DRAM De Servidor on Korea Invest Insights

Alphabet en el segundo trimestre: Cloud +82% cierra el debate de la demanda, el FCF negativo abre el del efectivo

Thu, 23 Jul 2026 11:00:00 +0900

Contexto En ¿Quién quema todos esos tokens? escribimos que el último eslabón débil del debate del CAPEX de IA, la demanda final, empezaba a tener números, y dejamos el veredicto para la temporada de resultados de alrededor del 30 de julio. La primera hoja de calificación llegó antes de lo previsto. Alphabet presentó sus resultados del segundo trimestre de madrugada, hora de Corea, el 23 de julio. Este artículo sintetiza en uno dos notas de análisis que diseccionan el mismo informe desde ángulos distintos. Dicho por adelantado, el debate de la demanda terminó en la práctica y el escenario de la discusión se trasladó al flujo de caja y al retorno de capital.

TL;DR

Los ingresos de Cloud llegaron a 24.800 millones USD, +82% (consenso +64%), con lo que la tasa de crecimiento marcó una aceleración de cinco trimestres consecutivos: 32%, 34%, 48%, 63% y 82%. El backlog pasó de 462.000 millones USD a 514.000 millones USD, un aumento neto de 52.000 millones USD incluso mientras se reconocía más ingreso.
La calidad de la demanda importa más todavía. Los clientes de Cloud ya existentes están gastando en promedio 50% o más por encima de su compromiso inicial, y el volumen de procesamiento de la API de los modelos Gemini subió a 22.000 millones de tokens por minuto, un incremento de 37,5% en un solo trimestre. Como la oferta no alcanza, desde junio Alphabet empezó a pagarle a SpaceX unos 920 millones USD al mes por alquilar cómputo de IA. Es la primera vez que se ve a un hyperscaler convertirse en comprador neto de cómputo.
En la otra cara del mismo informe, el FCF trimestral quedó en -5.900 millones USD, la primera vez en negativo. El CAPEX de 44.900 millones USD superó al flujo de caja operativo de 39.100 millones USD, la guía de CAPEX 2026 se revisó al alza desde 180.000-190.000 millones USD hasta 195.000-205.000 millones USD, y se anticipó también un aumento considerable para 2027.
El juicio se divide en tres. La probabilidad de un precipicio de demanda de IA después de 2028 bajó todavía más. El giro a FCF positivo de Alphabet se corrió del horizonte de 2027 al tramo 2028-2029. Para la memoria se reconfirmó la fortaleza de la demanda en volumen, pero la persistencia del precio y del margen pico sigue siendo una cuestión aparte.
Mantenemos la probabilidad de los escenarios de demanda 45/35/20. Aun así, se sumó otra vía de evidencia real a favor del escenario al alza del 35%, y este informe debilitó la desaceleración temprana del CAPEX de las grandes tecnológicas, la premisa central del escenario a la baja del 20%. La próxima calificación llega con Microsoft (30 de julio, hora de Corea) y Amazon (31 de julio).

Marco clave

Cloud +82% y el primer FCF trimestral negativo son las dos caras del mismo informe. A la pregunta de si la demanda es real, Alphabet respondió con un uso que supera los compromisos contractuales y con la decisión de pagar de más por alquilar servidores ajenos. A cambio, la factura por atender esa demanda llegó antes de lo previsto. El criterio de calificación del mercado pasó de la existencia de la demanda al retorno de caja después de la depreciación, y para el inversor de memoria este informe es un refuerzo de volumen, no una garantía de margen.

1. Primero los números: qué se reportó

Concepto	2T26 real	Base de comparación	Veredicto
Ingresos totales	119.800 millones USD, +24%	Consenso de unos 116.900 millones USD	Supera
Ingresos de Google Cloud	24.800 millones USD, +82%	Consenso de 22.400 millones USD, +64%	Supera ampliamente
Beneficio operativo de Cloud	8.800 millones USD (margen 35,6%)	Año previo 2.800 millones USD (margen 20,7%)	Mejora
Ingresos de Search	63.300 millones USD, +17%	Consenso de 63.400 millones USD	En línea
Beneficio operativo total	40.800 millones USD, +30% (margen 34,0%)	El margen queda por debajo del consenso	Mixto
BPA ajustado	Unos 2,85 USD	Consenso de unos 2,89 USD	Ligeramente por debajo
Flujo de caja operativo	39.100 millones USD	CAPEX de 44.900 millones USD	Se invierte
FCF trimestral	-5.900 millones USD	Trimestre previo 10.100 millones USD	Primera vez en negativo
Backlog de Cloud	514.000 millones USD	Trimestre previo 462.000 millones USD	+52.000 millones USD
Guía de CAPEX 2026	195.000-205.000 millones USD	Anterior 180.000-190.000 millones USD	Revisada al alza

[Hecho: divulgación de Alphabet y llamada de resultados]

Los números GAAP tienen una ilusión óptica. El BPA GAAP divulgado fue de 9,11 USD y el beneficio neto de 112.100 millones USD, un aumento de 298% interanual, pero ahí dentro hay una ganancia no realizada de unos 99.000 millones USD antes de impuestos (unos 6,26 USD por acción después de impuestos) sobre participaciones no cotizadas como Anthropic y SpaceX. Si se retira esta partida ajena a la operación, el BPA real queda en aproximadamente 2,85 USD, un poco por debajo de lo que esperaba el mercado. Los ingresos y Cloud ganaron con holgura, pero la calidad del beneficio no fue tan fuerte como sugiere el número de superficie. [Hecho: recálculo sobre la divulgación]

2. El debate de la demanda: por qué consideramos que terminó en la práctica

En el artículo anterior señalamos el eslabón débil de la demanda final y citamos como primera evidencia real los 3 millones de usuarios que sumó Codex en tres días. El informe de Alphabet añadió cuatro vías más de evidencia real sobre esa base.

El uso va por delante del contrato. El volumen de procesamiento de la API de los modelos Gemini subió de 16.000 millones a 22.000 millones de tokens por minuto, un 37,5% en un solo trimestre, y los desarrolladores mensuales superaron los 9 millones. Los clientes de Cloud ya existentes gastan en promedio 50% o más por encima de su compromiso inicial, y ese exceso fue mayor que en el trimestre anterior. La velocidad de captación de nuevos clientes duplica la del año anterior, y el volumen del Marketplace es siete veces mayor. [Hecho: carta del CEO y llamada de resultados] La hipótesis de que la demanda descansa solo en contratos de largo plazo de un puñado de laboratorios de frontera no es compatible con datos donde el consumo real después de firmado el contrato supera lo comprometido.

La base de clientes se amplió. Además de la demanda de desarrollo de modelos, como el gran preentrenamiento de Gemini 4, se presentaron a la vez cinco frentes: inferencia empresarial en finanzas, farmacéutica, retail, telecomunicaciones y manufactura; cargas de trabajo de BigQuery y seguridad; servicios de consumo como AI Mode de Search y la app de Gemini; y la venta externa de sistemas TPU entregados directamente a los centros de datos de los clientes. Cerca del 90% de las empresas del Fortune 100 usan Gemini Enterprise, y ya son 500 los clientes de Cloud que procesan más de 1 billón de tokens al año, y más de 2.000 los que superan los 100.000 millones. [Hecho: carta del CEO]

La oferta todavía limita el crecimiento. El CFO insistió en que el entorno sigue siendo de restricción de oferta. Para cubrir el déficit de corto plazo, la compañía está alquilando capacidad de centros de datos de terceros a precios altos, y explicó que, para quedarse con clientes grandes, vale la pena aceptar unos seis meses de ineficiencia. En esa misma línea llegó la noticia más importante de la llamada: desde junio Alphabet firmó un contrato para alquilarle a SpaceX cómputo de IA por unos 920 millones USD al mes, unos 11.000 millones USD anualizados. [Hecho: llamada de resultados y prensa] Que la empresa que mejor calcula del mundo pague de más por alquilar servidores ajenos es una evidencia de comportamiento que choca de frente con la hipótesis de una demanda sobreestimada.

El backlog creció incluso mientras se reconocía. Los ingresos de Cloud del segundo trimestre subieron cerca de 23,8% frente al trimestre anterior, señal de que los contratos grandes se están convirtiendo en ingreso a buen ritmo, y aun así el saldo del backlog sumó otros 52.000 millones USD. El backlog actual equivale a unas 5,2 veces los ingresos anualizados de Cloud del segundo trimestre, y la compañía informó que más de la mitad se reconocerá dentro de 24 meses. [Hecho: divulgación y llamada de resultados] Como evidencia de visibilidad hasta 2027 es sólida. Sin embargo, no se divulgó la concentración por cliente ni el monto de reconocimiento año por año más allá de 2028. [Sin verificar: detalle del backlog no divulgado]

El contraargumento de la eficiencia también perdió fuerza este trimestre. El costo por respuesta de AI Mode bajó a su nivel más bajo desde el lanzamiento, y aun así los usuarios y el volumen de consultas crecieron todavía más rápido. AI Mode tiene 1.000 millones de usuarios mensuales, y la app de Gemini llega a 950 millones de MAU. La relación según la cual el aumento de uso supera la caída del costo unitario, ya vista en Codex, se confirmó también a la escala de Alphabet, en la misma dirección que el patrón de Jevons. [Inferencia: relación entre eficiencia y uso]

3. El debate de la caja: la factura llegó antes de lo previsto

En el lado opuesto de la demanda, lo que este informe confirmó fue la magnitud y la duración del gasto.

El CAPEX del segundo trimestre, 44.900 millones USD, duplicó el del año anterior y superó al flujo de caja operativo de 39.100 millones USD; la intensidad de capital trimestral (CAPEX sobre flujo de caja operativo) quedó en aproximadamente 115%. La aritmética también pesa. El CAPEX del primer semestre fue de unos 80.600 millones USD, así que para llegar al extremo superior de la guía anual de 205.000 millones USD hace falta gastar en el segundo semestre un promedio trimestral de 57.200-62.200 millones USD, es decir, 27-38% más que en el segundo trimestre. Es poco probable que el FCF se recupere de forma significativa en el segundo semestre de 2026 y en 2027. [Inferencia: aritmética propia]

También apareció una pista sobre 2027. El CFO mantuvo la previsión de un aumento considerable del CAPEX en 2027, y el consenso de mercado ronda los 257.000 millones USD. La trayectoria de 205.000 a 257.000 millones USD implica una tasa de crecimiento de aproximadamente +25%. Eso está sobre una senda de desaceleración que va de un +76% este año a un +25% el próximo, todavía no sobre un escenario de reaceleración hacia los 300.000 millones USD. [Hecho: llamada de resultados y consenso] Esta distinción importa. Si es una senda de desaceleración, el esqueleto de la lógica de giro a FCF sigue en pie; si es reaceleración, el esqueleto mismo se derrumba.

