Por qué la abundancia de chips de Google no garantiza el liderazgo en

Un cuarto del computo del mundo. Sin adónde ir.

Google controla aproximadamente el 25 por ciento de la capacidad de cómputo de IA a nivel global a finales de 2025. Es el mayor propietario individual en la Tierra: más instancias TPU, más clústeres de GPU, más metros cuadrados de centros de datos dedicados al aprendizaje automático que cualquier otra empresa. Y aún así, su último modelo insignia, Gemini 4 Argon, empata con el GPT-6 Astra de OpenAI en 53 puntos en los benchmarks de Artificial Analysis, mientras se coloca cinco puntos por detrás del Claude Opus 5.5 de Anthropic. Cinco puntos son una eternidad en esta carrera. Es la diferencia entre el primer lugar y la irrelevancia cuando el mercado se consolida alrededor de quien produzca el modelo más capaz primero.

La paradoja ya es visible lo suficiente como para que incluso los analistas más simpatizantes de Google hayan dejado de tratarla como un problema de entrenamiento. No se trata de tener menos chips. Se trata de lo que sucede cuando los chips que posees se redirigen antes de llegar a tus mejores modelos.

La guerra interna que nadie anunció

Dylan Patel, fundador y CEO de SemiAnalysis, expuso la situación de la forma más contundente en su podcast Big Technology el 9 de octubre. El cómputo total de Google está creciendo cada año. La parte que corresponde a DeepMind no. Durante los últimos seis meses, la proporción del cómputo de Google dedicado a entrenar y ejecutar sus propios modelos se ha contraído en realidad en comparación con lo que era hace dos o tres años. Las cifras absolutas siguen siendo impresionantes: DeepMind entrena con cientos de miles de TPUs, pero la trayectoria importa más que la cifra absoluta.

Patel describió la dinámica como una tirantez entre dos ejecutivos cuyos incentivos ahora jalan en direcciones opuestas. Por un lado está Thomas Kurian, jefe de Google Cloud, cuyo trabajo es alquilar ese cómputo a quien pueda pagarlo. Su división generó 32.000 millones de dólares en ingresos anuales el año pasado y está acelerando. Por el otro estaba Demis Hassabis, co-fundador de DeepMind, quien se retiró de la dirección operativa en agosto para centrarse en la estrategia de investigación. Según Patel, Kurian está ganando. La influencia de nivel directivo de la división de Cloud ha crecido junto con su rentabilidad, mientras que la voz operativa de DeepMind ha disminuido simultáneamente.

La predicción es tajante: para finales de 2026, DeepMind tendrá menos cómputo per cápita que cualquiera de las dos, OpenAI o Anthropic, si el patrón actual de asignación se mantiene. La brecha podría ampliarse aún más para 2027. Patel proyectó que OpenAI y Anthropic están añadiendo entre cinco y diez gigavatios de nueva capacidad ese año, mientras que Google podría añadir solo unos pocos gigavatios para su uso interno. El resto — la gran mayoría — fluye hacia afuera hacia los clientes de pago de Cloud.

En otras palabras, el excedente de cómputo de Google está convirtiéndose, por diseño, en la ventaja competitiva de otro. Cada contrato firmado con un cliente externo es una ejecución de entrenamiento de modelos que no ocurre internamente.

Vender fuego a tus enemigos

La lógica empresarial detrás de esta asignación no está oculta. Google Cloud es uno de los segmentos más rentables del imperio Alphabet. Alquilar capacidad TPU y GPU a clientes externos — incluyendo startups de IA que algún día podrían desafiar los propios modelos de Google — genera ingresos inmediatos con márgenes conocidos. Implementar esa misma capacidad internamente genera apuestas estratégicas a más largo plazo con retornos inciertos y sin garantía de que el modelo resultante cierre la brecha en los benchmarks.

Cuando surgen preguntas sobre métricas en las llamadas de ganancias trimestrales, los indicadores de crecimiento de la división de Cloud responden de forma directa. Los puntajes de DeepMind en benchmarks, no. Los números de Kurian aparecen en el estado de resultados. Los de Hassabis, en artículos de investigación que rara vez mueven los precios de las acciones.

La ironía es casi literaria. OpenAI y Anthropic no son socios de Google aquí. Son sus futuros competidores. Y Google está financiando su expansión de cómputo mientras simultáneamente restringe la propia. Cada gigavatio vendido a un cliente externo es un gigavatio no disponible para Gemini. Cada contrato empresarial firmado en Tokio o Fráncfort es una ejecución de entrenamiento denegada en Mountain View.

Esto no es exclusivo de Google. Casi todo proveedor de nube importante enfrenta la misma tensión entre ingresos por alquiler e I+D interno. Amazon AWS la maneja con cuidado. Microsoft Azure apalanca su asociación con OpenAI para gestionar el conflicto. Pero la posición de Google es distintiva porque es a la vez propietario y inquilino en su propio mercado. El conflicto es interno en lugar de impulsado por el mercado, lo que lo hace más difícil de detectar, más difícil de cuantificar y más difícil de resolver mediante gobierno corporativo normal.

