Kimi K3 on Korea Invest Insights

Informe semanal de semiconductores: beneficios sólidos, múltiplos más bajos y el giro hacia 2028

Sun, 19 Jul 2026 15:53:00 +0900

El 13 de julio, el KOSPI cayó un 9.05% y SK Hynix bajó un 15.37%. Sin embargo, en la misma semana, TSMC informó que sus ingresos del segundo trimestre fueron de $40.2 mil millones y su margen bruto fue del 67.7%, mientras que ASML elevó su perspectiva anual de ingresos a €43-45 mil millones. Los precios de los contratos DRAM y NAND comunes también subieron significativamente. Fue una semana en la que las órdenes físicas y los precios de las acciones se movieron en direcciones opuestas.

Esta divergencia no es un signo de que el boom de los semiconductores haya terminado, sino más bien un indicio de que la pregunta del mercado ha cambiado. Los inversores ya no solo miran cuánto ganarán en 2026 y 2027. Primero calculan cuánta expansión de oferta habrá en 2028, si los clientes podrán soportar precios altos de la memoria y el CAPEX de los data centers, y qué tan rápido las ganancias de inferencia eficiente erosionarán el premio por escasez del HBM.

Contexto Conectado Este post integra Los Cinco Relojes del Bull y Bear Case de los Semiconductores, Valor Justo de la Memoria a Través de FCFE y Ganancias Normalizadas, Samsung Electronics y SK Hynix: Escenarios 2027-2028 Integrados con Valoración Ajustada al Riesgo, y Modelo de Oferta-Demanda HBM 2030 Revisado (26.7 EB) en un análisis semanal actualizado con datos nuevos del tercer semana de julio. Los posts relacionados están disponibles en el Hub AI HBM y el Hub de Análisis Exclusivo.

TL;DR

Los datos oficiales confirmados del 13 al 19 de julio no respaldan la afirmación de que la demanda de semiconductores para IA haya alcanzado su punto máximo. Los resultados y las guías de TSMC y ASML, los precios de contrato DRAM y NAND, así como la demanda de memoria para servidores reafirman la tesis de ganancias fuertes para 2026-2027.
Los mismos datos también amplifican el riesgo de expansión de oferta en 2028. Las planificaciones de expansión de capacidad de ASML y los altos niveles de CAPEX de TSMC son evidencias de órdenes actuales — y simultáneamente reservas de futura oferta y depreciación.
Los acuerdos a largo plazo para HBM pueden elevar el piso en volumen y ganancias, pero podrían ralentizar la velocidad con que los picos de precios spot se traducen en ASPs promedios. La estabilidad del volumen y un límite al alza de precios coexisten.
China juega tres roles simultáneamente: destino final de demanda, competidor en memoria comunes, y mercado que podría ser decuplado políticamente. Su mayor impacto es sobre los techo de precios de DRAM y NAND comunes para 2028 y la disciplina global de oferta, no sobre el reemplazo a corto plazo de HBM.
Los aumentos en eficiencia de modelos abiertos como Kimi K3 no eliminan simplemente la demanda de semiconductores. Pueden desplazar el valor de algunos HBM hacia DRAM para servidores, eSSD, redes y potencia. La pregunta clave no es si el costo por tarea disminuye, sino cuánto se expandirá la carga total de trabajo y qué proporción será implementada en infraestructura autoconstruida.
Las probabilidades del escenario base actual: Escasez Extendida 25%, Ganancias Fuertes / Multiples Comprimidos 40%, Normalización de Eficiencia y Oferta 25%, Desajuste Financiero / Demanda 10%. El camino más probable es uno donde las ganancias fuertes en 2026-2027 y la descontación de duración para 2028 coexisten.