Calcular una sensibilidad para 2028 deja más nítido el criterio de juicio. El punto de partida es el flujo de caja operativo acumulado de los últimos 12 meses, 185.700 millones USD.

Supuesto de CAPEX 2028	OCF necesario para FCF cero	Crecimiento anual compuesto necesario	OCF necesario para FCF de 50.000 millones USD	Crecimiento necesario
200.000 millones USD	200.000 millones USD	~3,8%	250.000 millones USD	~16,0%
230.000 millones USD	230.000 millones USD	~11,3%	280.000 millones USD	~22,8%
250.000 millones USD	250.000 millones USD	~16,0%	300.000 millones USD	~27,1%

[Inferencia: sensibilidad propia, no es guía de la compañía]

Si el CAPEX se estabiliza en torno a 200.000 millones USD en 2028, la recuperación del FCF no es difícil. Si sigue subiendo hacia 230.000-250.000 millones USD, el flujo de caja operativo combinado de Cloud y Search tendría que crecer más de 20% anual para volver al nivel histórico de FCF. No es un número imposible si Cloud sostiene por un tiempo el +82% y el margen de 35,6%, pero la depreciación, la energía, el alquiler externo y una mezcla de ventas de hardware TPU de menor margen empujan en sentido contrario.

El giro en el régimen de asignación de capital también se formalizó este trimestre. Con 242.500 millones USD en efectivo y valores negociables y 185.700 millones USD de flujo de caja operativo de los últimos 12 meses, la capacidad de pago de Alphabet no es en sí un tema de debate. Pero en el segundo trimestre la compañía captó unos 30.500 millones USD en acciones ordinarias, unos 19.100 millones USD en acciones preferentes convertibles y unos 21.100 millones USD en deuda neta, y no hubo recompras de acciones. La deuda pasó de unos 16.000 millones USD a unos 100.000 millones USD en 12 meses. [Hecho: divulgación] Una compañía que antes cubría con su flujo de caja operativo tanto el CAPEX como las recompras se transformó en una que detiene las recompras y moviliza deuda y capital accionario para financiar el CAPEX. No es una señal de riesgo de liquidez sino de que cambió el régimen de asignación de capital, y que el peso del financiamiento recaiga más sobre los accionistas que sobre el mercado de deuda es, desde la óptica crediticia, un consuelo.

4. Calificación de tres preguntas

Si calificamos tres preguntas frente a este informe, el resultado es el siguiente.

¿Se sostiene la demanda de IA después de 2028? La probabilidad de un precipicio bajó todavía más. La demanda se está difundiendo del entrenamiento hacia la inferencia, los datos, la seguridad y el trabajo empresarial; el consumo real supera lo comprometido; el aumento de uso es más rápido que la mejora de eficiencia; la mayor parte de los ingresos por venta externa de TPU se reconocerá en 2027; y la oferta es tan escasa que hace falta seguir aumentando mucho el CAPEX incluso en 2027. Es más preciso ver 2028 no como el momento en que termina la demanda, sino como el momento en que la nueva capacidad de oferta entra en pleno funcionamiento y sube al banco de pruebas.

¿El FCF de Alphabet da un giro? Es posible, pero el momento se corrió hacia atrás. El cruce del FCF trimestral a negativo llegó antes de lo previsto originalmente (inicios de 2027), y aun proyectando de forma optimista un flujo de caja operativo 2027 de 230.000-240.000 millones USD, con un CAPEX de 257.000 millones USD el FCF anual queda en cero o menos. El regreso a positivo se ubica en 2028, y solo si la tasa de crecimiento del CAPEX 2028 baja a un dígito. Una reaceleración fuerte del FCF es un escenario condicional para el tramo 2028-2029.

¿Se traduce en compras sostenidas de memoria? Fuerte señal positiva en volumen, neutral en precio y margen. Lo desglosamos en la siguiente sección.

5. Traducción a la memoria: refuerzo de volumen, no garantía de margen

Del CAPEX de infraestructura técnica del segundo trimestre, aproximadamente 60% fue a servidores y 40% a centros de datos y red. La inversión en servidores incluye a la vez TPU, GPU, CPU, HBM, DRAM de servidor, SSD y semiconductores de red. [Hecho: llamada de resultados]

Los factores que sostienen la demanda de HBM son claros: la nueva generación de TPU y la adopción de NVIDIA Vera Rubin, el gran preentrenamiento de Gemini 4, el aumento del volumen de inferencia empresarial, la arquitectura de red de próxima generación que conecta 1 millón de aceleradores, y la venta externa de sistemas TPU que se reconocerá de lleno a partir de 2027. Importa que, aunque el TPU propio sustituya en parte a la GPU de NVIDIA, la demanda de HBM no desaparece, solo se traslada el canal de compra de la cadena de suministro de GPU a la de sistemas TPU. Si a esto se suma el alquiler de cómputo de terceros, el canal de demanda de HBM y DRAM de servidor se amplió a tres vías: centro de datos propio, venta externa de TPU y cómputo alquilado. [Inferencia: descomposición de canales de demanda]

El argumento a favor de la DRAM de servidor y el eSSD también se reforzó con este informe. Los agentes de IA no usan solo aceleradores, también corren preprocesamiento, gestión de estado, seguridad y orquestación en servidores CPU. Alphabet destacó a la vez el CPU Axion y el aumento de las cargas de trabajo de datos y seguridad. La cifra de 500 clientes de Cloud que procesan más de 1 billón de tokens al año muestra que la demanda de almacenamiento, que se extiende a logs, checkpoints, índices de búsqueda y bases de datos vectoriales, no se limita al entrenamiento. [Hecho: carta del CEO] El trasfondo de demanda detrás del reagravamiento de la DRAM de servidor visto en el artículo anterior (previsión de +13-18% en el precio de contrato del 3T, plazos de entrega de 40 semanas) quedó reconfirmado con los resultados de una gran tecnológica.

Aun así, no hay que subir la estimación de beneficio 2028 de las memoreras solo con base en este informe. Igual que se dispara la compra de equipos, la capacidad de oferta de memoria también crecerá en 2027-2029. La expansión de los chips propios reduce el poder de fijación de precios de NVIDIA a nivel de sistema, el costo de inferencia por respuesta cae con rapidez, y si Alphabet empieza a ajustar la eficiencia del CAPEX, la presión a la baja sobre el precio de los componentes bajará por la cadena de suministro. El precio alto de HBM4 y de la próxima generación de HBM incorpora una prima de escasez inicial de generación y de rendimiento de producción, así que no es un valor permanente. En conjunto, queda así.

Concepto	Juicio antes del informe	Juicio después del informe
Demanda de bits de aceleradores de IA y HBM	Alta	Muy alta
Demanda de DRAM de servidor y eSSD	Media-alta	Alta
Empaquetado avanzado y red	Alta	Muy alta
Precipicio de demanda en 2028	Poco probable	Aún menos probable
Persistencia del ASP de memoria	Incierta	Incierta
Persistencia del margen pico de memoria	Baja	Baja
Recuperación temprana del FCF de las grandes tecnológicas	Media	Más baja
Retorno de capital incremental del CAPEX	No demostrado	Parcialmente demostrado, verificación en curso

[Inferencia: juicio de síntesis]

El riesgo para los semiconductores en 2028 no es la cancelación de pedidos, sino la normalización del ASP y del margen. Esto es coherente con los escenarios de demanda 45/35/20. Este informe sumó una evidencia real más al argumento del 35% al alza, y debilitó la desaceleración temprana del CAPEX de las grandes tecnológicas, la premisa del 20% a la baja. La probabilidad en sí se actualizará después de confirmar también con Microsoft y Amazon. Desde la óptica de Samsung Electronics y SK Hynix, es un informe que mejora el trasfondo de demanda de cara a la negociación de precios de HBM para 2027 que arrancará en el cuarto trimestre.

6. La reacción de la acción y la diferencia de juicio entre las dos notas

La reacción del mercado resume el carácter de esta fase. Nada más difundirse el informe, la acción abrió en el fuera de horario con una caída de alrededor de 2%, llegó a recuperarse hasta terreno levemente positivo, y volvió a caer cuando en la llamada se conoció el alza del CAPEX, con lo que la caída se amplió hasta un rango de 3-5%. A la mañana del 23 de julio, hora de Corea, la acción cotizaba en torno a 342 USD, cerca de 1,5% por debajo del cierre del día anterior, de unos 347 USD. [Hecho: datos de cotización] Se repitió por quinta vez la regla de 2026 según la cual, en un mercado donde superar el consenso ya es el escenario base, lo que decide la reacción es el CAPEX. Leído al revés, que la caída se quedara en este rango frente a un crecimiento de +82% es también una señal de que, mientras el crecimiento se demuestre, el mercado sigue digiriendo el gasto.

Las dos notas que sirvieron de material para esta síntesis llegaron a conclusiones distintas a partir de los mismos hechos. Una optó por la espera con el criterio de la prueba estructural. La expresión exacta no es que el retorno de capital ya esté demostrado, sino que es lo más probable que llegue a demostrarse, y ante el FCF negativo, el financiamiento de capital y el aviso de un aumento en 2027, dejó en suspenso el cálculo de un precio objetivo. La otra mantuvo una recomendación de compra en función del precio de entrada. Sobre la premisa de un precio ya ajustado 15% desde el máximo, propuso un objetivo a 12 meses de 430 USD aplicando un múltiplo de 28-29 veces a un BPA 2027E sin plusvalías de unos 15 USD, con la condición de retirarlo si el CAPEX 2027 se cuantifica cerca de 300.000 millones USD. [Hecho: conclusiones de las dos notas]

La diferencia entre los dos juicios no está en el reconocimiento de los hechos, sino en el horizonte y el criterio. La óptica estructural le carga a la empresa la responsabilidad de probar, hasta que el retorno de caja después de la depreciación se confirme en números; la óptica de precio calcula cuánto de ese riesgo ya está incorporado en una cotización ya ajustada. Siguiendo el principio de este blog, no recomendamos una dirección concreta y presentamos ambos marcos en paralelo, pero el denominador común es claro. Sea cual sea el marco, la siguiente variable de juicio ya no es la demanda, sino la caja.

7. Tarjeta de puntuación: las próximas dos semanas deciden

Repasamos qué casillas llenó este informe y cuáles quedaron recién abiertas.

