Centros de datos y energía

La historia del sustrato físico que seguimos aquí ya tiene nombre, y se usa sin ironía: la fábrica de IA. El dato más claro es el campus de Crusoe en las afueras de Abilene, Texas. La empresa empezó quemando gas natural varado para minar bitcoin y hoy construye, en más de 980 acres, lo que podría ser la mayor concentración de cómputo jamás reunida. La primera fase ya opera y da servicio al programa Stargate de Oracle y OpenAI; el proyecto apunta a ~2.1 gigavatios en un solo sitio (un campus de 1.2 GW de Oracle/OpenAI más un campus dedicado de 900 MW para Microsoft), suficiente para alojar del orden de 400,000 GPU de la clase GB200. Crusoe aseguró 4.5 GW de gas natural para alimentarlo. “La energía entra por un extremo; la inteligencia, medida en tokens, sale por el otro” es el planteamiento, y explica por qué esto pertenece a nuestro seguimiento de la energía y no solo al de la inversión de capital.

Dos hilos hacen de esto algo más que una historia de cifras grandes. Primero, la construcción se financia con el supuesto de que la inteligencia vale más que las externalidades (metano, gigavatios) de producirla; un supuesto que la industria apenas empieza a decir en voz alta y que choca con compromisos climáticos anteriores. Segundo, el escenario pesimista que todo veterano de la infraestructura lleva en mente: la burbuja de la fibra óptica del año 2000, cuando una revolución real igualmente incineró el capital de quienes construyeron su tubería. El contraargumento es que, a diferencia de la fibra sin uso de 1999, esta capacidad se reporta vendida antes de recibir energía, a clientes con ingresos; eso cambia la pregunta de fondo de “¿se usarán las fábricas?” a “¿ganan dinero los negocios que las usan?”.

Para eso hay que seguir los tokens, y aquí se conecta con nuestra tesis de priorizar el costo. Se reporta que Fireworks AI, fundada por el ingeniero que lideró PyTorch en Meta, atiende ~30 billones de tokens al día para más de 10,000 clientes (entre ellos Cursor, Uber, Notion y Shopify). Cifras así ocurren cuando el software llama a otro software: agentes que descomponen una solicitud en cientos de llamadas a modelos. El resultado es que la competencia que define esta fase no es una carrera de capacidades sino una guerra de costos, librada en tres frentes a la vez: el software (optimización de servicio a nivel de kernel en Fireworks y Together), el silicio (chips especializados en inferencia como el Corsair de cómputo en memoria de d-Matrix, que dice lograr grandes ventajas en rendimiento de tokens y en energía) y, el más sorpresivo, el almacenamiento: a medida que los agentes con contexto de un millón de tokens generan cachés de clave-valor enormes, los centros de datos de IA pasan a estar limitados por los datos y no solo por el cómputo (Solidigm ya envía SSD de 122 TB, uno de ellos con refrigeración líquida y codiseñado con Nvidia). La lectura estratégica: el costo por token se está volviendo la tasa de interés de la industria; con cada punto que baja, algún producto antes imposible se vuelve viable, y esa es la misma palanca que este sitio mide entre proveedores. La soberanía también aparece aquí: el programa de “gigafábricas” EuroHPC, de ~€20,000 millones, es un continente que intenta comprar su independencia de cómputo una GPU a la vez (un hilo que se une a nuestras entradas sobre Mistral y los chips chinos).

La cifra que llama la atención es la cantidad de parámetros, pero lo que importa para la geografía del cómputo es el hardware. Meituan, el gigante chino de entregas y servicios, lanzó LongCat-2.0 y afirma que es el primer modelo de esta escala entrenado de principio a fin, y no solo servido, con chips desarrollados en el país: un clúster de más de 50,000 ASIC chinos (“superpods”), sin GPU de Nvidia en el proceso.

El planteamiento “de principio a fin” es todo el punto. Muchos modelos chinos ya ejecutan *inferencia* en hardware nacional, la tarea comparativamente ligera de responder una consulta. El preentrenamiento es la parte brutal, el maratón de cómputo de varias semanas donde los chips más avanzados han importado más y al que apuntaban específicamente los controles de exportación de EE. UU. Una afirmación creíble de haber preentrenado un modelo de un billón de parámetros con silicio propio responde directamente la pregunta estratégica que pesa sobre el sector de IA de China: ¿puede construir modelos a escala de frontera sin Nvidia? LongCat-2.0 es la prueba, del lado del software, del impulso de hardware que también ha producido una supercomputadora nacional entre las primeras del ranking y aceleradores competidores como el Zhenwu M890 de T-Head, de Alibaba.

