Jensen Huang, fundador y CEO de NVIDIA, considera que las GPU utilizadas en centros de datos de inteligencia artificial pueden mantener su utilidad económica durante ocho años o más, frente a los ciclos de renovación de aproximadamente cuatro años que tradicionalmente se asociaban a estos sistemas. El directivo ha defendido esta perspectiva durante GTC Berlín 2026.
Sus declaraciones coinciden con las de Elon Musk, que asegura que los aceleradores H100 pueden alquilarse actualmente por importes superiores a los de sus primeros años, y las del inversor Gavin Baker. Los tres relacionan esta evolución con la mejora del software y la creciente demanda de inferencia de IA, aunque ello no significa que todas las GPU hayan dejado de depreciarse.
Jensen Huang cree que las GPU de NVIDIA pueden utilizarse durante ocho años o más
Durante su intervención en GTC Berlín, celebrada este 21 de octubre de 2026, Huang explicó que la amplia adopción de las plataformas NVIDIA permite mantener sus aceleradores en funcionamiento durante periodos cada vez más prolongados. Según el directivo, la vida útil económica de una GPU podría alcanzar ocho años o incluso superar esa cifra.
Una de las razones es la posibilidad de seguir optimizando el software durante toda la vida del hardware. NVIDIA continúa actualizando sus bibliotecas CUDA y las herramientas utilizadas para entrenar y ejecutar modelos de IA, permitiendo que generaciones anteriores mantengan su utilidad incluso cuando aparecen aceleradores considerablemente más potentes.
Huang también destacó que una GPU retirada por un gran operador puede seguir siendo útil para otras empresas. Los centros de datos que necesitan ejecutar modelos más exigentes pueden sustituir sus equipos, mientras que otros proveedores aprovechan ese hardware para cargas de trabajo con menores requisitos de memoria o rendimiento.
Este planteamiento modifica la forma de calcular la rentabilidad de los aceleradores. Una GPU capaz de generar ingresos durante ocho años dispone de un periodo de amortización potencialmente mayor, aunque su valor real dependerá de los costes eléctricos, el mantenimiento y la demanda de capacidad de cálculo.
Elon Musk asegura que las H100 se alquilan más caras que cuando eran nuevas
Durante la presentación de resultados del tercer trimestre de SpaceX, Elon Musk defendió que la mejora de los modelos de inteligencia artificial está incrementando el valor del hardware existente. Su argumento se basa en que una misma GPU puede proporcionar resultados más útiles cuando el software aprovecha mejor su capacidad de procesamiento.
Musk utilizó el concepto de «inteligencia útil por vatio» para describir esta evolución. Según explicó, si los modelos consiguen producir respuestas de mayor calidad utilizando una cantidad similar de energía, el valor económico de las operaciones realizadas por el acelerador puede aumentar sin necesidad de sustituirlo.
Como ejemplo, señaló que las NVIDIA H100 pueden alcanzar actualmente precios de alquiler superiores a los registrados cuando comenzaron a comercializarse. Esta afirmación refleja las condiciones de determinados mercados de computación en la nube, pero no implica que todas las H100 hayan aumentado de precio ni que su rendimiento supere al de las generaciones posteriores.
El directivo también explicó que SpaceX prefiere alquilar parte de su capacidad de cálculo mediante contratos de corta duración, en lugar de comprometerla durante varios años. Esta estrategia le permitiría ajustar sus tarifas a los precios del mercado, aunque también supone una mayor exposición a posibles caídas de la demanda.
Gavin Baker relaciona la caída del precio de los tokens con el aumento del alquiler de GPU
El inversor tecnológico Gavin Baker planteó un argumento similar durante una sesión previa a la conferencia de NVIDIA en Berlín. Según explicó, el coste de generar tokens de IA ha disminuido mientras aumenta el precio de alquilar determinados aceleradores, una evolución que puede parecer contradictoria.