Declaración Clave de la Semana

La evidencia física que respalda el ciclo supercíclico de la memoria ha pasado su primera prueba de estrés a gran escala. Sin embargo, los precios de las acciones han comenzado a preguntar no sobre la magnitud de la escasez sino sobre cuánto tiempo durarán las ganancias excedentes. 2026-2027 es el período para la entrega de ganancias; 2028 es el período que simultáneamente prueba la oferta, la eficiencia y la rentabilidad del cliente.

1. Alcance y Reglas de Evidencia

El análisis cubre los días del 13 al 19 de julio de 2026. Se categorizaron los materiales de relaciones con inversores (IR) de las empresas, informes de presentaciones gubernamentales y legislativas, datos de la industria, estimaciones de corredores y figuras de oferta-demanda del mercado extraídas de dos documentos de análisis semanales. Donde múltiples posts citaban el mismo origen subyacente, no se incrementó el conteo de confirmaciones.

Calificación	Fuente	Usada en este informe
A	Informes IR de la empresa, presentaciones gubernamentales / legislativas / regulatorias, revelaciones del SEC	Basado para hechos y planes oficiales
B	Investigación de la industria como TrendForce, informes primarios de corredores	Evidencia de apoyo para precios, participación en el mercado y estimaciones de la empresa
C	Resúmenes de verificaciones de canales, reportes cruzados	Usado solo para confirmación directiva; no usado como señales de inversión independientes
D	Redes sociales, imágenes resumidas que circulan	Usadas solo para identificar preguntas que requieren verificación adicional

Las órdenes de TSMC, ASML y fabricantes de memoria pueden reflejar múltiples veces el mismo plan de CAPEX de hyperscalers. Los planes oficiales indican la intención de demanda pero no garantizan la utilización real o el flujo de efectivo. Las caídas drásticas en los precios de las acciones no se atribuyeron únicamente a dinámicas de oferta-demanda técnicas. Desajustes de flujo pueden amplificar las caídas, pero no pueden eliminar una revaluación fundamental del período de duración de ganancias.

2. Mapa de los Desarrollos de la Semana

Fecha	Desarrollamientos Confirmados	Preguntas que el Mercado Comenzó a Hacer	Evaluación Actual
13 de julio	Modelo de demanda HBM 2030 revalidado en 26.7 EB; estimación del segundo trimestre de SK Hynix ajustada; fuerte caída en el KOSPI	¿Es una escasez a largo plazo o una extrapolación excesiva?	La escasez para 2027 tiene un fuerte respaldo; la magnitud de la escasez para 2030 carece de convicción
14 de julio	Estimaciones ajustadas de SK Hynix reflejan acuerdos a largo plazo de HBM; IBM y Ericsson señalan el costo de memoria como carga; informes sobre pruebas de Apple con chips CXMT	¿Son los acuerdos a largo plazo un piso para ganancias o un techo de precios?	La visibilidad del volumen es alta, pero las restricciones en el alza de ASPs y la carga de costos para los clientes emergen junto
15 de julio	Resultados financieros del segundo trimestre de ASML y plan de expansión de capacidad para 2027-2028	¿Ordenes fuertes o el inicio de una respuesta de oferta?	Ambas son correctas — reafirman simultáneamente la demanda actual y amplifican el riesgo de oferta en 2028
16 de julio	Resultados financieros del segundo trimestre y guía para el tercer trimestre de TSMC; carta del Congreso de los Estados Unidos solicitando restricciones en la compra de memoria china	La demanda de IA es fuerte — ¿por qué las acciones de la memoria son débiles?	El debate se centra en la atribución de ganancias, la oferta y el costo del capital — no en una colapso de la demanda
17 de julio	Lanzamiento de Kimi K3; eficiencia abierta y ganancias de API reprecionadas	¿Reduce la eficiencia la demanda de semiconductores?	El costo por tarea disminuye, pero el uso agregado y las implementaciones en infraestructura autoconstruida pueden expandirse
18 de julio	Análisis del costo de API de IA; revisión de exposición china de los tríos de memoria	¿China es un cliente o una competencia?	Ambos roles simultáneamente; impacta más el valor normalizado para 2028 que la EPS para 2026
19 de julio	Verificaciones de canales circulando sobre fuertes órdenes de DRAM para servidores y HBM4	¿El descenso en las acciones incorporó un colapso de ganancias en el tercer trimestre?	La probabilidad parece menor, pero la fuente primaria no está confirmada — mantenido en grado C