La parte de Alphabet en los comentarios de CAPEX de las grandes tecnológicas quedó confirmada al alza. Lo que falta es la primera guía de FY27 de Microsoft (llamada de madrugada del 30 de julio, hora de Corea) y la tasa de crecimiento de AWS de Amazon (madrugada del 31 de julio). Si Alphabet cerró el debate de la demanda, estas dos empresas van a decidir el debate del margen y del FCF.
El indicador de confirmación al alza es si la tasa de crecimiento de Cloud se mantiene por encima de 50% durante los próximos 2-4 trimestres y si el margen aguanta por encima de 30%. Si, una vez aliviada la restricción de oferta, la tasa de crecimiento cae por debajo de 30%, habrá que recalcular la posibilidad de una demanda sobreestimada.
Vigilamos si el backlog sigue sumando de forma neta incluso después del reconocimiento de ingresos. Una combinación de backlog en descenso, o de que solo aumente la extensión del plazo de los contratos, es señal de deterioro en la calidad contractual.
El trimestre en que la tasa de crecimiento del flujo de caja operativo a 12 meses supere la tasa de crecimiento del CAPEX será el punto de partida del giro del FCF. En sentido contrario, si el CAPEX 2028 supera los 250.000 millones USD y el flujo de caja operativo no lo alcanza, lo calificaremos como un daño estructural al FCF.
Los ítems de verificación del lado de la eficiencia de capital son si continúan nuevas rondas grandes de captación de acciones o deuda, si el alquiler externo de tipo SpaceX se reduce en 2027-2028, y si la venta externa de TPU se traduce en consumo recurrente de Cloud.
El factor decisivo del lado de la memoria no cambia. Es el precio de contrato del DRAM, y su confirmación para el tercer trimestre en las llamadas de resultados de Samsung Electronics y SK Hynix de alrededor del 30 de julio.

Las acciones mencionadas en el texto son ejemplos para el análisis y no constituyen una recomendación de compra o venta de ningún valor en particular. La decisión de inversión y la responsabilidad por sus resultados recaen en cada inversor. Alphabet no presentó guía de CAPEX ni de ingresos de Cloud para 2028, no se divulgó la concentración por cliente del backlog de 514.000 millones USD ni el monto de reconocimiento año por año ni las condiciones de cancelación, y tampoco están sujetos a divulgación el volumen de compra de HBM, DRAM y NAND ni su reparto por proveedor. La sensibilidad de FCF 2028 y la aritmética de CAPEX del segundo semestre son estimaciones propias que toman como punto de partida la divulgación actual, no una previsión de la compañía. La magnitud antes de impuestos de la ganancia no realizada sobre participaciones no cotizadas y su efecto después de impuestos por acción son un recálculo hecho sobre la divulgación y pueden tener diferencias de redondeo. El precio objetivo de 430 USD es el cálculo de una de las notas que se sintetizaron, no un precio objetivo de este blog. Los precios y las cotizaciones corresponden a la mañana del 23 de julio de 2026, hora de Corea.

Publicaciones relacionadas

¿Quién quema todos esos tokens? El mapa de clientes de NVIDIA, la IA soberana y los 9 millones de Codex empiezan a responder

Sun, 19 Jul 2026 19:00:00 +0900

Contexto En ¿Superará la demanda de memoria para IA las expectativas? pusimos en probabilidad la demanda en escenario base 45%, al alza 35% y a la baja 20%, y en Dos meses de declaraciones del presidente de SK Hynix, Chey Tae-won leímos la voz y la mano de la cúpula de la oferta. El eslabón débil que queda es la demanda final. Con tanta GPU y tanto HBM desplegándose, ¿quién quema todos esos tokens? Este artículo registra la semana en que esa pregunta empezó a tener números.

TL;DR

En los ingresos de centro de datos de NVIDIA, la proporción de hyperscale lleva siete trimestres seguidos rondando el 50%. La proporción no se ha derrumbado todavía. Lo que cambió es la composición. En el trimestre de febrero-abril de 2026, los ingresos no-hyperscale (ACIE) de 37.000 millones USD alcanzaron una paridad de facto con los 38.000 millones USD de hyperscale, y la tasa de crecimiento trimestral ya se invirtió, 31% frente a 12%. En la próxima divulgación, la proporción misma podría voltearse por primera vez.
En el mismo período, la tasa de crecimiento interanual de los ingresos de centro de datos se reaceleró de +56% a +66%, +75% y +92%. Que la proporción se mantenga mientras el conjunto vuelve a acelerar significa que el crecimiento incremental lo está impulsando lo que queda fuera de hyperscale. La propia NVIDIA escribió en su divulgación que el crecimiento lo lideró el resto de los clientes.
Los ingresos de IA soberana superaron los 30.000 millones USD en todo el año fiscal 2026, más que triplicando el año anterior, y en el trimestre más reciente también crecieron más de 80% interanual. Es el comprador que se le escapó a un mercado que solo miraba la boca de los hyperscalers.
El equipo de semiconductores de Meritz Securities señaló en su informe dominical que la compra soberana se está intensificando y que la escasez de DRAM de servidor volvió a agravarse desde mediados de julio. La previsión de TrendForce de +13-18% intertrimestral en el precio de contrato de DRAM de servidor para el tercer trimestre, el testimonio de la taiwanesa Inventec sobre plazos de más de 40 semanas, y la declaración de Micron de que solo cubre 50-66% de la demanda de sus clientes clave lo confirman de forma cruzada desde fuera.
También aparecieron números del lado de la demanda final. Codex de OpenAI pasó de 1 millón en febrero a 5 millones a finales de mayo, y de 6 millones el 12 de julio, justo tras el lanzamiento de GPT-5.6, a 9 millones alrededor del 15 de julio, sumando 3 millones de usuarios en tres días. Es el tramo en que la unidad de la demanda pasa de número de suscriptores a horas de ejecución de agentes.
La conclusión no es subir las probabilidades de forma apresurada. Es que, antes de discutir el exceso de oferta, llegó el momento de reverificar si dibujamos la demanda con demasiada modestia, y que ese veredicto lo dictarán la temporada de resultados de alrededor del 30 de julio y la divulgación de NVIDIA de finales de agosto.

Marco clave

El mercado ha dudado de la sostenibilidad del CAPEX de IA mirando solo la boca de cuatro grandes tecnológicas. Mientras tanto, en los libros de NVIDIA los ingresos no-hyperscale alcanzaron la paridad con los hyperscale, los ingresos soberanos se triplicaron en un año, y Codex sumó 3 millones de usuarios en tres días. Mientras el precio de la acción reflejaba primero el miedo al exceso de oferta, la base de la demanda acumulaba evidencia en la dirección contraria. Esta asimetría es la esencia de esta fase de corrección.

1. Qué tipo de semana fue: entre el límite a la baja y los informes

Primero, confirmamos el escenario. El jueves 16 de julio, en el mercado estadounidense, el índice de semiconductores de Filadelfia (SOX) se desplomó cerca de -4% y entró en territorio de mercado bajista, más de 20% por debajo de su máximo, mientras el Nasdaq cayó -1,47%. El viernes 17, el Nasdaq bajó otro -1,40%, con lo que la caída semanal llegó a -2,90%. [Hecho: datos de mercado] Ese mismo día, en Tokio, Kioxia se hundió en el límite a la baja nada más abrir y cayó -16,1%. La acción quedó a la mitad de su máximo del 22 de junio y se esfumaron cerca de 30 billones JPY de capitalización bursátil. El disparador directo fue el veredicto de un jurado estadounidense que reconoció una indemnización de patentes a Viasat de unos 229 millones USD, pero la esencia era el desapalancamiento de todo el rally de IA, como mostró la caída conjunta en la misma sesión de TSMC -7,29%, el ADR de SK Hynix -13,69% y SanDisk -12,63%. [Hecho: informes de Nikkei y Korea Economic Daily]

El mercado coreano esquivó ese viernes. El 17 de julio fue día festivo por el Día de la Constitución, redesignado como feriado por primera vez en 18 años. Pero justo antes ya había sufrido caídas fuertes: el 13 de julio, SK Hynix -15,37% y Samsung Electronics -10,70%; el 16 de julio, SK Hynix -12,34% y Samsung Electronics -9,47%. [Hecho: datos de la bolsa] El relato que el mercado está incorporando al precio es claro. Que la oferta aumenta, que China se acerca, que el beneficio de 2027 se está revisando a la baja, y que no se sabe cuándo va a quebrar el CAPEX de las grandes tecnológicas.

En esta fase, el domingo salieron a la vez los informes de los analistas Kim Sun-woo, Yang Seung-su y Kim Dong-kwan, del equipo de semiconductores de Meritz Securities. El momento de publicación reacciona de frente a la caída del viernes y al episodio de Kioxia. El argumento va en dirección contraria. Que la demanda de memoria actual no viene solo de los hyperscalers, que la compra del bloque soberano, incluido Oriente Medio, se está intensificando, y que desde mediados de julio la escasez de DRAM de servidor vuelve a agravarse. Es una refutación a la mirada que da por hecho el alivio del shortage en 2028 sin incorporar esta demanda al cálculo. [Hecho: síntesis del informe de Meritz Securities, 19-07-2026]

En lugar de dejarlo en una discusión verbal, dividimos este argumento en tres piezas verificables y las contrastamos una por una con evidencia real: la composición de clientes de NVIDIA, la compra soberana, y el uso final.

2. El mapa de clientes de NVIDIA: la proporción se queda en 50%, el crecimiento viene de fuera

Empezamos por verificar con precisión la premisa de que la proporción de los hyperscalers se está reduciendo. Si ordenamos en serie temporal el texto que NVIDIA divulga cada trimestre, esto es lo que se ve.