Esto viene con dos salvedades honestas. Primero, el modelo es real y está bien evaluado, pero la afirmación sobre el *hardware de entrenamiento* se apoya en el relato que hace Meituan de su propia infraestructura: el anuncio no nombró los chips específicos y, desde fuera, no se puede auditar directamente qué silicio usó una corrida de entrenamiento. Segundo, es un modelo de mezcla de expertos: 1.6 billones de parámetros en total, pero solo ~48,000 millones activos por token, de modo que “1.6 billones” describe capacidad, no el costo de cada pasada hacia adelante. Lo que sí se puede comprobar de forma independiente es el resultado: los pesos se publicaron con licencia MIT y el modelo (que circuló de forma anónima como “Owl Alpha” y estuvo brevemente entre los tres primeros de OpenRouter) obtiene resultados genuinos de programación cercanos a la frontera. La comunidad puede verificar el modelo; la historia del hardware es la parte que conviene tomar con el escepticismo debido.

Las cifras de capacidad (gigavatios) indican cuánto cómputo puede alimentar un país; contar instalaciones indica qué tan concentrada está la huella. Un mapeo de 2026 de centros de datos por país hizo evidente esa concentración: Estados Unidos encabezó la lista con unos 3,960 centros de datos, más que los 14 países siguientes juntos, la mayor huella del conjunto de datos por un amplio margen.

Dos advertencias hacen que el conteo sea más útil, no menos. Primero, un “centro de datos” no es una unidad fija: el total de EE. UU. está inflado por muchas instalaciones pequeñas y heredadas, así que el conteo bruto exagera la ventaja frente al panorama de capacidad en gigavatios, donde China es un segundo lugar mucho más cercano. Segundo, huella y capacidad no son lo mismo: unos pocos campus de hiperescala pueden superar en potencia a cientos de pequeños sitios de colocación. La lectura correcta es entonces por capas: por número de instalaciones, EE. UU. domina de forma abrumadora; por capacidad energizada lidera, pero China es el creíble segundo lugar; por ritmo de construcción nueva (véase la nota sobre la carrera de energía), EE. UU. va rezagado. Tres lentes, tres historias distintas, y por eso una sola clasificación engaña.

Registramos esto como referencia, no como alarma: es el mapa base contra el que se actualiza el resto de este seguimiento.

Si el mapa global del cómputo tiene una sola capital, es el norte de Virginia: el “Callejón de los Centros de Datos” (Data Center Alley), con centro en el condado de Loudoun. La concentración es difícil de exagerar: la región reúne del orden de 3 GW de capacidad de centros de datos, más que países enteros como el Reino Unido o Singapur, herencia de décadas de rutas de fibra, incentivos fiscales y cercanía a puntos de intercambio de internet que se fueron sumando hasta formar una densidad que se refuerza a sí misma.

Esa misma densidad es ahora el problema. Se ha sumado tanta carga que la restricción pasó de “¿hay terreno y fibra?” a “¿puede la compañía eléctrica realmente entregar la electricidad?”: la planeación local de transmisión y generación, y no la demanda, marca el ritmo. El resultado es doble: los proyectos nuevos enfrentan filas más largas de disponibilidad de energía en el núcleo, y el crecimiento se desborda hacia mercados secundarios (Phoenix, Atlanta, Columbus y más allá) que buscan margen en la red, como un embalse desbordado que encuentra nuevos cauces.

El norte de Virginia es la versión concreta, a escala de condado, de la historia macro que sigue este seguimiento. Muestra que la “capacidad” no es una abstracción: son subestaciones, líneas de transmisión y el calendario de obras de una compañía eléctrica, y que incluso el polo más exitoso del mundo termina chocando con la física del suministro de energía.

Las renovables son baratas pero intermitentes; un clúster de entrenamiento de frontera necesita energía limpia y constante, las veinticuatro horas. Esa combinación, energía *base* libre de carbono, apunta directamente a la nuclear, y los operadores de hiperescala han avanzado hacia ella con convicción. Entre las jugadas más destacadas están los acuerdos para reactivar un reactor fuera de servicio específicamente para alimentar una flota de centros de datos y una ola de acuerdos para comprar energía de reactores modulares pequeños (SMR) que todavía no existen del todo.

El atractivo es directo: un reactor entrega un bloque estable y predecible de megavatios libres de carbono, justo lo que quiere un operador de IA limitado por la energía y comprometido con la sostenibilidad, y lo que una granja solar intermitente no puede prometer por sí sola. El problema es el tiempo. Reactivar una planta inactiva toma años de licenciamiento y rehabilitación; los SMR son una tecnología que aún se está comercializando, con las primeras entregas desplazadas hacia la segunda mitad de la década. Por eso la nuclear se lee mejor como una *apuesta a que la escasez estructural de energía persista*: una señal de que los operadores esperan que la electricidad, y no los chips, sea la restricción de largo plazo, y están dispuestos a respaldar una oferta lenta e intensiva en capital para asegurarla.