La mayor transformación en esta tabla no es la dirección individual de los eventos, sino el horizonte temporal. Hasta principios de julio, el debate se centraba en si las ganancias del segundo semestre de 2026 superarían las expectativas. Ahora se ha desplazado a si las ganancias para 2028 representan un nivel normalizado de ganancias y cuánto tiempo pueden mantenerse los precios elevados y margenes.

3. La Evidencia Se Afirmó Esta Semana

3.1 TSMC y ASML Mostraron que las Ordenes de IA se Han Traducido en Actividad Real

Los resultados del segundo trimestre de TSMC demuestran que la demanda de IA ha avanzado más allá de la etapa de planificación.

Item	Perspectivas Financieras de TSMC para el Segundo y Tercer Trimestres de 2026
Ingresos del segundo trimestre	$40.2 mil millones
Margen bruto del segundo trimestre	67.7%
Margen operativo del segundo trimestre	60.3%
Guía de ingresos para el tercer trimestre	$44.6-45.8 mil millones
Guía de margen bruto para el tercer trimestre	65-67%

Los altos márgenes brutos y la guía de crecimiento para el próximo trimestre indican que la calidad de las órdenes para nodos de proceso avanzado y empaquetado avanzado permanece intacta. Resultados Oficiales del Segundo Trimestre 2026 de TSMC

ASML confirmó la misma dirección. Se informaron ingresos de €9.326 mil millones y un beneficio neto de €2.918 mil millones para el segundo trimestre, y se estableció una perspectiva anual de ingresos de €43-45 mil millones. El mapa de capacidad revela la línea temporal en la que las órdenes actuales se traducen en futura oferta.

Equipo	Capacidad 2026	Plan para 2027	Bajo Revisión para 2028
EUV de baja NA	~65 unidades	~30% expansión	Adicional ~30% expansión bajo revisión
DUV inmersivo	~130 unidades	~30% expansión	Adicional ~30% expansión bajo revisión

ASML afirmó que la inversión en IA está impulsando la demanda de lógica y memoria avanzada, y que las compromisos de capacidad del cliente se están convirtiendo en visibilidad a largo plazo. Estos números debilitan el fuerte caso alcista de que todas las órdenes de IA consisten en reservas duplicadas. Resultados Oficiales del Segundo Trimestre 2026 de ASML

3.2 Los Precios de la Memoria Se Mantienen Elevados

TrendForce proyectó que los precios de contrato DRAM comunes para el segundo trimestre de 2026 subirán un 58-63% intertrimestralmente, y los precios de NAND subirán un 70-75%. La proyección de crecimiento de precios de DRAM para servidores en el tercer trimestre fue revisada a un 13-18%, pero la trayectoria ascendente se mantiene. Proyecciones del Segundo Trimestre para DRAM/NAND, Proyecciones del Tercer Trimestre para DRAM de Servidores

Es importante distinguir entre una deceleración en la tasa de aumento de precios y un verdadero descenso de precios. Dado cómo rápidamente subieron los precios en el segundo trimestre, la tasa intertrimestral de crecimiento en el tercer trimestre puede ralentizarse. Sin embargo, si los precios absolutos permanecen elevados, el ingreso operativo de los proveedores puede seguir siendo fuerte. El riesgo que el mercado está calibrando no es una disminución de las ganancias, sino una deceleración en la tasa de crecimiento de las ganancias.