Trimestre fiscal	Período	Ingresos DC	Interanual	Proporción de grandes CSP y hyperscale (texto de la divulgación)
FY25 T3	ago-oct 2024	30.770 millones USD	+112%	~50%
FY25 T4	nov 2024-ene 2025	35.580 millones USD	+93%	~50%
FY26 T1	feb-abr 2025	39.110 millones USD	+73%	justo por debajo del 50%
FY26 T2	may-jul 2025	41.100 millones USD	+56%	~50%
FY26 T3	ago-oct 2025	51.220 millones USD	+66%	no divulgado
FY26 T4	nov 2025-ene 2026	62.310 millones USD	+75%	ligeramente por encima del 50%, crecimiento liderado por el resto de clientes
FY27 T1	feb-abr 2026	75.200 millones USD	+92%	hyperscale 38.000 millones USD (~50%) frente a ACIE 37.000 millones USD

[Hecho: comentario del CFO de NVIDIA y llamada de resultados]

Se ven dos cosas a la vez. Primero, la cifra de proporción en sí no se ha salido de la banda del 50% en siete trimestres seguidos. El relato de que los hyperscalers ya quedaron desplazados no es evidencia real. Segundo, aun así, la dirección de la composición cambió con claridad. La divulgación del FY26 T4 dejó explícito que el crecimiento lo lideró el resto de los clientes y que los ingresos se diversificaron, y desde el FY27 T1 NVIDIA empezó a divulgar el centro de datos separando hyperscale de ACIE (nube de IA, industria, empresa). En ese primer trimestre, ACIE llegó a 37.000 millones USD, casi a la par de los 38.000 millones USD de hyperscale, y la tasa de crecimiento trimestral se invirtió a ACIE +31% frente a hyperscale +12%. Los ingresos de nube de IA dentro de ACIE superaron el triple interanual. El CEO Jensen Huang remarcó en la llamada que, a largo plazo, la segunda categoría crecerá más rápido. [Hecho: llamada de resultados]

Si superponemos aquí la reaceleración de la tasa de crecimiento, el cuadro queda completo. La tasa de crecimiento interanual de los ingresos de centro de datos tocó un mínimo de +56% en el FY26 T2 y volvió a subir a +66%, +75% y +92%. Que la proporción se mantenga mientras el crecimiento total se acelera significa, aritméticamente, que más de la mitad del incremento lo está generando lo que queda fuera de hyperscale. [Inferencia: aritmética de la divulgación] Si esta tendencia continúa un trimestre más, la divulgación del FY27 T2 de finales de agosto marcará la primera vez que ACIE supere a hyperscale. A partir de ese momento, el propio marco de juzgar la sostenibilidad de la demanda de IA mirando solo la guía de CAPEX de cuatro grandes tecnológicas quedará obsoleto.

Conviene aclarar una posible confusión. La concentración de clientes directos del 10-Q (Cliente A 22%, Cliente B 14%) en realidad aumentó, pero ese es un indicador de la etapa de distribución que agrupa a socios de placas, OEM y grandes compras directas, una capa distinta de la diversificación del usuario final. [Hecho: 10-K] Que la distribución se concentre y que la demanda final se amplíe son dos fenómenos que se cumplen a la vez.

3. IA soberana: el comprador que se le escapó al mercado que solo miraba la boca

El bloque más grande de la demanda no-hyperscale es el soberano. El CFO de NVIDIA informó que los ingresos de IA soberana del FY2026 superaron los 30.000 millones USD, más del triple del año anterior. Lo lideraron Canadá, Francia, Países Bajos, Singapur y el Reino Unido, y en el FY27 T1 los ingresos soberanos también crecieron más de 80% interanual; la infraestructura de NVIDIA ya está desplegada en cerca de 40 países que suman 50 billones USD de PIB. [Hecho: llamada de resultados de NVIDIA]

También hay sustancia física detrás. La saudí HUMAIN confirmó un plan para desplegar hasta 600.000 GPU de NVIDIA a lo largo de 3 años y ya recibió el primer lote de 18.000 GB300. En los Emiratos, Stargate UAE está construyendo la fase 1 de 200MW de un clúster de 1GW con meta de puesta en marcha en el tercer trimestre de este año; solo esa fase 1 incorporará hasta 35.000 GB300, y el operador G42 recibió la aprobación de exportación de Estados Unidos a mediados de julio. La UE avanza en su programa de gigafábricas de IA de 20.000 millones EUR, India apunta a 100.000 GPU públicas para fin de año, y SoftBank de Japón tiene como meta la comercialización de su nube soberana de GPU en octubre. [Hecho: anuncios de cada empresa y cada país]

¿Cómo se conecta esto con la memoria? Ya hay dos vías públicas. El programa global Stargate de OpenAI firmó en octubre de 2025 con Samsung Electronics y SK Hynix una carta de intención (LOI) por hasta 900.000 obleas de DRAM al mes, un volumen equivalente a cerca del 40% de la capacidad global de DRAM. Queda claro el límite de que se trata de una carta de intención no vinculante. [Hecho: prensa, LOI] Y SK Hynix formalizó en junio de este año una asociación plurianual de HBM4 con NVIDIA que atraviesa la próxima generación Vera Rubin. [Hecho: anuncio de NVIDIA] Del lado de los fondos soberanos, ha habido informes continuos de cooperación entre el capital emiratí, como Mubadala, MGX, G42 y Khazna, y el bando de SK Hynix.

También hay un vacío que hay que dejar consignado con honestidad. En junio y julio no se confirma ninguna divulgación nueva de que una entidad soberana haya comprado DRAM directamente y en volumen a Samsung Electronics o SK Hynix. [Sin verificar: contrato directo no divulgado] La demanda de memoria soberana entra a través de OEM de servidores e integradores de sistemas, así que en las divulgaciones de clientes de las memoreras queda mezclada con la de los hyperscalers. [Inferencia: estructura de distribución] No ver algo no es lo mismo que no exista. No hay escenario en el que se confirmen 600.000 GPU sin que se les sume memoria, así que el problema no es si existe, sino la visibilidad de la divulgación en cuanto a escala y momento.

4. La escasez de DRAM de servidor se agrava: el argumento de Meritz y la evidencia externa

El reagravamiento de la escasez de DRAM de servidor desde mediados de julio que señaló el equipo de Meritz no es un argumento exclusivo de esa casa de bolsa. Cuatro piezas de evidencia externa apuntan en la misma dirección.

Evidencia	Contenido	Fuente y fecha
Previsión de precio de contrato	Previsión de +13-18% intertrimestral en el precio de contrato de DRAM de servidor del 3T. Como no se puede subir a los CSP estadounidenses atados a contratos de largo plazo (LTA), el alza se concentra en los clientes no-LTA	TrendForce, 9/7
Tasa de crecimiento de la oferta	La oferta de bits de RDIMM crece 15-20% anual, por debajo del crecimiento de envíos de CPU. Acumulación de inventario anticipado por los CSP que prevén escasez en 2027. Los módulos se mueven a la baja de 96/128GB hacia 32/64GB	TrendForce, 9/7
Plazos de entrega	Los plazos de DRAM de servidor superan las 40 semanas, los precios suben cerca de +90% frente a finales de 2025, y la validez de las cotizaciones se acorta a 1-30 días	Declaraciones de Inventec, 16/7
Testimonio de proveedor	Solo puede cubrir 50-66% de la demanda de sus clientes clave, el HBM está agotado hasta el cupo de 2027, y la escasez de oferta continuará más allá de 2027	Llamada de resultados de Micron, julio

[Hecho: cada fuente]

El nivel absoluto de los precios también está emitiendo señales anómalas. El precio fijo de contrato del DRAM de PC de uso general (DDR4 8Gb) marcó en junio un récord de 21 USD desde que se lleva el registro, y el precio spot supera al precio fijo en 72%. También circuló la noticia de que Samsung Electronics notificó a sus clientes chinos que subiría hasta 20% el precio del DRAM en el tercer trimestre. [Hecho: prensa del sector] La combinación de un precio de contrato al alza con una prima spot que supera 70% significa que, fuera del canal de contrato, existe de verdad una demanda dispuesta a pagar sobreprecio con tal de asegurar volumen urgente. Quien paga el precio caro no es el hyperscaler atado al LTA, sino lo que queda fuera de eso: el soberano, la empresa y la nube de segundo nivel. La frase de TrendForce de que el alza se concentra en los clientes no-LTA y la frase de Meritz de que la compra soberana se intensifica son dos expresiones del mismo fenómeno. [Inferencia: interpretación cruzada]

El analista Kim Sun-woo va un paso más allá. Su previsión es que el mercado está atrapado en un marco estrecho de contratos de largo plazo sacrificados y de rebaja de resultados de 2027, y que ese malentendido se disipará con rapidez a medida que se sucedan eventos como la ejecución anticipada de retorno al accionista y asociaciones que incluyan inversión de participación por parte de grandes tecnológicas. [Hecho: argumento del informe] Esto no es un hecho verificado sino una previsión de la casa de bolsa, así que el criterio de calificación es si se confirma como evento real durante la temporada de resultados de esta semana. Aun así, la dirección es coherente con los fondos de la salida a bolsa en el Nasdaq y los movimientos de asociación del presidente de SK Hynix, Chey Tae-won, que vimos en el artículo anterior, y con el contrato plurianual entre SK Hynix y NVIDIA.

5. Codex y sus 9 millones: empiezan a aparecer los números de la demanda final

En el debate sobre el CAPEX de IA, el punto más atacado no fue la infraestructura sino su extremo final. Que los centros de datos se están construyendo pero la evidencia de que el uso final crece en la misma medida es débil. En este eslabón débil empezaron a aparecer números llamativos.

Momento	Número de usuarios	Nota
Febrero de 2026	1 millón	Usuarios activos exclusivos de Codex
8 de abril	3 millones	Activos semanales, con anuncio de reinicio del límite de uso cada millón adicional
21 de abril	4 millones	1 millón más en dos semanas
Finales de mayo-inicios de junio	Supera los 5 millones	6 veces el nivel de febrero
9 de julio	Lanzamiento oficial de GPT-5.6	Los tres modelos Sol, Terra y Luna; Codex se integra con el escritorio de ChatGPT
12 de julio	6 millones	Desde aquí el indicador combina Codex y ChatGPT Work
Alrededor del 15 de julio	9 millones	Aumento de 3 millones en tres días

[Hecho: declaraciones públicas de directivos de OpenAI y prensa]

Para ser justos hay que hacer dos advertencias. La cifra posterior al 9 de julio ya no es Codex en solitario sino un indicador que suma ChatGPT Work, así que la comparación estricta y continua con el tramo anterior es difícil. Y una extrapolación externa que simplemente prolonga el ritmo de crecimiento de finales de mayo calculaba que se llegaría a 10 millones en octubre, pero en la realidad ya se llegó a 9 millones a mediados de julio. Se deja constancia de que esta línea de extrapolación no es una proyección oficial de OpenAI. [Hecho: verificación de la fuente de la extrapolación] Aun teniendo en cuenta el cambio de definición del indicador, queda el hecho de que se midió en la realidad una aceleración que adelanta la línea esperada en unos tres meses, durante los tres días inmediatamente posteriores al lanzamiento de GPT-5.6.

Codex importa no por el tamaño del número sino por la naturaleza de la demanda. Es un producto que convierte horas de trabajo humano en horas de inferencia. El agente puede trabajar más tiempo sin que la persona esté conectada más tiempo, y si una sola persona corre varias tareas en paralelo, el volumen de trabajo crece más rápido que el número de usuarios. A partir de este tramo, la unidad de la demanda ya no es el usuario activo mensual sino el total de horas de ejecución de agentes. Es exactamente la misma estructura que, en el artículo anterior, reescribió el techo del modelo de demanda de memoria para IA como número de cargas de trabajo por memoria por carga de trabajo por frecuencia de ejecución.

