Google Cloud apuesta por chips de IA para cerrar la brecha

Párrafo inicial

Google Cloud ha elevado públicamente su estrategia de hardware como un pilar central para restaurar el impulso de crecimiento y cerrar las persistentes brechas de cuota frente a los líderes del mercado Amazon Web Services y Microsoft Azure. El 26 de abril de 2026 Thomas Kurian dijo al Financial Times que los chips de IA a medida de Google y sus modelos propietarios dan a su negocio de centros de datos «una ventaja» en rendimiento y coste total de propiedad (FT, 26 abr 2026). Las declaraciones marcan un giro desde un mensaje centrado en el software hacia la promoción integrada de silicio+stack —un modelo que Google introdujo con la familia TPU en 2016 y que ahora afirma que escalará a una oferta empresarial más amplia. Para los inversores institucionales, las implicaciones son dos: la inversión en hardware señala ciclos de CapEx más largos y potencial de apalancamiento de márgenes, pero convertir esas inversiones en ganancias de cuota requiere adopción sostenida del ecosistema de software y un impulso en las ventas empresariales.

Contexto

El mercado de la nube sigue concentrado. Synergy Research Group estimó en 2025 que AWS tenía aproximadamente el 33% del mercado IaaS/PaaS, Microsoft alrededor del 22% y Google cerca del 11% (Synergy Research Group, 2025). Esas cifras ponen de manifiesto un déficit estructural: Google Cloud ha redoblado su apuesta por servicios de IA diferenciados, pero ha quedado rezagado respecto a sus competidores en cuota de infraestructura bruta y penetración en contratos empresariales. Las declaraciones públicas de Kurian del 26 de abril de 2026 en el FT subrayan el intento de Google de convertir su propiedad intelectual en IA —modelos, pipelines de entrenamiento y aceleradores personalizados— en una ventaja competitiva tangible en la capa de centros de datos (FT, 26 abr 2026).

La historia de los chips de Google no es nueva. La compañía presentó su primer TPU (Tensor Processing Unit) para cargas de trabajo de aprendizaje automático en 2016, pasando de GPUs comerciales a silicio diseñado específicamente para inferencia y entrenamiento (anuncio de Google, 2016). Lo que sí es nuevo es el encuadre comercial: Kurian afirma que esos chips, combinados con las herramientas Vertex AI de Google y modelos propietarios, pueden ofrecer una relación precio/rendimiento diferenciada para cargas de trabajo empresariales. La pregunta para los mercados es si esto se traduce en victorias de clientes a escala y si el movimiento provoca respuestas defensivas de AWS, Microsoft y proveedores de hardware terceros.

El esfuerzo de Google también refleja dinámicas sectoriales más amplias en las que la diferenciación sólo por software se ha vuelto menos sostenible a medida que las capacidades de IA se commoditizan. La cadena de valor está cambiando: la optimización a nivel de sistema y la productización vertical son cada vez más decisivas, una tendencia visible en el empuje de los proveedores de nube por verticalizar ofertas para salud, servicios financieros y manufactura. Para los inversores que vigilan la asignación de capital y la rentabilidad, la disyuntiva es conocida: los importantes compromisos iniciales en ingeniería y fabricación pueden deprimir márgenes a corto plazo, pero pueden desbloquear márgenes brutos superiores si la utilización y los contratos plurianuales siguen.

Análisis detallado de datos

Los puntos de datos públicos primarios son escasos pero indican una dirección. La entrevista del FT del 26 de abril de 2026 ofrece la señal más clara desde la dirección de que Google pretende monetizar el silicio personalizado junto con servicios de IA gestionados (FT, 26 abr 2026). Datos de mercado independientes de Synergy Research Group (2025) muestran la cuota de mercado de Google Cloud en aproximadamente 11%, frente al 33% de AWS y el 22% de Microsoft —una brecha que, si persiste, implica que se requiere un esfuerzo sustancial para cambiar materialmente la dinámica competitiva (Synergy Research Group, 2025). La cuota de mercado por sí sola enmascara la economía unitaria: Google ha reportado de forma consistente una mayor intensidad de CapEx por dólar de ingresos que sus dos mayores pares, reflejando inversiones en centros de datos e I+D para infraestructura de IA.

Históricamente, el silicio personalizado ha producido resultados diferenciados en la nube. El programa TPU de Google, lanzado en 2016, permitió ventajas internas de rendimiento en cargas de trabajo TensorFlow y potenció servicios comerciales de IA tempranos. La apuesta paralela de AWS por CPUs personalizadas —Graviton (lanzado de forma amplia en 2019)— ofreció mejoras notables en precio/rendimiento para ciertas cargas de trabajo y ha sido una palanca competitiva efectiva en las negociaciones de compras con grandes clientes (AWS re:Invent, 2019). Estos precedentes muestran que el silicio a medida puede alterar la economía de adquisición y los cálculos de ROI del cliente; sin embargo, la adopción tiende a depender de la carga de trabajo y es lenta a lo largo de toda la flota empresarial.

Desde la perspectiva de la economía del proveedor, la ruta hacia la escala requiere dos elementos: bloqueo incremental significativo del cliente mediante APIs propietarias o mejoras medibles en el TCO, y un ecosistema de ISV y herramientas que funcionen de forma óptima en el chip. El stack de Google —Vertex AI, modelos de clase Gemini/PaLM y TPUs— está posicionado para lograr el primero; el segundo requiere herramientas de terceros y compromisos de migración empresariales a largo plazo. Los inversores deberían vigilar métricas concretas como la duración de los contratos de clientes, tasas de contratación de servicios gestionados y la utilización de la infraestructura en la nube trimestre a trimestre para evaluar si la retórica se está traduciendo en una tracción comercial.

Implicaciones para el sector

Si Google aprovecha con éxito los chips de IA personalizados para mejorar el rendimiento/coste en inferencia y en determinados entrenamientos, la presión directa recaerá sobre NVIDIA y los proveedores centrados en GPU en ciertos segmentos. NVIDIA sigue siendo dominante en cargas de entrenamiento de alto nivel, pero los proveedores de nube tienen incentivos para diversificar aceleradores y así gestionar la concentración de suministradores y el coste. Un giro material de Google hacia una diferenciación impulsada por chips podría acelerar arquitecturas híbridas —combinaciones de GPUs, TPUs y aceleradores personalizados— que optimicen el coste según el tipo de modelo y la escala.

Para los clientes empresariales, las decisiones de adquisiciones dependerán de mejoras medibles en el TCO y del riesgo de migración. Las grandes corporaciones suelen tolerar la heterogeneidad de proveedores si los ahorros a largo plazo superan los costes de migración y si los ecosistemas (seguridad, cumplimiento, servicios gestionados) son sólidos. La capacidad de Google para ofrecer estudios de caso empresariales con métricas verificables de coste y rendimiento determinará si los directores de TI abren grandes‑