Las tarifas de alquiler de las NVIDIA H100, A100 y B200 han resistido mejor de lo esperado durante 2026, con incrementos incluso en aceleradores que ya no representan la generación más reciente. El comportamiento cuestiona la idea de que las GPU para inteligencia artificial pierdan rápidamente su valor económico después de tres años de uso.
Los datos de Silicon Data sitúan actualmente la H100 alrededor de 2,5–2,7$ por GPU y hora, frente a niveles cercanos a los 2$ al comenzar el año. La B200, que abrió 2026 alrededor de 4,40$, se mueve ahora aproximadamente entre 5,45 y 5,63$.
La H100 mantiene su valor pese a la llegada de Blackwell
La NVIDIA H100 ya no constituye el acelerador más avanzado de la compañía, pero continúa siendo una de las GPU más utilizadas para entrenamiento, inferencia y ajuste de modelos. Su tarifa estandarizada dentro de las neoclouds permanece por encima de los niveles observados al inicio de 2026, señal de que la demanda todavía absorbe la capacidad disponible.
Silicon Data registró entre diciembre de 2025 y comienzos de enero de 2026 una subida desde 2 hasta 2,20$ por hora, mientras el índice continuó avanzando posteriormente. En marzo, contratos anuales de H100 habían alcanzado aproximadamente 2,35$ por GPU y hora (~2,03€), casi un 40% más que el mínimo de octubre de 2025.
Las tarifas varían considerablemente según el proveedor, la duración del contrato, la red utilizada y el nivel de servicio. Los precios de una neocloud no pueden compararse directamente con los de un hyperscaler, donde una H100 puede superar los 7$ por hora debido a servicios empresariales, disponibilidad geográfica e infraestructura adicional.
La B200 también se encarece por una oferta todavía limitada
The chart is one of the clearest rebuttals to the claim that AI compute is already being overbuilt.
GPU rental prices are not collapsing as new capacity comes online. They are rising across almost every generation. B200 rates have moved toward roughly $5.50 to $5.80 per… pic.twitter.com/wgBlGuXqfT
— Ricky Ho (@rickyho_1989) August 3, 2026
La NVIDIA B200 empezó 2026 con una tarifa normalizada cercana a 4,40$ por hora, pero alcanzó 6,11$ durante el máximo registrado el 25 de marzo. Aunque después retrocedió, su precio continúa alrededor de 5,5$ por GPU y hora, claramente por encima del nivel inicial.
Este comportamiento responde a una disponibilidad todavía restringida frente a la demanda de entrenamiento avanzado. Los grandes laboratorios aseguran capacidad mediante contratos prolongados antes de que llegue al mercado abierto, reduciendo el número de sistemas Blackwell disponibles para alquiler inmediato y manteniendo elevadas las tarifas de los proveedores.
El precio por hora tampoco determina por sí solo qué acelerador resulta más económico. Una B200 puede completar determinadas cargas con menos GPU o en menos tiempo que una H100, por lo que una tarifa superior podría traducirse en un coste menor por entrenamiento, inferencia o millón de tokens procesados.
Las A100 continúan siendo útiles para inferencia y ajuste
Las NVIDIA A100 conservan una presencia importante dentro de cargas de inferencia, ajuste fino y entrenamiento sensible al coste. Silicon Data las describe como uno de los aceleradores más distribuidos del mercado, con flotas antiguas todavía activas porque su rendimiento continúa siendo suficiente para numerosos modelos y servicios.
La migración de los entrenamientos más exigentes hacia H100, H200 o B200 libera capacidad A100, pero al mismo tiempo los modelos más eficientes permiten ejecutar más tareas sobre hardware anterior. Esto establece un suelo para las tarifas y prolonga el periodo durante el cual una GPU puede producir ingresos después de dejar de ser la opción más rápida.
Esta continuidad no significa que una A100 mantenga el mismo valor que una arquitectura nueva. El consumo, la memoria disponible, el ancho de banda y el rendimiento por token siguen favoreciendo a generaciones posteriores, pero determinadas cargas pueden priorizar el coste por hora sobre la máxima velocidad individual.
If you’re wondering why GPU spot prices keep climbing, it’s partly because optimizations like these allow more tokens to be served through same footprint, increasing the revenue and economic value generated per node. The models will likely accelerate this dynamic even further. https://t.co/qortuxwoi6
— Evergreen Capital (@evergreencap3) July 29, 2026
Los modelos más eficientes pueden aumentar la demanda total
Una posible explicación se encuentra en una variante de la paradoja de Jevons. Cuando el software reduce el coste necesario para ejecutar una tarea, las empresas no siempre consumen menos infraestructura: pueden desplegar más usuarios, modelos, agentes y consultas, aumentando finalmente la demanda total de capacidad.
Las mejoras en cuantización, caché, batching, kernels y atención eficiente permiten trasladar determinadas inferencias hacia aceleradores antiguos. Una H100 o A100 que ya no resulta óptima para entrenar un modelo fronterizo puede continuar siendo rentable al servir modelos más pequeños, especializados o cuantizados.
Sin embargo, la eficiencia del software no garantiza por sí sola una tarifa elevada a largo plazo. Un aumento de la oferta, la llegada de aceleradores personalizados o una caída del coste por token de Blackwell podrían presionar las tarifas de generaciones anteriores, aunque estas sigan siendo técnicamente utilizables.
Una vida útil mayor reduce el gasto anual por depreciación
$MSFT Amy Hood: «effective at the start of FY 27, we are extending the estimated useful life of our data centers and office buildings from 15 to 25 years.»
— P Equity Research 📰 (@pequityresearch) July 29, 2026
El debate resulta especialmente importante para Microsoft, Amazon, Google, Meta y otros hyperscalers, que han invertido decenas de miles de millones en GPU, CPU, redes y centros de datos. Microsoft indicó que aproximadamente dos tercios de sus 37.500 millones de dólares de inversión trimestral correspondieron a activos de vida relativamente corta, principalmente GPU y CPU.
Si una empresa deprecia una GPU mediante el método lineal durante tres años, reconoce cada ejercicio aproximadamente un tercio de su coste. Ampliar la vida útil estimada hasta cinco o seis años reduce el gasto anual por depreciación, elevando el beneficio operativo y neto mientras el resto de las variables permanece constante.
El cambio no genera dinero adicional ni reduce el desembolso inicial. Modifica el ritmo con el que el coste aparece en la cuenta de resultados, mientras el flujo de caja permanece prácticamente igual. Si posteriormente el hardware pierde utilidad antes de lo previsto, la compañía podría necesitar reconocer un deterioro o revisar nuevamente su estimación.
El alquiler respalda el valor residual, pero no resuelve el debate
Que las tarifas de H100 y A100 permanezcan firmes proporciona argumentos a quienes defienden una vida económica superior a tres años. Si una GPU continúa generando ingresos mediante alquiler, inferencia o servicios internos, resulta más difícil sostener que ha perdido toda su utilidad al terminar un periodo contable tan corto.
No obstante, el precio del alquiler refleja también escasez, contratos, ubicación y disponibilidad, no solamente la durabilidad técnica del acelerador. Una tarifa elevada durante 2026 no demuestra que las mismas GPU mantendrán igual demanda en 2028 o 2030, especialmente con la rápida mejora del rendimiento por vatio.
Los datos favorecen una depreciación menos agresiva, pero no justifican automáticamente aplicar seis años a todas las GPU de IA. La estimación deberá considerar el tipo de carga, la eficiencia energética, el mantenimiento, el valor de reventa y la capacidad real de seguir generando ingresos cuando aparezcan arquitecturas nuevas.
Vía: Wccftech