El debate sobre eficiencia también se invierte aquí. La propia OpenAI informó que GPT-5.6 Sol mejoró la eficiencia de tokens en 54% frente a la generación anterior. Que los usuarios y el uso se dispararan justo después de la salida de un modelo cuyo costo por token baja es un caso real que confirma la hipótesis de Jevons en el terreno de los agentes de código: la mejora de eficiencia no reduce la demanda de cómputo, sino que amplía el rango de tareas que se le pueden delegar a la IA. [Inferencia: efecto Jevons] Lo que hay que mirar no es la tasa de caída del precio del token, sino el volumen de trabajo que esa caída de precio acaba de abrir.

6. Entonces, ¿cómo se traduce esto a la memoria?

También hace falta moderación. Un solo número, los 9 millones de Codex, no puede explicar el ciclo de memoria. Para que el número de usuarios se traduzca en demanda de bits de memoria, tiene que pasar por cuatro coeficientes de conversión: el volumen de ejecución simultánea, la longitud de contexto, la memoria instalada por acelerador, y la tasa de crecimiento de la oferta. [Inferencia: modelo de demanda] Si cualquiera de estos es débil, el indicador de titular y la demanda real se separan.

Sin embargo, si contrastamos las variables al alza que el artículo anterior de escenarios de demanda planteó como argumento del 35% de sobrecrecimiento con la evidencia de esta semana, se ve un alineamiento.

La ampliación de la base de demanda de aceleradores obtuvo evidencia real con la inversión de la tasa de crecimiento de ACIE y la triplicación de los ingresos soberanos.
La inferencia continua de agentes obtuvo su primer número con los 3 millones de Codex en tres días y el cambio de unidad del indicador.
La difusión más allá del HBM ya apareció en los precios, con la previsión de +13-18% intertrimestral en el precio de contrato de DRAM de servidor, los plazos de 40 semanas y la prima spot de 72%.
La hipótesis de que el uso vence a la eficiencia obtuvo una evidencia contraintuitiva: el uso se disparó justo después de una mejora de 54% en la eficiencia de tokens.

La implicación para el relato de alivio de oferta en 2028 también se bifurca aquí. La fórmula de la tesis de alivio, en general, toma la desaceleración del crecimiento del CAPEX de los hyperscalers como techo de la tasa de crecimiento de la demanda. Pero si la mitad de la demanda incremental empezó a venir de fuera de ese grupo, hay que recalcular el propio supuesto de techo. Es exactamente ahí donde apunta la refutación de Meritz. No cambiamos las probabilidades de inmediato. Mantenemos el esqueleto de base 45%, al alza 35% y a la baja 20%, pero dejamos consignado que el argumento al alza empezó a recibir evidencia real por tres vías. La actualización de probabilidad se hará cuando se complete el cuadro de verificación de abajo. [Inferencia: gestión de escenarios]

7. Revisión de contraargumentos

Cuanto más sólido parece un argumento, más vale plantar enfrente su contraparte.

La calidad de la demanda no-hyperscale. ACIE incluye a las neocloud. Los pedidos de nubes de segundo nivel con costo de capital frágil son la demanda que primero se cancela cuando se aprietan las tasas de interés y las condiciones de financiamiento. Que se invierta la tasa de crecimiento no garantiza la durabilidad de la demanda.
La volatilidad política de lo soberano. Los proyectos nacionales se tambalean con elecciones, presupuestos y controles de exportación. La convocatoria de las gigafábricas de la UE ya se pospuso dos veces, y el volumen de Oriente Medio depende de un solo interruptor: la aprobación de exportación de Estados Unidos.
La trampa del indicador. Los 9 millones de Codex son un número justo después del cambio de definición hacia el indicador combinado, y ni siquiera se divulgó el criterio de qué cuenta como activo. La dirección del crecimiento es evidencia real, pero la magnitud todavía no está separada del marketing.
La autodestrucción del alza de precios. El reagravamiento del DRAM de servidor es un argumento alcista, pero a la vez, como se vio en el caso de IBM, es un riesgo que erosiona el presupuesto de TI y crea un vacío de demanda después de la compra anticipada. El propio presidente Chey advirtió sobre la destrucción de demanda por precios excesivos.
La distinción entre previsión y evidencia real. Las previsiones de eventos de Meritz (ejecución anticipada de retorno al accionista, asociaciones de participación con grandes tecnológicas) siguen siendo previsiones. Si no se cumplen, la mirada estrecha habrá tenido razón.

8. Cuadro de verificación: qué va a confirmar la respuesta

Si en las llamadas de resultados de Samsung Electronics y SK Hynix de alrededor del 30 de julio, el alza del precio de contrato del 3T confirma el rango de +13-18% de TrendForce, y si aparecen menciones a los clientes no-LTA y al volumen soberano.
Si la ejecución anticipada de retorno al accionista y las asociaciones de tipo inversión de participación de SK Hynix se materializan en divulgaciones reales. Es el ítem de calificación directa de la previsión de Meritz.
Si en la divulgación del FY27 T2 de NVIDIA de finales de agosto, ACIE supera a hyperscale por primera vez. Si lo hace, la ampliación de la base de demanda deja de ser relato y se convierte en cifra divulgada.
Si un contrato directo de memoria de origen soberano, o un pedido grande a través de un OEM de servidores, llega a nivel de divulgación. El primer candidato es si la carta de intención de Stargate se convierte en contrato vinculante.
Si los indicadores de uso de Codex y de los agentes competidores empiezan a divulgarse en función de horas de ejecución, junto con la superación de los 10 millones.

El criterio decisivo no cambia. Si el precio de contrato del DRAM se quiebra, el mercado desestimará todo este relato de demanda; si se sostiene, se volverá a dibujar la curva de demanda que se había trazado con demasiada modestia.

Las acciones mencionadas en el texto son ejemplos para el análisis y no constituyen una recomendación de compra o venta de ningún valor en particular. La decisión de inversión y la responsabilidad por sus resultados recaen en cada inversor. El informe de Meritz Securities se cita reconstruyendo su idea central, y la responsabilidad por las cifras detalladas y las previsiones del texto original corresponde a esa casa de bolsa. El número de usuarios de Codex cambió de definición después del 9 de julio hacia un indicador combinado con ChatGPT Work, lo que dificulta una comparación estricta con el tramo anterior, y la línea de extrapolación que calcula 10 millones en octubre no es una proyección oficial de OpenAI. La compra directa de memoria por parte de entidades soberanas no se ha confirmado mediante divulgación, y el volumen relacionado con Stargate sigue en la etapa de carta de intención no vinculante. Los datos de precios de acciones, índices y mercancías corresponden a información pública hasta el 17 de julio de 2026 y no reflejan variaciones posteriores.

Publicaciones relacionadas

Kimi K3 redefine la curva de precios de la IA: de Kimi Linear al HBM y la estrategia de las grandes tecnológicas

Fri, 17 Jul 2026 12:31:36 +0900

Kimi K3 se lanzó el 16 de julio de 2026 a $3 por millón de tokens de entrada sin caché y $15 por millón de tokens de salida. No es el posicionamiento de precio ultra-bajo habitual de un competidor chino. Coincide con el precio estándar de Claude Sonnet 5 y se sitúa un 40% por debajo de GPT-5.6 Sol en entrada y un 50% por debajo en salida. Moonshot AI está posicionando K3 como modelo empresarial principal, no como alternativa económica de respaldo.

La arquitectura está diseñada para respaldar esa afirmación. K3 tiene 2,8 billones de parámetros totales pero activa efectivamente 16 de 896 expertos por token. Kimi Delta Attention controla el coste del contexto largo, Attention Residuals recupera selectivamente representaciones anteriores a lo largo de la profundidad, y el entrenamiento con conocimiento de cuantización usa pesos MXFP4 con activaciones MXFP8. Moonshot recomienda un supernodo con al menos 64 aceleradores.

Esa combinación genera un resultado semiconductor de doble cara. La memoria y el cómputo por token pueden caer mientras el número de instituciones capaces de desplegar un modelo de frontera, y la cantidad de trabajo que ejecutan, puede crecer. K3 es tanto una tecnología de eficiencia como una carga de trabajo de infraestructura.

Lecturas relacionadas: Valor del token de IA y captura de valor de memoria / Futuros de tokens de IA y coste por token / Divergencia EE. UU.-China en infraestructura de inferencia agéntica / Verificación cruzada del modelo de escasez de HBM 2030

Resumen Ejecutivo

K3 combina 2,8 billones de parámetros, visión nativa y una ventana de contexto de 1 millón de tokens. Sus productos y API están activos, pero a 17 de julio los pesos completos, el informe técnico y la licencia no han sido publicados. La tesis de pesos abiertos debe verificarse tras el plazo del 27 de julio.
La puntuación oficial GDPval-AA v2 de Moonshot es 1.668, no 1.687. AA-Briefcase es 1.548. BrowseComp 91,2 utiliza compactación de contexto; el resultado de contexto 1M sin compactación es 90,4. Los resultados son sólidos, pero los entornos de evaluación mixtos y las pruebas realizadas por la propia empresa requieren replicación independiente.
Las afirmaciones de Kimi Linear de hasta un 75% menos de caché KV y hasta 6,3x de mayor rendimiento teórico de decodificación a 1M de contexto provienen de un modelo de investigación con 48B de parámetros totales y 3B activos. No deben presentarse como rendimiento medido de la API de K3.
K3 no es un modelo económico. Su precio coincide con el precio estándar de Sonnet 5, es un 50% más caro que la promoción de lanzamiento temporal de Sonnet, y resulta más barato que GPT-5.6 Sol. Dado que actualmente solo está disponible el razonamiento máximo y los tests independientes muestran un alto uso de tokens de salida, el coste por tarea completada puede ser menos atractivo de lo que implica el precio de tarifa.
El impacto semiconductor enfrenta un menor cómputo y caché KV por solicitud contra más despliegues autogestionados y mayor carga de trabajo total. La DRAM de servidor y los SSD empresariales son los segundos beneficiarios más claros porque el contexto de agente de larga duración desborda el HBM hacia niveles de caché desagregados.
Las capas de modelo y nube experimentan economías opuestas. Los precios de las API de OpenAI, Anthropic y Gemini enfrentan presión, mientras que Azure, AWS y Google Cloud pueden monetizar K3 y otros modelos a través de cómputo, almacenamiento y redes. Meta debe defender el liderazgo en pesos abiertos de EE. UU.
Los puntos de prueba del 27 de julio son la licencia, los pesos completos, la evaluación externa, el rendimiento en NVIDIA y AMD, el soporte en aceleradores chinos, los tokens de salida reales por tarea, la compatibilidad con vLLM y la adopción en catálogos cloud.

1. Corrigiendo los Números Antes de Sacar Conclusiones

Varios datos cambiaron a medida que el lanzamiento circuló por las redes sociales. Los valores oficiales importan porque algunas diferencias alteran la interpretación para inversores.

