SambaNova Apunta a Costes de Inferencia de IA con Nube de $3.5B

Rodrigo Liang, CEO de la empresa de chips de IA SambaNova Systems, afirmó que la inferencia de modelos es el principal desafío de costes en la inteligencia artificial empresarial. Sus comentarios, realizados en una entrevista de Bloomberg Open Interest publicada el 3 de junio de 2026, coincidieron con la revelación de una nueva iniciativa de nube de IA de $3.5 mil millones respaldada por Vista Equity Partners y Cambium Capital. Liang sostiene que una arquitectura disgregada que combina GPUs, CPUs y procesadores especializados puede reducir drásticamente los gastos y acelerar el despliegue de agentes de IA para grandes corporaciones.

Contexto — por qué esto importa ahora

El gasto en IA empresarial ha superado los costes de infraestructura para el entrenamiento de modelos. Forrester Research estimó en abril de 2026 que la inferencia ahora representa más del 70% del coste total de vida de un modelo de IA en producción. El contexto macroeconómico presenta costes de capital persistentemente altos, con el rendimiento del Tesoro a 10 años rondando el 4.5%, lo que presiona los cálculos de retorno de inversión corporativa para nueva tecnología.

El catalizador es la rápida escalabilidad de las aplicaciones de modelos de lenguaje grande desde fases piloto hasta despliegue a gran escala. Este cambio ha expuesto la economía prohibitiva de ejecutar inferencias exclusivamente en clústeres de GPU de alta gama de Nvidia. Una sola consulta a un modelo sofisticado puede costar varios dólares, lo que hace que el uso generalizado de agentes sea económicamente inviable. Esta barrera de costes ha desencadenado una búsqueda de arquitecturas de computación alternativas y más eficientes más allá de los centros de datos homogéneos de GPU.

Datos — lo que muestran los números

La nueva iniciativa de nube de IA está capitalizada con $3.5 mil millones de las firmas de capital privado Vista Equity Partners y Cambium Capital. Los benchmarks internos de SambaNova indican que sus sistemas disgregados pueden reducir los costes de inferencia entre un 70% y un 90% para cargas de trabajo empresariales específicas como la generación aumentada por recuperación.

Arquitectura	Coste Estimado por 1M de Tokens	Objetivo de Rendimiento
Nube GPU Homogénea	$12 - $18	Latencia Base
SambaNova Disgregada	$2 - $5	Latencia Comparable

Esto se compara con los precios de inferencia en la nube de los principales proveedores, donde los costes pueden superar los $15 por millón de tokens de salida para los modelos más grandes. Se proyecta que el mercado total direccionable para la inferencia de IA empresarial crecerá de $40 mil millones en 2025 a más de $150 mil millones para 2030, según la previsión de Gartner del Q1 de 2026. Los ingresos del centro de datos de Nvidia, un proxy para la demanda de hardware de IA, alcanzaron un récord de $42.8 mil millones en su último trimestre fiscal.

Análisis — lo que significa para los mercados / sectores / tickers

Los beneficiarios directos son las empresas de software empresarial con hojas de ruta de integración de IA importantes, como Salesforce (CRM) y ServiceNow (NOW), que podrían ver reducidos los gastos operativos en la nube. Las empresas de semiconductores que se especializan en procesadores de IA alternativos, como AMD (AMD) e Intel (INTC), pueden ganar cuota a medida que el mercado se diversifica más allá de una única arquitectura. Los proveedores de nube de hiperescala enfrentan una presión potencial sobre los márgenes si las ofertas disgregadas socavan sus precios de servicio de GPU premium.

Una limitación clave es el bloqueo de proveedores y la compatibilidad del software. La arquitectura de SambaNova requiere pilas de software optimizadas, creando fricción de migración para las empresas estandarizadas en ecosistemas basados en CUDA. El principal contraargumento es que el ritmo implacable de innovación de Nvidia, ejemplificado por su recientemente anunciada plataforma Blackwell, mantendrá su liderazgo en coste-rendimiento y ventaja de ecosistema.

Los datos de posicionamiento de los mercados de opciones muestran un aumento en la compra de puts en ETFs de semiconductores como SMH, lo que sugiere que algunos inversores están cubriendo contra una posible desaceleración en el crecimiento de la demanda de GPU pura. El flujo de capital de riesgo y capital privado está acelerándose hacia startups de infraestructura de IA centradas en la eficiencia, con más de $12 mil millones desplegados en el sector en lo que va del año.

Perspectivas — qué observar a continuación

El próximo gran catalizador es el próximo informe de ganancias de Nvidia el 21 de agosto de 2026, donde se examinará el comentario sobre la mezcla de ingresos por inferencia y las amenazas competitivas. La conferencia Supercomputing 2026 (SC26) en noviembre contará con benchmarks de rendimiento cara a cara de nuevos sistemas disgregados frente a clústeres de GPU insignia.

Los niveles clave a observar incluyen la tasa de crecimiento de ingresos para los segmentos de nube de Microsoft Azure, Google Cloud Platform y Amazon Web Services en sus informes del Q3 de 2026. Una desaceleración por debajo del 20% interanual podría señalar recortes de costes empresariales que impacten a los proveedores incumbentes. Monitorice el precio de las acciones del Global X Artificial Intelligence & Technology ETF (AIQ) en relación con el PHLX Semiconductor Index (SOX); una divergencia sostenida indicaría una rotación del mercado dentro de la cadena de suministro de IA.

Preguntas Frecuentes

¿Qué significa el anuncio de SambaNova para las acciones de Nvidia?

Introduce un competidor creíble a largo plazo en el mercado de inferencia de alto margen, que constituye una parte creciente de los ingresos del centro de datos de Nvidia. Si bien el ecosistema y el dominio en el entrenamiento de Nvidia permanecen intactos, el enfoque de los inversores se desplazará hacia su capacidad para defender la cuota de mercado de inferencia. Los analistas monitorizarán cualquier ajuste de orientación relacionado con los precios de venta promedio de inferencia en futuras llamadas de ganancias.

¿Cómo difiere la computación disgregada de IA de la IA en la nube tradicional?

La IA en la nube tradicional depende en gran medida de grandes clústeres de GPUs idénticas para todas las tareas. Una arquitectura disgregada utiliza una mezcla de hardware—GPUs para computación paralela, CPUs para lógica y procesadores de IA especializados para eficiencia—orquestada por software. Esto empareja cada parte de una carga de trabajo de IA con el hardware más rentable, similar a cómo un centro de datos moderno utiliza diferentes niveles de almacenamiento (SSD, HDD, cinta).

¿Es esto similar a la transición de mainframes a computación cliente-servidor?

La analogía se sostiene en términos de descentralización del poder de computación y optimización para tareas específicas. La era de los mainframes (computación homogénea y centralizada) dio paso a modelos cliente-servidor (computación disgregada y dimensionada adecuadamente). De manera similar, la dependencia inicial de la industria de IA en enormes clústeres homogéneos de GPU puede evolucionar hacia sistemas heterogéneos adaptados para el entrenamiento frente a diferentes tipos de inferencia, reduciendo así el coste total de propiedad.

Conclusión

La apuesta de $3.5 mil millones de SambaNova señala que el coste de inferencia de IA, no la capacidad del modelo, es el próximo campo de batalla decisivo para la adopción empresarial.

Descargo de responsabilidad: Este artículo es solo para fines informativos y no constituye asesoramiento de inversión. El comercio de CFD conlleva un alto riesgo de pérdida de capital.