Los efectos de segundo orden ya son visibles. Varias startups de IA de nivel medio que comenzaron como clientes de Google Cloud han desviado discretamente partes de su infraestructura a proveedores competidores — una señal de que incluso los clientes de Google reconocen la paradoja estratégica de depender de una empresa que compite con ellos en el desarrollo de modelos de IA.

El factor miedo a la búsqueda

Hay una segunda capa del problema que Patel no enfatizó lo suficiente pero que fuentes cercanas a los equipos de producto de Google han planteado en privado. Google se ha vuelto visiblemente cauteloso respecto a las alucinaciones del modelo en búsqueda — un área donde su marca está más expuesta. Cuando el propio producto de búsqueda de Google presenta respuestas seguras pero incorrectas, la reacción es inmediata y global. Así ha sido durante años. La introducción de AI Overviews a finales de 2024, que presentó varios errores fácticos ampliamente reportados, desencadenó escrutinio congresional y una ola de escepticismo de usuarios que persiste hoy.

Ese temor parece moldear cuán agresivamente Google entrena sus modelos. Guardianes conservadores, exploración más limitada de las capacidades del modelo, y una tendencia a priorizar la confiabilidad sobre el rendimiento de razonamiento puro pueden deprimir los puntajes en benchmarks incluso cuando el cómputo subyacente está disponible. OpenAI y Anthropic, operando fuera de un producto de búsqueda que depende de una reputación de precisión diaria, pueden permitirse diferentes intercambios. Pueden empujar más fuerte en razonamiento, dar golpes más amplios en capacidad, y aceptar tasas más altas de alucinación a cambio de un rendimiento superior en tareas evaluadas.

El lanzamiento cancelado del Gemini 3.5 Pro — inicialmente presentado por Sundar Pichai en junio y luego retirado discretamente — sugiere que la cautela puede haber ido demasiado lejos. Un modelo listo para anuncio pero retractado por razones de rendimiento es una señal inusual para una empresa que antes lideraba con lanzamientos confiantes. Fuentes internas describieron la cancelación como un momento raro de autocorrección, pero también como evidencia de que el cálculo de riesgo de Google alrededor de lanzamientos públicos se ha tighten significativamente.

El efecto dominó del talento

Una tercera consecuencia del aprieto de cómputo es más difícil de medir pero potencialmente más dañina con el tiempo. Cuando los investigadores de DeepMind saben que sus proyectos competirán por asignación contra compromisos de ingresos de Cloud, ajustan su comportamiento. Algunos se desplazan hacia trabajo aplicado con plazos comerciales más claros. Otros se van. La rotación de personal senior en DeepMind se aceleró durante 2024 y 2025, con ex empleados citando dirección estratégica poco clara e incertidumbre de recursos como factores principales.

Las salidas de talento amplifican el problema de cómputo. Los investigadores experimentados llevan conocimiento institucional sobre metodologías de entrenamiento, optimización de infraestructura y arquitectura de modelos que ninguna cantidad de hardware nuevo puede replicar. Cada partida hace al equipo restante menos eficiente, lo que significa que el cómputo que sí llega a DeepMind produce menos de lo que habría producido hace un año.

Qué viene después

El problema estructural no se resolverá por sí solo mediante ingeniería. Hasta que la dirección de Google reconcilie el modelo de ingresos de Cloud con su ambición de IA, DeepMind continuará compitiendo con menos recursos que sus rivales, sin importar cuántos centros de datos construya Alphabet. La pregunta no es si Google puede construir suficiente cómputo — puede y lo está haciendo — sino si asignará suficiente de ese cómputo a los problemas correctos en el momento correcto.

La proyección de Patel para 2027 vale la pena observar de cerca. Si OpenAI y Anthropic añaden cada uno entre cinco y diez gigavatios mientras Google añade solo una fracción de eso internamente, la brecha de cómputo se ampliará más rápido de lo que cualquier benchmark puede explicar. El puntaje de 53 puntos de Argon no es un fallo de esfuerzo. Es un reflejo de prioridad.

El directorio de Alphabet enfrenta una elección que se simplifica cuanto más se pospone. Puede ya sea aislar la asignación de cómputo de DeepMind de las presiones de ingresos de Cloud — tratando el desarrollo de modelos fundamentales como un monopolio estratégico en lugar de un centro de costos —, o puede aceptar que Google permanecerá como un jugador poderoso pero de segunda categoría en IA generativa mientras su división de Cloud se beneficia de las mismas empresas contra las que compite. No hay una tercera opción limpia. El statu quo ya es una decisión, y sus consecuencias se acumulan.