La explicación estaría en el incremento de la productividad del hardware. Si una GPU consigue generar más tokens útiles durante una hora de funcionamiento, el operador puede proporcionar más servicios utilizando los mismos recursos. Esto permite que el alquiler de esa capacidad resulte económicamente atractivo incluso cuando disminuye el precio cobrado por cada token.
Sin embargo, la evolución no afecta de manera uniforme a todos los aceleradores. Las tarifas dependen de la generación, la memoria disponible, la demanda y la competencia entre proveedores. Los aumentos observados en determinadas plataformas tampoco garantizan que sus precios continúen creciendo indefinidamente.
Silicon Data estima que las B200 conservan un valor residual del 158%
Las declaraciones coinciden con los análisis de Silicon Data, una empresa especializada en información sobre el mercado de computación para inteligencia artificial. Según sus estimaciones de septiembre de 2026, las NVIDIA B200 presentan un valor residual equivalente al 158% de su coste inicial, lo que supondría una prima del 58%.
La compañía también considera que las A100 y H100 mantienen valores económicos superiores a los que indicarían los modelos tradicionales de depreciación lineal a tres o cinco años. Estos cálculos reflejan la capacidad prevista de los aceleradores para continuar generando ingresos mediante servicios de computación.
No obstante, existe una distinción importante: el valor residual calculado por Silicon Data procede de modelos financieros basados en ingresos futuros de alquiler, no necesariamente de operaciones de compraventa de tarjetas usadas. Por tanto, el 158% atribuido a las B200 no demuestra que cualquier propietario pueda revenderlas actualmente por un 58% más de lo que pagó.
Estas estimaciones también están condicionadas por la escasez de aceleradores y el crecimiento de la demanda de inferencia. Si aumenta la disponibilidad de hardware o disminuyen las tarifas de alquiler, el valor económico previsto de las GPU podría cambiar considerablemente.
NVIDIA calcula ingresos de 40.000 millones de dólares anuales por cada gigavatio
Durante GTC Berlín, Huang también ofreció estimaciones sobre la rentabilidad de los centros de datos de IA. Según sus cálculos, una instalación de 1 GW puede requerir una inversión aproximada de 50.000 millones de dólares (44.511 millones de euros), mientras que su capacidad de generación de ingresos podría alcanzar 40.000 millones de dólares anuales (35.609 millones de euros).
La relación entre ambas cifras equivaldría a 1,25 años de ingresos brutos para igualar la inversión inicial. Sin embargo, no representa un periodo de recuperación real garantizado, puesto que habría que descontar electricidad, mantenimiento, personal, financiación y otros costes operativos, además de considerar el nivel efectivo de utilización.
Este escenario ayuda a explicar por qué NVIDIA y determinados operadores consideran que la infraestructura de IA puede mantener su valor económico durante más tiempo del previsto. No obstante, las cifras son estimaciones del fabricante y no resultados financieros aplicables a todos los centros de datos.
Una mayor vida útil no significa que las GPU hayan dejado de depreciarse
Aunque las declaraciones de Huang, Musk y Baker apuntan a una mayor duración económica de los aceleradores de IA, conviene distinguir su capacidad para generar ingresos de la depreciación contable y del precio de reventa. Una GPU puede continuar siendo rentable y, al mismo tiempo, perder valor en el mercado de segunda mano.
También existen diferencias importantes entre las GPU profesionales utilizadas para inferencia y las tarjetas gráficas destinadas al gaming. La demanda de alquiler de una H100 o B200 responde a necesidades empresariales que no tienen una correspondencia directa con el mercado doméstico.
Por ahora, los datos de Silicon Data y las declaraciones de los directivos apuntan a que determinados aceleradores conservan más valor del previsto, especialmente cuando la demanda supera la oferta. La cuestión pendiente es si esta situación se mantendrá cuando lleguen nuevas generaciones de hardware y aumente la capacidad mundial de procesamiento para inteligencia artificial.
Vía: Wccftech