3.3 La Escala de HBM Roba Suministro de DRAM Común

El HBM requiere más área de wafer, pila, empaquetado y prueba para producir el mismo número de bits que la memoria común. A medida que los tres fabricantes de memoria aumentan su mix de HBM, las envíos de HBM expanden mientras la efectiva bit supply de DRAM común puede contraerse.

Como resultado, el punto de atasco se amplía en la siguiente secuencia:

GPU / ASIC
-> HBM
-> DRAM para servidores
-> eSSD y NAND
-> Empaquetado / Substrato / Prueba
-> Redes / Potencia / Enfriamiento

Los agentes de IA y la inferencia a largo contexto no se basan únicamente en el HBM para los pesos del modelo. También consumen DRAM para servidores y eSSD para caché KV y servicio de datos, y consumen más redes para conectar múltiples aceleradores y modelos de mezcla de expertos esparsos. Esto es por qué los volúmenes agregados de capas de memoria pueden seguir expandiéndose incluso si el precio unitario del HBM se ve bajo presión.

3.4 La Escasez para 2027 es una Conclusión Fuerte; la Sobredemanda para 2030 es un Escenario

Comparando la demanda de HBM en 2030 de 26.7 EB contra una oferta de 10.6 EB, se obtiene una demanda de 2.52 veces la oferta. El cálculo es reproducible. El problema no radica en el resultado sino en si las suposiciones subyacentes pueden sostenerse simultáneamente. El modelo base asume un crecimiento de tokens de 24 veces, una expansión del tamaño del modelo de 5 veces, una extensión de la longitud del contexto de 4 veces y una tasa de retención del HBM para caché KV del 70% — todo simultáneamente.

Cambio en la Suposición	Demanda de HBM en 2030	vs. Oferta de 10.6 EB
Modelo base	26.7 EB	2.52 veces
Tamaño del modelo 2×	18.5 EB	1.75 veces
Eficiencia KV 6×	22.3 EB	2.10 veces
Retención HBM al 50%	22.9 EB	2.16 veces
Tokens 12×	16.2 EB	1.53 veces
Suposiciones alcistas compuestas	6.5 EB	0.62 veces

Reduciendo cualquier variable individual aún deja una escasez, pero si múltiples suposiciones alcistas se sostienen simultáneamente, la sobredemanda es posible. La declaración inversible por lo tanto es: “El mercado probablemente permanecerá apretado hasta 2027.” La declaración “La oferta será definitivamente 2.5 veces corta en 2030” no puede ser directamente insertada en un objetivo de precio.

4. Risks Strengthened This Week

4.1 La Tasa de Crecimiento del Beneficio Operativo Se Ha Volcado Más en la Importancia que el Rendimiento Absoluto del Beneficio

La reducción de la estimación de ingresos operativos de SK Hynix Q2 se originó en ajustes a las suposiciones sobre los precios al por mayor (ASP) y no en una caída en los volúmenes de envío.

Informe	Estimación del Ingreso Operativo para el 2º Trimestre de 2026	Ajuste Clave
Mirae Asset Securities	De ₩70.7 billones a ₩62.3 billones	ASP DRAM de +40,6% a +32,9%; NAND de +55% a +50%
Korea Investment & Securities	₩60.4 billones	ASP DRAM +28,9%; NAND +50,9%

Un ingreso operativo en el rango de ₩60 billones es muy grande en términos absolutos. Sin embargo, los precios de las acciones respondieron más al tamaño del ajuste desde las estimaciones previas que al nivel absoluto del beneficio. La caída del 15,37% en SK Hynix el 13 de julio se explica mejor por la combinación de expectativas cambiantes y dinámicas técnicas de oferta y demanda concentradas que por cualquier conclusión de que el ciclo alcista ha terminado.

Esta es la lógica central del análisis semanal. La sola demanda fuerte no eleva los precios de las acciones. La demanda debe superar las expectativas del mercado, y se requiere evidencia de que los beneficios elevados persistirán hasta 2028.