Desde una visión basada en la medición, la lección es el plazo. Las faltas de chips se resuelven en trimestres; las restricciones de energía se resuelven en años o décadas. Cuando las empresas con mejor visibilidad de la demanda empiezan a contratar reactores, están diciendo qué cuello de botella creen que es duradero.

Una pelea reveladora surgió en torno a la energía de los centros de datos de xAI: el Departamento de Justicia de EE. UU. planteó el asunto de las turbinas de gas sin permiso que se usaban para suministrar electricidad a la instalación. Más allá de los detalles, es un adelanto de una tensión estructural hacia la que camina toda la industria.

La lógica es simple y difícil de eludir. La interconexión a la red de una carga nueva y grande puede tardar años; una construcción de IA de frontera quiere energía en meses. Cuando la red pública no puede responder al calendario de la IA, el camino más rápido es la generación in situ (en la práctica, turbinas de gas) instalada en el propio centro de datos. Eso resuelve el problema del calendario y crea dos nuevos: los permisos de emisiones y de calidad del aire que de otro modo habría resuelto la red, y un proceso regulatorio que simplemente no fue pensado para “una sola construcción privada que suma generación equivalente a una central eléctrica en plazos de empresa emergente”.

Esta es la cara local y física de la misma restricción que la nota sobre la carrera de energía entre EE. UU. y China describe desde las alturas. Sea que el límite que acabe frenando a la IA sean los chips, el capital o los megavatios, los megavatios llegan cada vez más con una disputa de permisos incluida, y dónde (y si) un operador puede levantar su propia generación pasa a formar parte del cálculo de ubicación.

Durante buena parte de la era de la IA, el cuello de botella que todos discutían era el silicio: quién tiene los mejores chips y a quién se los niegan. Una restricción más silenciosa y más dura pasó al frente: la electricidad. Un entrenamiento de frontera es, físicamente, una carga eléctrica enorme que debe entregarse en un solo lugar, de forma continua, durante semanas. Eso hace que el ritmo al que un país puede sumar generación y transmisión sea un insumo directo de cuánta IA puede construir.

En ese eje la brecha es marcada. Anthropic señaló públicamente que China sumó cerca de 400 gigavatios de capacidad eléctrica en un año reciente, mientras que Estados Unidos sumó “varias decenas”, es decir, del orden de una décima parte. EE. UU. todavía lidera en capacidad instalada de centros de datos (alberga cerca del 40% de la mundial), pero liderar sobre la base existente y liderar en el ritmo de construcción nueva son cosas distintas, y es lo segundo lo que determina quién puede levantar la siguiente generación de clústeres de entrenamiento.

La restricción se manifiesta de forma distinta en cada mercado. En EE. UU. el problema rara vez es “no hay suficiente energía en el país” y casi siempre “no hay suficiente energía que llegue a esa subestación”: atascos locales de transmisión que dejan varada la demanda en centros saturados como el norte de Virginia y empujan las construcciones nuevas hacia Phoenix, Atlanta y Columbus. En China, un plan nacional (“Datos al Este, Cómputo al Oeste”) dirige deliberadamente las cargas pesadas de entrenamiento a las provincias occidentales, donde la energía renovable es abundante y barata, y trata la geografía como un problema de programación. El resultado es la misma pregunta vista desde dos lados: ¿puede la red eléctrica seguir el ritmo del cómputo?

Un tema recurrente en los artículos de opinión es mapear la IA sobre un pequeño conjunto de “superpotencias” geopolíticas: por lo general Estados Unidos y China en un nivel aparte, con un tercer lugar que se asigna de maneras diversas (una columna muy leída propuso a Rusia). El planteamiento seduce porque capta algo real: la capacidad de los centros de datos y la energía para alimentarlos están concentradas en muy pocos Estados, y esa concentración tiene peso para la seguridad nacional.

Registramos esto como una lente, no como un hecho, y la distinción importa. Una columna de opinión es una *pista*, una invitación a ir a revisar el sustrato medible que hay debajo, no una fuente que se cite como asunto resuelto. En los ejes medibles que este seguimiento realmente sigue (capacidad instalada, ritmo de construcción de energía nueva, acceso a chips), el primer nivel de EE. UU. y China está bien respaldado; en cambio, la identidad de cualquier “tercera superpotencia” depende mucho de qué métrica se privilegie: la capacidad instalada favorece a líderes europeos como Alemania, mientras que la construcción bruta de energía o la postura geopolítica apuntan a otros. La lectura honesta es que “superpotencia” es una envoltura narrativa alrededor de un puñado de cifras duras, y las cifras son lo que reportamos.

Así que conviene tomar el planteamiento de las superpotencias como una forma de pensar en lo que está en juego y en la soberanía, no como una tabla de posiciones. Cuando plantea una afirmación verificable (“el país X compite con el primer nivel”), se convierte justo en lo que queremos contrastar con los datos de capacidad y energía en lugar de repetirlo.