition Labs, mientras que en nubes de nicho o mercados de “marketplace” una H100 puede rentarse por tan solo 1,38 a 1,49 dólares por hora, en las instancias bajo demanda de los grandes proveedores de nube (hyperscalers), el costo puede dispararse hasta los 11,06 dólares por GPU en el caso de Google Cloud. Esta disparidad muestra que el acceso a la potencia de cálculo no es uniforme y depende críticamente de la escala y el modelo de contratación.

El impacto en la infraestructura de los centros de datos

La tecnología de IA no vive en el vacío; reside en centros de datos que funcionan las 24 horas del día. El costo de estos chips se multiplica cuando se considera la infraestructura necesaria para mantenerlos operativos. Un sistema DGX H100 de 8 GPUs, por ejemplo, puede alcanzar un precio de entre 300.000 y 460.000 dólares. Pero el costo de propiedad no termina con la compra del equipo.

Los centros de datos que alojan estas cargas de trabajo generan un calor extremo. Para evitar que los chips se fundan o pierdan eficiencia, se requieren sistemas de enfriamiento masivos. Es aquí donde la inteligencia artificial choca con la realidad de los recursos naturales. Según el Laboratorio Nacional Lawrence Berkeley (LBNL), en 2023 los centros de datos en Estados Unidos consumieron directamente 66.000 millones de litros de agua para enfriamiento, una cifra que ha crecido significativamente desde 2014.

Lo más preocupante es el consumo indirecto. El informe del LBNL señala que el agua utilizada en las plantas de energía para generar la electricidad que consumen estos centros fue de casi 800.000 millones de litros en 2023, una cifra doce veces superior al consumo directo de enfriamiento. En términos globales, la Agencia Internacional de Energía (IEA) estimó que el consumo total de agua por centros de datos en 2023 fue de 560.000 millones de litros, repartidos entre enfriamiento directo, consumo indirecto en la generación eléctrica y el agua empleada en la fabricación de los propios componentes.

Incluso las grandes corporaciones están viendo cómo este consumo escala de forma alarmante. De acuerdo con el informe ambiental de 2026 de Google, su consumo total de agua subió un 34 % hasta alcanzar los 10.900 millones de galones en 2025, más del doble de lo que reportó en 2021. Por su parte, Microsoft retiró aproximadamente 2.700 millones de galones de agua en 2024, reportando una efectividad de uso de agua (WUE) de 0,27 litros por kilovatio-hora para el año fiscal 2025. Amazon Web Services (AWS) también comenzó a transparentar estas cifras en junio de 2026, revelando que sus centros de datos retiraron 2.500 millones de galones de agua.

La paradoja de la eficiencia y la geopolítica del silicio

A pesar de estos costos, la industria busca constantemente la eficiencia. Nvidia ha intentado abordar el problema del enfriamiento con avances como su sistema de enfriamiento de ciclo cerrado DSX, que busca reducir el consumo de agua en el sitio a casi cero. Sin embargo, como señala TechTimes, este avance no soluciona el problema de la huella hídrica en las plantas de energía que alimentan la red eléctrica. El agua sigue siendo un recurso crítico en la cadena de suministro de la IA, desde la fabricación hasta la operación final.

Esta tensión entre la demanda de potencia y la disponibilidad de recursos ha creado un mercado de “segunda mano” muy activo. Los chips H100, que se vendían por 40.000 dólares a finales de 2023, ahora se encuentran en mercados secundarios por precios que oscilan entre los 6.000 y 22.000 dólares. Esta caída del 85 % en su valor refleja la velocidad con la que la tecnología avanza: la llegada de la generación Blackwell hace que el hardware anterior pierda valor rápidamente, obligando a las empresas a decidir entre invertir en lo último o gestionar infraestructuras con tecnología que ya empieza a quedar obsoleta.

No obstante, el acceso a estos componentes no es solo una cuestión de presupuesto, sino también de geopolítica. El gobierno de Estados Unidos ha intensificado las restricciones para evitar que estos chips lleguen a manos de competidores estratégicos. Según reportó Caracol Radio, el secretario del Tesoro, Scott Bessent, ha exigido explicaciones a Nvidia sobre si permitió que sus chips más avanzados llegaran a China a través de empresas fantasma. Esta vigilancia se debe a que los chips de IA son considerados tecnología sensible que podría comprometer la seguridad nacional.

La Administración de Donald Trump ha reforzado estas medidas mediante normas provisionales que exigen licencias del gobierno estadounidense para que operadores de centros de datos en países como Singapur, Malasia, Tailandia, Indonesia y Brasil puedan exportar chips avanzados de Nvidia. Según Europa Press, estas medidas buscan garantizar que la tecnología estadounidense no se eluda mediante acuerdos de computación remota en terceros países. La IA ya no es solo una carrera de software; es una disputa por el control de la infraestructura física y los recursos que la sostienen.

Lecciones para el futuro de la tecnología

La explosión de la inteligencia artificial nos obliga a mirar la tecnología con un criterio más amplio. No basta con admirar la capacidad de un modelo para generar texto o imágenes; es necesario entender la cadena de suministro y el impacto ambiental que sostiene esa capacidad. La infraestructura que permite que un modelo de lenguaje responda en milisegundos es una red de fábricas, plantas de energía y sistemas de enfriamiento que consumen recursos finitos.

Para las empresas, la lección es clara: la soberanía tecnológica depende de la gestión eficiente de estos recursos. No se trata solo de comprar el chip más potente, sino de optimizar la infraestructura para reducir el consumo de agua y energía, buscando modelos de “confianza cero” en la gestión de datos y una eficiencia energética que sea sostenible a largo plazo. La planificación debe incluir no solo el costo del hardware, sino también la huella hídrica y energética de la operación a largo plazo.

Para el usuario y el observador, entender estos costos ayuda a contextualizar por qué los servicios de IA pueden ser costosos y por qué las grandes tecnológicas están bajo escrutinio por su impacto ambiental. La inteligencia artificial es una tecnología de recursos físicos. Cada vez que interactuamos con un modelo de lenguaje, estamos utilizando una fracción de una infraestructura masiva que consume silicio, memoria y, sobre todo, agua.

La sostenibilidad de la IA no será determinada solo por la sofisticación de sus algoritmos, sino por nuestra capacidad para gestionar los recursos naturales que permiten que esos algoritmos cobren vida.

Diego Padilla

Columnista · Código Abierto

Las opiniones expresadas en esta columna son responsabilidad de su autor y no representan necesariamente la posición de Golpe de Opinión.

Esta nota fue redactada con apoyo de inteligencia artificial a partir de las fuentes citadas y revisada por nuestro equipo editorial antes de publicarse. Cómo trabajamos.

¿Encontraste un error? Escríbenos a redaccion@golpedeopinion.com.co.

Elige qué cookies aceptas. Puedes cambiarlo cuando quieras desde «Configurar cookies» al final de la página.