4.2 Los Contratos a Largo Plazo Crean Ambos un Piso de Beneficio y un Techo de Precios

Los contratos a largo plazo con HBM proporcionan visibilidad en el volumen, fidelización del cliente, predecibilidad del período de retorno e protección contra la caída de los precios al por menor. Por otro lado, se aplican las siguientes preocupaciones:

Incluso si los precios al por menor suben, el ASP promedio de una empresa puede aumentar solo gradualmente.
Las fórmulas de precios, mecanismos de renegociación, compromisos mínimos de compra y términos de cancelación no se divulgan.
La cumplimiento del cliente con los compromisos mínimos de compra y el riesgo crediticio permanecen con el proveedor.
Los pagos anticipados y las compromisiones a largo plazo en volumen pueden no fluir al rendimiento contable y al flujo de efectivo operativo de la misma manera.

Interpretar los contratos a largo plazo como un reforzamiento incondicional del poder de precios solo es una mitad de la imagen. Los contratos elevan el piso de beneficios y reducen la volatilidad, pero pueden no capturar todo el alza en caso de que suban los precios al por menor. La revisión de la estimación de ingresos operativos Q2 de SK Hynix fue la primera vez que este agujero apareció en los números reportados. Los detalles se discuten en SK Hynix Q2 Earnings Cut and Maintained Price Targets.

4.3 Las Ordenes de Equipos Son Ambas Demanda Actual y Suministro Futuro

Leer la expansión de capacidad de ASML solo como evidencia alcista a corto plazo omite el dimensionamiento temporal.

Capacidad Low-NA EUV 2027 ≈ 65 unidades × 1.30 = 84,5 unidades
Capacidad DUV inmersión 2027 ≈ 130 unidades × 1.30 = 169 unidades

Los fabricantes de equipos reconocen las órdenes como ingresos en 2026-2027 primero. La producción bit real de los fabricantes de memoria puede aumentar a partir del 2028, después de la instalación de equipos, estabilización de rendimiento y agregación de capacidad de empaque. El mismo gasto de capital que inicialmente incrementa los ingresos y el flujo de efectivo operativo de equipos y materiales puede presionar las precios y márgenes de memoria más tarde.

Los indicadores a vigilar para 2028 no son los totales anunciados de inversiones. Son la instalación de equipos, nuevos comienzos de wafers, rampa de rendimiento, flujo de empaque, el aumento en depreciaciones y la producción bit real.

4.4 Los Altos Precios de Memoria Pueden Erosionar la Demanda del Cliente

Cuando los precios de memoria suben, los clientes pueden responder de cuatro maneras:

Anticipar compras de inventario antes de que los precios suban aún más.
Subir los precios de las servidores y productos finales.
Reducir el contenido de memoria o descalificar especificaciones.
Postergar compras y proyectos.

El primer comportamiento hace que los pedidos a corto plazo parezcan más fuertes, pero simplemente anticipa la demanda futura. Las otras tres representan caminos por los cuales el poder de precios de los proveedores finalmente destruye la demanda del cliente. Los ejemplos de IBM y Ericsson mostraron que las restricciones en la oferta de memoria han comenzado a afectar la asignación presupuestaria y márgenes finales de los clientes. Actualmente estamos en una fase donde el pre-compra y ajustes de especificaciones son visibles antes de grandes cancelaciones de pedidos.

4.5 El Bache en el Inversión en IA Se Está Desplazando al Costo del Capital

Incluso si la demanda de IA es real, si los flujos de efectivo de la entidad inversora no pueden mantenerse a la par con el desgaste y los costos de financiamiento, el ritmo de inversión se ralentizará. En adelante, lo siguiente importará más que el monto absoluto de la inversión de hiperscaladores:

Si las ganancias brutas de IA y nube superan el aumento en el desgaste.
Si la entrega de potencia de los datos centrales y la utilización de GPU se rigen según el plan.
Si los retornos de nuevos proyectos, incluyendo costos de financiamiento, superan el costo del capital.
Si la calidad crediticia y los pagos anticipados de clientes que han firmado contratos a largo plazo con HBM permanecen estables.