Elemento	Valor oficial	Interpretación para inversores
Parámetros totales	2,8T	Tamaño total del modelo, no cómputo activo por token
Enrutamiento de expertos	16 de 896	MoE extremadamente disperso; el enrutamiento y la comunicación se convierten en restricciones de primer orden
Contexto	1M tokens	Útil para repositorios e investigación, pero el coste por tarea depende de la longitud de salida y los aciertos de caché
GDPval-AA v2	1.668	La tabla oficial no muestra 1.687
AA-Briefcase	1.548	Por encima de GPT-5.6 Sol en 1.495, por debajo de Claude Fable 5 en 1.583
BrowseComp	91,2	Usa compactación a partir de 300K tokens
BrowseComp sin compactación	90,4	El resultado más limpio para la afirmación de contexto 1M nativo
Disponibilidad del producto	Web, Work, Code y API activos	Las pruebas comerciales pueden comenzar ya
Pesos	Prometidos para el 27 de julio	La licencia y los artefactos completos no están verificados a 17 de julio
Esfuerzo de razonamiento	Solo máximo	Los modos de bajo coste aún no están disponibles

Moonshot afirma explícitamente que K3 todavía está por detrás de Claude Fable 5 y GPT-5.6 Sol en experiencia de usuario general. Al mismo tiempo, reporta rendimiento de nivel frontera en benchmarks de programación, trabajo del conocimiento y multimodal. La interpretación creíble no es que China haya tomado definitivamente la delantera. Es que un modelo chino ha entrado en la banda de rendimiento inmediatamente inferior a los sistemas propietarios más potentes, prometiendo a la vez un contexto de 1M y pesos descargables.

La tabla de benchmarks no es un único torneo controlado. K3 funciona al máximo esfuerzo de razonamiento. Dependiendo de la tarea, los modelos utilizan Kimi Code, Claude Code o Codex, y algunas puntuaciones de competidores son los mejores resultados entre distintos entornos o se importan de clasificaciones externas. La reproducción independiente sigue siendo necesaria.

Aun así, Terminal-Bench 2.1 en 88,3, FrontierSWE en 81,2, SWE Marathon en 42,0, AutomationBench en 30,8, GPQA-Diamond en 93,5 y MMMU-Pro en 81,6 indican que K3 está diseñado para el uso de herramientas a largo horizonte y la programación, no meramente para el chat. La señal más importante es el conjunto: capacidad cercana a la frontera, contexto de 1M y pesos abiertos prometidos.

2. Cómo un Modelo de 2,8 Billones de Parámetros se Vuelve Desplegable

2.1 Los parámetros totales no son parámetros activos

Calcular los 2,8 billones de parámetros para cada token sería prohibitivamente costoso. Stable LatentMoE activa efectivamente 16 de 896 expertos, aproximadamente el 1,8% del grupo. Se necesita el informe técnico para establecer los recuentos exactos de parámetros activos, pero está claro que los parámetros totales no equivalen al cómputo por token.

El MoE disperso desplaza los cuellos de botella en lugar de eliminarlos.

Qué mejora	Qué se complica
Cómputo activo por token	Calidad del enrutador y equilibrio de expertos
Cómputo necesario para un objetivo de calidad	Comunicación entre aceleradores
Algunos costes de inferencia	Evitar aceleradores inactivos y expertos sobrecargados
Escalar la capacidad del modelo	Mantener accesible el conjunto completo de pesos

Por eso Moonshot recomienda un supernodo con 64 o más aceleradores. Incluso cuando solo un pequeño subconjunto de expertos está activo, el experto seleccionado no se conoce de antemano y el modelo completo debe permanecer accesible. A cuatro bits, 2,8 billones de pesos implican un mínimo teórico de aproximadamente 1,4 TB antes de escalas, metadatos, búferes, caché y replicación. La activación dispersa reduce la aritmética pero no elimina los requisitos de residencia del modelo ni del tejido de interconexión.

2.2 Kimi Linear aborda el coste del contexto largo

El artículo de Kimi Linear es anterior a K3 y evalúa un modelo de investigación con 48B de parámetros totales y 3B activos, no K3 en sí. Combina Kimi Delta Attention con Multi-head Latent Attention completo en una proporción 3:1.

La atención completa es eficaz para la copia exacta y la recuperación precisa, pero la caché KV crece con el contexto. La atención lineal comprime el historial en un estado de tamaño fijo, reduciendo la dependencia de la longitud de secuencia, pero puede perder detalles exactos. Kimi Linear utiliza tres capas KDA seguidas de una capa de atención completa para equilibrar eficiencia y expresividad.

Componente	Función	Compromiso
KDA	Comprimir historial largo en estado de tamaño fijo	Puede debilitar la copia exacta y la recuperación fina
Full MLA	Restaura la recuperación precisa token a token	La caché KV sigue creciendo con el contexto
Híbrido 3:1	Equilibra eficiencia y calidad	Requiere kernels más complejos y software de servicio

El artículo reporta hasta un 75% menos de caché KV y hasta 6,3x de mayor rendimiento teórico de decodificación a 1M de contexto. Una comparación medida en el análisis de complejidad reporta una aceleración de 2,3x. Estos resultados establecen una dirección, no el rendimiento garantizado de la API de K3.

Para los inversores, una menor caché KV significa más solicitudes concurrentes por acelerador. También hace que sean económicos repositorios más extensos, más documentos y agentes persistentes. La memoria por token puede caer mientras el total de tokens aumenta.

2.3 Attention Residuals mejoran la eficiencia en profundidad

Las conexiones residuales estándar siguen acumulando salidas de capas anteriores. En redes muy profundas, las representaciones útiles pueden diluirse. Attention Residuals permite que una capa seleccione las representaciones anteriores que necesita. Block AttnRes agrupa capas y retiene representaciones a nivel de bloque, reduciendo la sobrecarga de memoria.

La investigación de Moonshot indica que aproximadamente ocho bloques recuperan la mayor parte de las ganancias, y Block AttnRes puede igualar una línea base entrenada con aproximadamente 1,25x de cómputo. Esto mejora la eficiencia del capital de entrenamiento, pero no reduce automáticamente la demanda de centros de datos. Una mayor eficiencia puede reinvertirse en modelos más grandes y tareas más largas.

2.4 La cuantización es una estrategia de portabilidad de hardware

K3 aplica entrenamiento con conocimiento de cuantización desde el ajuste fino supervisado en adelante, usando pesos MXFP4 y activaciones MXFP8. Esto debería controlar mejor la pérdida de precisión que la cuantización agresiva tras el entrenamiento y facilitar el despliegue en múltiples plataformas de hardware.

La arena de kernels de Moonshot incluyó NVIDIA H200 y una GPU de propósito general de un proveedor alternativo. La publicación oficial no nombra un chip chino ni afirma tener una economía equivalente al H200. Lo que está verificado es la intención estratégica de optimizar tanto fuera de NVIDIA como sobre NVIDIA.

Eso importa tanto para China como para los compradores globales. China necesita modelos de frontera que puedan sobrevivir con acceso limitado a los mejores sistemas de NVIDIA. Otros compradores quieren poder de negociación entre NVIDIA, AMD y aceleradores personalizados.

3. Lo que Revela el Precio de Tarifa

3.1 K3 tiene precio de modelo principal

Modelo	Entrada cacheada por 1M	Entrada estándar	Salida	Posicionamiento actual
Kimi K3	$0,30	$3	$15	Precio de modelo principal de frontera
Claude Sonnet 5 promo de lanzamiento	Variable	$2	$10	Temporal hasta el 31 de agosto
Claude Sonnet 5 estándar	Variable	$3	$15	Mismo precio de lista que K3
GPT-5.6 Sol	$0,50	$5	$30	67% más caro en entrada y 100% más en salida que K3

K3 es más caro que la promoción actual de Sonnet 5. Describirlo como universalmente la mitad de precio es inexacto. La estrategia más clara es igualar el nivel estándar de Sonnet mientras se sitúa por debajo de la API de frontera más cara.

El precio es tanto una señal de confianza como una decisión de monetización. Moonshot ya no acepta un gran descuento simplemente para captar uso. Está reclamando una posición en el nivel de modelo empresarial por defecto.

3.2 El coste por tarea completada importa más que el coste por token

Los precios de tarifa asumen un uso igual de tokens. Los agentes difieren en longitud de planificación, llamadas a herramientas, reintentos y verbosidad. K3 actualmente solo expone el razonamiento máximo. Artificial Analysis informa que K3 usó aproximadamente 130 millones de tokens de salida en su evaluación del Intelligence Index, más del doble de la mediana entre pares de aproximadamente 63 millones. Un token de salida más barato puede igualmente resultar en una tarea completada costosa.

Coste de tarea = tokens de entrada × tarifa de entrada + tokens de salida × tarifa de salida + coste de herramientas y reintentos

Los compradores empresariales monitorizarán el éxito de la tarea, los tokens de salida, el tiempo hasta el primer token, el rendimiento, la fiabilidad de las herramientas, la tasa de aciertos de caché y la estabilidad de sesión. Moonshot afirma que Mooncake entrega más del 90% de aciertos de caché en cargas de trabajo de programación, haciendo que la entrada cacheada cueste una décima parte del precio sin caché. Si esa tasa se mantiene en el tráfico empresarial, la economía efectiva de K3 mejora de forma significativa.

3.3 Mooncake desplaza la demanda de memoria hacia niveles inferiores de la jerarquía

Mooncake separa los clústeres de prefill y decode, y desagrega la caché KV entre CPU, DRAM y SSD en lugar de mantener todo en HBM de GPU. Su artículo reporta hasta un 525% más de rendimiento en simulación y un 75% más de solicitudes en cargas de trabajo de producción.

Esto explica por qué la demanda de memoria de IA se extiende más allá del HBM.

HBM del acelerador → DRAM del servidor → SSD empresarial → nivel de caché remota

KDA puede reducir la caché KV por solicitud, pero los agentes persistentes con contexto de 1M aumentan el volumen total de caché y el tiempo de retención. Los datos calientes permanecen en HBM y DRAM; el contexto más frío se mueve a SSD. La eficiencia puede suavizar una tesis exclusiva de HBM mientras refuerza la jerarquía de memoria más amplia.

4. Los Pesos Abiertos Chinos Ascienden en la Pila Empresarial

OpenRouter informa que los modelos chinos superaron a los modelos estadounidenses en cuota de tokens en su plataforma a principios de junio de 2026, basándose en más de 450 billones de tokens de enero al 14 de junio. La cuota de DeepSeek subió de aproximadamente el 9% al 18% y se convirtió en el proveedor líder a mediados de mayo.