La fortaleza en las órdenes en TSMC y ASML no son evidencia de una colapso en la demanda actual. Sin embargo, en las declaraciones de resultados financieros de Big Tech estadounidenses al final de julio, los inversores deben examinar las ganancias brutas de IA, el flujo de efectivo libre y la pendiente de la guía de inversión para 2027 junto — no en lugar de — con los totales de inversión.

5. ¿Fue la Caída Brusca del Precio de Acciones un Choque de Oferta-Demanda o una Revaluación Fundamental?

La caída brusca este semana en las acciones de semiconductores coreanas presenta signos de desenganche de deuda, venta programada y una estructura de capitalización de mercado altamente concentrada en pocos nombres de capital grande — todo lo cual amplió la caída. La venta simultánea por parte de inversores extranjeros e institucionales causó movimientos de precios diarios superiores a cualquier cambio en el valor subyacente del negocio.

Sin embargo, concluir que “solo fue un choque de oferta-demanda, así que todo se recuperará” tiene sus propios peligros. Si la fortaleza relativa no recupera incluso después de fuertes resultados financieros y datos de precios, puede indicar que el mercado está bajando sus estimaciones para los beneficios por acción (EPS) normalizados y múltiplos en 2028.

El marco diagnóstico es sencillo.

Señales apuntando a un choque de oferta-demanda	Señales apuntando a una revaluación fundamental
La venta extranjera e institucional se desacelera rápidamente	La venta continúa a pesar de buenas noticias
La fortaleza relativa recupera volumen	Los semiconductores siguen subiendo en el mercado general
Las revisiones al EPS para 12 meses permanecen positivas	Samsung Electronics, SK Hynix y Micron revisaron simultáneamente sus EPS
Los precios de los contratos aumentan y las existencias se estabilizan	Las existencias crecen mientras los precios del contrato disminuyen simultáneamente
La CAPEX de Big Tech e la rentabilidad de IA mejoran	Se recortan la CAPEX o las márgenes de rentabilidad de IA deterioran

Esta distinción es precisamente por qué se deben rastrear juntos los precios y las estimaciones de beneficios. Observar solo dinámicas de oferta-demanda puede dejar pasar riesgos a largo plazo; observar solo resultados puede dejar pasar el adicional de la caída creada por posiciones congestionadas.

6. China Es Tres Variables al Mismo Tiempo

6.1 China es un Gran Mercado de Demanda

Las cifras de exposición a China en los informes de las empresas usan diferentes definiciones, lo que dificulta las comparaciones directas.

Empresa	Métrica de Exposición a China	Cautela
Samsung Electronics	30.1%	Basado en el ingreso consolidado independiente — no en la participación en memoria solo
SK Hynix	24.3% del primer trimestre de 2026, 19.7% para todo 2025	Basado en la ubicación de las ventas
Micron	+10.1% de China y Hong Kong en FY25	Basado en la ubicación de la sede del cliente

Si el demanda china se contrae, Samsung y SK Hynix están directamente expuestas. La exposición directa de Micron es comparativamente baja, pero no puede escapar del impacto si los precios globales caen. Las cifras de participación en ingresos son insuficientes para evaluar el riesgo de China.

6.2 China Es un Competidor de Memoria de Commodity

CXMT ha anunciado la producción en masa de LPDDR5X a 8,533 Mbps y 9,600 Mbps, con su producto de 10,667 Mbps reportado en fase de calificación del cliente. Su participación estimada en los ingresos globales de DRAM para el primer trimestre de 2026 se sitúa aproximadamente en el 8%. Sin embargo, un acuerdo de suministro con Apple, la adopción generalizada en productos globales de gama alta y el rendimiento de HBM aún no han sido confirmados. Anuncio Oficial de CXMT sobre LPDDR5X

El peligro a corto plazo se concentra en dos canales en lugar de la desplazamiento de HBM:

La localización de DRAM y NAND commodity en teléfonos móviles y PCs chinos.
Usar CXMT como una tarjeta de cuarto proveedor en negociaciones de precios con el trío de memoria establecido.