El camino de adopción tiene tres etapas:

Los modelos abiertos de bajo coste absorben cargas de trabajo de clasificación, traducción y testing.
Un mejor rendimiento en programación y agentes capta flujos de trabajo empresariales repetitivos.
La calidad cercana a la frontera y el contexto de un millón de tokens compiten por el enrutamiento principal.

El precio de K3 está diseñado para la tercera etapa. No sigue la estrategia de precio más agresivo. Cobra un precio de API de nivel frontera mientras promete pesos que nubes, gobiernos y empresas pueden desplegar por sí mismos.

Las API propietarias y los pesos abiertos acumulan distintos activos estratégicos.

API propietaria de frontera	Pesos abiertos de nivel cercano a la frontera
Controla la mejor experiencia de usuario y capacidad	Multiplica las rutas de despliegue y las opciones de hardware
Centraliza los datos de uso	Permite a las empresas retener datos y operaciones
Cambia precios y políticas de forma centralizada	Los archivos publicados son difíciles de retirar
El proveedor del modelo captura el margen bruto	Proveedores de nube, chips y aplicaciones comparten el valor

El modelo propietario más potente puede seguir siendo el número uno mientras pierde cuota de tokens pagados. Las empresas pueden enrutar el trabajo repetitivo a modelos de clase K3 y reservar las tareas legales, de diseño e investigación más exigentes para el modelo cerrado de mayor calidad. La mezcla de tokens pagados y el precio combinado importan más que el puesto en la clasificación.

5. Demanda de Semiconductores: Eficiencia y Difusión Llegan Juntas

5.1 NVIDIA: riesgo de eficiencia a corto plazo, elasticidad de despliegue a medio plazo

El MoE disperso, KDA, la cuantización y la optimización autónoma de kernels reducen el tiempo de GPU por tarea. La portabilidad de hardware también debilita el supuesto de que cada carga de trabajo de frontera debe permanecer en CUDA. Estas son señales negativas de valoración para NVIDIA.

El lado positivo es igualmente significativo. Moonshot recomienda al menos 64 aceleradores para K3 autogestionado. Los pesos publicados podrían llevar a nubes, gobiernos, laboratorios y grandes empresas a construir sus propios clústeres. La demanda concentrada detrás de una API se convierte en demanda de hardware distribuida entre muchos centros de datos.

Demanda total de aceleradores = menor tiempo de GPU por tarea × mayor carga de trabajo total × más instituciones autogestionadas

El primer término es negativo; los dos últimos son positivos. K3 por sí solo no es suficiente para recortar las estimaciones de beneficios de NVIDIA, pero tampoco es suficiente para asumir que cada ganancia de eficiencia genera más demanda de GPU. La elasticidad de la carga de trabajo es la variable determinante.

5.2 AMD: opcionalidad derivada de la elección de hardware

AMD se beneficia si MXFP4, MXFP8 y la portabilidad de vLLM permiten a las empresas separar la elección de modelo de la elección de acelerador. Un modelo abierto de nivel cercano a la frontera ofrece a los compradores una carga de trabajo realista para probar alternativas a NVIDIA.

La prueba debe llegar tras los pesos. Es necesario medir los kernels ROCm, la comunicación en paralelo de expertos, el rendimiento de contexto 1M y la estabilidad de 64 aceleradores. La ventaja de AMD solo crece si K3 demuestra un coste superior por tarea exitosa en sistemas MI.

5.3 HBM: menor caché por solicitud, mayor residencia del modelo

Capa de demanda	Impacto de eficiencia de K3	Dirección
Residencia de pesos	Un modelo de 2,8T debe permanecer rápidamente accesible	Más aceleradores y memoria de alto ancho de banda
Caché KV por solicitud	KDA reduce el tamaño y el crecimiento de la caché	Menos capacidad HBM por solicitud
Usuarios y agentes concurrentes	El menor coste y el despliegue abierto pueden expandir las cargas de trabajo	Más HBM y DRAM totales

Los titulares pueden ser negativos para SK hynix, Micron y Samsung porque un 75% menos de caché KV y 6,3x de rendimiento suenan a menor intensidad de memoria. Esos números pertenecen a un modelo de investigación Kimi Linear, no a la producción medida de K3. HBM también almacena pesos, activaciones, búferes de comunicación y lotes, no solo caché KV.

El equilibrio a medio plazo es neutral a positivo si los clústeres autogestionados y las cargas de trabajo de agentes crecen más rápido que la eficiencia. Se vuelve negativo si la elasticidad de la carga de trabajo es débil y la compresión mejora más rápido que el uso.

5.4 DRAM de servidor y SSD empresariales son los segundos beneficiarios más claros

El contexto largo y la reutilización de caché no pueden permanecer íntegramente en HBM. Una vez que el servicio separa prefill y decode y desborda la caché en CPU, DRAM y SSD, la DRAM de servidor y el SSD empresarial se convierten en activos operativos para la inferencia de IA.

Samsung puede vender HBM, DRAM de servidor, SSD de alta capacidad, fundición y empaquetado.
SK hynix combina HBM y DRAM de servidor con los SSD empresariales de Solidigm.
Micron suministra HBM, DRAM de centro de datos y SSD.

K3 no demuestra que la IA necesite menos memoria. Demuestra que la memoria de IA se está volviendo jerárquica. Los datos más calientes permanecen en HBM, el contexto retenido está en DRAM de servidor, y la caché más fría se mueve a SSD empresarial. Los proveedores con una pila de memoria completa tienen mayor resiliencia que una tesis de un único producto HBM.

5.5 Las redes y el silicio personalizado son los cuellos de botella ocultos del MoE

Distribuir 896 expertos entre aceleradores genera comunicación variable según el enrutamiento de tokens. Por eso Moonshot enfatiza el entrenamiento con paralelismo de expertos equilibrado, formas estáticas y la eliminación de la sincronización del host de la ruta crítica. La operación eficiente en 64 o más aceleradores requiere tejido de alto ancho de banda de scale-up y scale-out.

Eso es estructuralmente positivo para Broadcom, Marvell, las redes de NVIDIA, la interconexión óptica y el silicio de conmutadores. También fomenta los ASICs de inferencia optimizados para modelos abiertos. El ejercicio de diseño de chip pequeño de 48 horas de K3 no es un producto comercial, pero ilustra una co-diseño modelo-hardware cada vez más ágil.

6. Estrategia de las Grandes Tecnológicas de EE. UU. y Transmisión al Mercado

6.1 Microsoft: presión sobre la economía de OpenAI, más uso de Azure

Microsoft tiene exposición a la propiedad intelectual y la economía de OpenAI, así como a la infraestructura de Azure. La actualización de la asociación de abril de 2026 mantiene a Microsoft como socio cloud principal y extiende una licencia de IP no exclusiva hasta 2032.

K3 presiona la capa de modelo porque el trabajo repetitivo puede alejarse de las API de OpenAI. Puede apoyar la capa cloud si Azure aloja K3 como infraestructura gestionada o autogestionada.

Capa Microsoft	Impacto de K3
Participación en ingresos de OpenAI	Negativo por precio y mezcla
Copilot	Positivo si caen los costes de enrutamiento
Azure AI	Positivo si el uso multimódelo crece
Silicio personalizado y centros de datos	Positivo si la optimización de pesos abiertos se expande

El impacto en la cotización a corto plazo es neutral. La pregunta a medio plazo es si Azure convierte la deflación de precios del modelo en uso y margen de Copilot.

6.2 Amazon: Anthropic y AWS tienen economías diferentes

Amazon es un gran inversor en Anthropic y el proveedor de AWS, Bedrock, Trainium e Inferentia. K3 puede reducir el poder de fijación de precios de Claude y el valor de la participación de Amazon en Anthropic. Sin embargo, si las empresas ejecutan K3 en AWS, el uso de EC2, Bedrock, almacenamiento, redes y Trainium puede crecer.

La estrategia óptima de Amazon es mantener la carga de trabajo en AWS independientemente de qué modelo gane. Si K3 llega con una licencia permisiva y soporte eficiente de Trainium, AWS puede monetizar la difusión de un competidor. El impacto en la cotización es neutral a moderadamente positivo, aunque la competencia en precios de inferencia podría reducir los márgenes cloud incluso mientras los ingresos crecen.

6.3 Alphabet: presión en precios de Gemini, defensa de TPU y Vertex

Google controla un modelo, un chip, una plataforma de despliegue y la demanda final a través de Search, Ads y Workspace. Vertex Model Garden soporta modelos de primera parte, terceros y abiertos.

K3 presiona los precios de la API de Gemini pero puede crear demanda de TPU y Google Cloud. Un menor coste del modelo también reduce el gasto en AI Overviews, generación de anuncios y agentes de Workspace. El impacto en la cotización es neutral a positivo porque Google no es únicamente un proveedor de modelos. El riesgo es que Gemini pierda tanto el liderazgo en rendimiento como en precio, lo que elevaría el coste de adquisición de clientes cloud.

6.4 Meta: de beneficiario de los pesos abiertos a defensor

Meta se benefició de la difusión de pesos abiertos al commoditizar las API de los competidores y reducir sus propios costes de recomendación, publicidad y contenido. Si los laboratorios chinos publican primero capacidad cercana a la frontera y contextos más largos, Meta corre el riesgo de perder su posición como el referente del ecosistema de pesos abiertos de EE. UU.

K3 obliga a dos respuestas: el próximo Llama debe competir en contexto largo, herramientas de agente y coste de despliegue, y Meta debe proporcionar una alternativa estadounidense de confianza para empresas y gobiernos reacios a desplegar pesos chinos. El impacto en los beneficios a corto plazo es limitado porque la publicidad impulsa el flujo de caja. El riesgo estratégico es un menor retorno de la inversión en infraestructura de IA y ecosistema de desarrolladores si Llama se queda rezagado.

6.5 El posicionamiento de mercado existente importa más que un solo lanzamiento

Del 22 de junio al 16 de julio, antes de que la mayor parte de la evidencia de K3 pudiera afectar al trading, el complejo de IA estadounidense ya había divergido notablemente.

Empresa	Rentabilidad	Caída desde máximo del período	Señal de posicionamiento
Meta	+17,9%	-3,1%	Fuertes expectativas de flujo de caja publicitario y utilización de IA
Microsoft	+9,2%	-1,2%	Resiliencia cloud y de software
Amazon	+7,3%	-3,2%	Expectativas de recuperación de AWS y consumo
Alphabet	+1,4%	-5,5%	Posicionamiento mixto en búsqueda y cloud
NVIDIA	-0,6%	-3,1%	Relativamente resiliente
Broadcom	-4,5%	-9,7%	El optimismo de IA personalizada encuentra presión de valoración
AMD	-9,2%	-14,3%	Opcionalidad de acelerador alternativo con alta volatilidad
Micron	-29,6%	-32,0%	Corrección tras expectativas elevadas de memoria
Oracle	-29,1%	-32,7%	Tensión entre crecimiento de infraestructura de IA y financiación
Marvell	-38,8%	-40,1%	Fuerte degradación en redes y silicio personalizado

Estas no son rentabilidades causadas por K3. Muestran las posiciones en las que K3 llegó al mercado. Un NVIDIA relativamente resiliente puede ser más sensible a los titulares de eficiencia, mientras que Micron y Marvell, ya corregidos, podrían reaccionar con más fuerza si los pesos publicados crean demanda de infraestructura verificable.

7. Mapa de Impacto por Empresa

Empresa o capa	Señal a corto plazo	Camino a medio plazo	Qué hacer ahora
NVIDIA	Presión de valoración por eficiencia y portabilidad	Los clústeres autogestionados de 64+ aceleradores compensan la eficiencia	Vigilar la elasticidad de la carga de trabajo; no cambiar estimaciones solo por el lanzamiento
AMD	Opcionalidad de despliegue alternativo	Ventaja si se demuestran las economías de ROCm	Esperar al rendimiento post-27 de julio
Broadcom y Marvell	El complejo de redes ya está en degradación	El paralelismo de expertos MoE eleva la demanda de tejido	Verificar pedidos y topología real del clúster K3
SK hynix	Sensible a los titulares de eficiencia de caché KV	Exposición a la jerarquía HBM, DRAM de servidor y SSD de Solidigm	Valorar la pila de memoria completa, no solo HBM
Samsung Electronics	Riesgo de eficiencia HBM más posición de recuperación	Opcionalidad de HBM, DRAM de servidor, SSD y fundición	Cartera más amplia; ejecución aún requerida
Micron	Altas expectativas ya corregidas	Exposición integrada de memoria y almacenamiento de IA de EE. UU.	Vigilar el volumen de despliegue frente al precio
Microsoft	Presión en precio y mezcla de OpenAI	Apalancamiento de coste en Azure y Copilot	El uso cloud importa más que el margen del modelo
Amazon	Presión sobre el valor del activo Anthropic	AWS, Bedrock y Trainium se benefician de la elección de modelo	La compensación interna más clara
Alphabet	Presión en precios de Gemini	Beneficios de costes en TPU, Vertex y Search	La defensa en la capa de aplicaciones sigue siendo sólida
Meta	Presión sobre el liderazgo en pesos abiertos de EE. UU.	Aceleración de Llama o ecosistema abierto más amplio	El impacto estratégico supera el impacto en beneficios a corto plazo

No hay suficiente evidencia para una nueva recomendación de compra o venta solo a partir de este lanzamiento. Los pesos, la licencia y el rendimiento de hardware externo siguen sin estar disponibles. El orden de las pruebas importa más que la dirección de la narrativa.

8. Tres Escenarios

Caso base: modelo sólido, revalorización limitada

Probabilidad subjetiva: 55%. Los pesos completos y una licencia razonablemente permisiva llegan antes del 27 de julio. Los resultados externos reproducen del 85% al 95% del rendimiento oficial. K3 funciona en NVIDIA y AMD, pero 64+ aceleradores, el razonamiento máximo y el alto uso de tokens de salida mantienen el despliegue costoso.

Las API propietarias enfrentan más presión de precios en el trabajo repetitivo.
Las nubes ganan demanda de alojamiento de K3 y autogestion.
La eficiencia por token compensa la mayor carga de trabajo.
HBM es neutral a moderadamente positivo.
DRAM de servidor, SSD empresarial y redes son positivos.

Caso alcista: los pesos abiertos entran en el enrutamiento empresarial principal

Probabilidad subjetiva: 25%. La licencia es cercana a MIT, el soporte de vLLM y SGLang es estable, y NVIDIA, AMD y los aceleradores chinos muestran un sólido rendimiento. La evaluación externa confirma un rendimiento inmediatamente inferior a los mejores modelos propietarios. Los modos de razonamiento más bajos reducen el coste por tarea. Las principales nubes y pasarelas empresariales añaden K3 al enrutamiento por defecto.

El precio combinado del modelo propietario y la cuota de tokens caen.
El uso multimódelo en hiperescaladores crece.
Los clústeres propios aumentan la demanda de aceleradores.
HBM, redes, DRAM de servidor y SSD empresarial se benefician del volumen de despliegue.
Meta y los programas de modelos abiertos de EE. UU. aceleran la inversión.

Caso bajista: los pesos revelan una brecha de coste y calidad

Probabilidad subjetiva: 20%. Los pesos se retrasan o restringen, las puntuaciones externas caen por debajo de la tabla oficial, los requisitos de historial de razonamiento preservado y el exceso de proactividad generan fallos empresariales, y el coste por tarea supera a Sonnet 5 por el razonamiento máximo y la verbosidad. El requisito de 64 aceleradores limita el autogestionamiento.

Moonshot puede tener que retirarse del precio de frontera.
Las API propietarias retienen una prima de experiencia de usuario y fiabilidad.
La demanda incremental de semiconductores sigue siendo limitada.
Los beneficios existentes y el capex recuperan el control de los precios de las acciones.

9. Lista de Verificación del 27 de Julio

Punto de prueba	Señal fuerte	Señal débil
Pesos y licencia	Publicación completa a tiempo con derechos de modificación comercial	Retraso, restricciones o componentes faltantes
Evaluación externa	Puntuaciones oficiales ampliamente reproducidas bajo un solo entorno	Gran caída respecto a la tabla de la empresa
Coste por tarea	Modos de razonamiento más bajos y menos tokens de salida	Razonamiento solo máximo y verbosidad persistente
Rendimiento NVIDIA	Paralelismo de expertos estable en nodos de 64 aceleradores	Cuellos de botella de tejido y baja utilización
Rendimiento AMD	Ventaja de coste bajo ROCm y vLLM	Kernels inmaduros o pérdida de precisión
Aceleradores chinos	Hardware nombrado y rendimiento medido	Solo lenguaje de “GPU alternativa”
Caché	Aciertos cercanos al 90% en tráfico empresarial	Caída pronunciada fuera de la programación
Adopción cloud	Listados en AWS, Azure, Google Cloud u Oracle	Limitado a unas pocas plataformas chinas
Precios competitivos	Recortes de precio estándar o mayores descuentos de caché	Solo promociones temporales
Pedidos de memoria	Revisiones al alza de volúmenes de HBM, DRAM de servidor y SSD	La eficiencia sube mientras los volúmenes se estancan

10. El Contraargumento Más Sólido

El caso bajista más sólido es sencillo: la demanda de semiconductores cae si la eficiencia mejora más rápido que el uso. La compresión de modelos, la atención lineal, la cuantización, la reutilización de caché y los ASICs de inferencia podrían procesar el mismo número de tareas útiles con muchas menos GPU y menos HBM. La competencia en pesos abiertos puede reducir los precios de API sin generar suficiente trabajo pagado incremental para justificar el capex de IA.

La evidencia de ese resultado incluiría unos ingresos de inferencia más lentos a pesar de la caída de precios, una mayor utilización de aceleradores pero menos nuevos clústeres, un crecimiento de bits de HBM por debajo de las ganancias de eficiencia del modelo, una débil conversión del backlog de IA en la nube en ingresos, y las empresas usando modelos abiertos solo para recortar costes en lugar de crear nuevos flujos de trabajo.

El caso alcista requiere que las caídas de precio desbloqueen nuevo trabajo: programación a escala de repositorio, automatización de investigación, edición de vídeo, diseño de chips y flujos de trabajo que anteriormente eran antieconómicos. La elasticidad de la carga de trabajo relativa a la eficiencia del modelo es el punto de prueba común tanto para la inversión en aceleradores como en HBM.

11. Conclusión

Kimi K3 no prueba que China haya superado a los modelos propietarios más potentes de EE. UU. Moonshot reconoce la brecha de experiencia de usuario restante. A 17 de julio, los pesos completos y el informe técnico no están disponibles, y una tabla de benchmarks con entornos mixtos no puede declarar un ganador.

Sí cambia la estructura del mercado. Un modelo de 2,8 billones de parámetros, contexto 1M y nivel cercano a la frontera está activo al precio estándar de Sonnet, con pesos prometidos en diez días. Los pesos abiertos chinos están pasando de sustitutos económicos de segundo nivel a cargas de trabajo empresariales principales.

Para los semiconductores, el evento es más una reasignación de demanda que una destrucción de demanda. KDA y la cuantización reducen el HBM y el tiempo de GPU por solicitud. El MoE disperso y los supernodos de 64 aceleradores aumentan la memoria de residencia del modelo y el tejido. Mooncake empuja la caché hacia DRAM de servidor y SSD empresarial. La historia exclusiva de HBM se vuelve menos simple, mientras que la jerarquía de memoria completa y el centro de datos permanecen expuestos a un despliegue más amplio.

Las grandes tecnológicas de EE. UU. enfrentan la misma división. Las API de modelos absorben la presión de precios; las nubes y las aplicaciones absorben el menor coste del modelo. Microsoft, Amazon y Alphabet pueden alojar K3 aunque sus modelos preferidos pierdan cuota. Meta debe defender su rol estratégico como el referente de pesos abiertos de confianza en EE. UU.

El 27 de julio, la evidencia importante no es la existencia de un archivo de pesos. Es una licencia permisiva, una evaluación reproducible, un rendimiento en múltiples hardware y un coste competitivo por tarea completada. Si esas condiciones se cumplen, K3 se convierte en un evento que cambia tanto la curva de precios de la IA como el camino de la demanda de semiconductores. Si no se cumplen, sigue siendo un impresionante lanzamiento de producto más que un reseteo de la industria.

Fuentes y Limitaciones

Materiales primarios: Lanzamiento de Kimi K3, Documentación de la API de Kimi K3, Artículo de Kimi Linear, GitHub de Kimi Linear, Artículo de Attention Residuals, Artículo de Mooncake, Precios de Claude Sonnet 5, Precios de GPT-5.6 Sol, Análisis de adopción de modelos en OpenRouter, Asociación Microsoft-OpenAI, Google Vertex Model Garden y Asociación Amazon-Anthropic.

El análisis de transmisión a semiconductores y acciones es una inferencia a partir de datos públicos de arquitectura, servicio y mercado. Los parámetros activos exactos, el tamaño de los pesos, los términos de la licencia, el rendimiento de AMD y los aceleradores chinos, y el coste empresarial real por tarea completada siguen sin estar disponibles a 17 de julio. Este artículo es únicamente para fines de investigación e información y no constituye asesoramiento de inversión.

Disclaimer: For research and information purposes only. Not investment advice. Names cited are for analytical illustration; readers should perform their own due diligence and consult licensed advisors before any investment decision.