Si el volumen desplazado de China se migra a otros mercados, podría arrastrar los precios del contrato para Samsung, SK Hynix y Micron hacia abajo. Esta contagión de precios puede importar más como un efecto secundario que una disminución directa en los ingresos chinos. Un desglose detallado de la exposición está disponible en Localización de Memoria China y los Tres Grandes.

6.3 China Puede Ser Segmentada por Políticas

El 16 de julio, miembros del Comité Selecto de Congreso sobre China enviaron una carta al Departamento de Comercio solicitando controles más estrictos sobre YMTC, un examen acelerado para la inclusión en la Lista de Entidades de CXMT, restricciones en la compra chino de DRAM y HBM en sistemas de IA, centros de datos, IT federal y infraestructura crítica, y coordinación con Corea del Sur, Japón y la UE. Esta es una demanda política — no un embargo de compras implementado. Carta Oficial del Comité Selecto de Congreso sobre China

Si se aprueba, el mercado global de memoria podría bifurcarse en las siguientes líneas:

Mercado	Estructura Posible
Estados Unidos y aliados	Cadenas de suministro verificadas, precios más altos, defensa de la participación del mercado por el trío de memoria
Mercado doméstico chino	Localización, precios más bajos, riesgo medio plazo de sobreoferta

Micron se beneficia directamente más que ninguna otra empresa de la política estadounidense. Samsung y SK Hynix llevan tanto la ventaja de ser proveedores de naciones aliadas como la exposición de sus negocios en China. Este factor político es menos un catalizador que eleva los ingresos operativos del HBM para 2026 y más una variable que reduce el descuento de sobreoferta chino incorporado a las valoraciones de 2028.

7. Kimi K3 y Eficiencia: Cambio en la Demanda, No Destrucción

Según el anuncio oficial de Kimi, K3 tiene 2,8 trillones de parámetros totales, activa 16 de los 896 expertos por token y soporta una ventana de contexto de un millón de tokens. La arquitectura experta escasa reduce el cálculo por solicitud, pero aún requiere gran memoria y alta ancho de banda para almacenar todos los pesos y rutear la selección del experto. Anuncio Oficial de Kimi K3

El impacto en semiconductores de las ganancias de eficiencia se entiende mejor a través de la siguiente ecuación:

Demanda total de semiconductores = costo de silicio por tarea × número total de tareas × fracción auto-hospedada

Arquitecturas escasas, caché y cuantización reducen el tiempo GPU y el footprint HBM por tarea.
Los precios bajos de las API aumentan la utilización de IA y el número de agentes.
Los modelos de peso abierto pueden aumentar los despliegues de servidores auto-hospedados por parte de empresas e instituciones gubernamentales.
La jerarquía de memoria cambia algunos trabajos HBM a DRAM del servidor, eSSD y cachés remotas.

Los pedidos actuales y datos de CAPEX sugieren que el crecimiento en volumen supera las ganancias de eficiencia. Sin embargo, a largo plazo, la elasticidad de volumen de DRAM del servidor, eSSD, red y potencia puede ser más favorable que el poder de precios de GPUs premium y HBM. La eficiencia es menos una variable que “reduzca la demanda total de semiconductores” y más una que reconfigure “cual semiconductores capturan los ingresos”.

Dos advertencias se aplican aquí. Las tasas de ahorro del caché KV y el rendimiento teórico desde las investigaciones lineales de Kimi no pueden ser aplicadas directamente a K3 en producción. Además, los benchmarks de rendimiento auto-reportados no deben ponderarse igual que la verificación independiente. Los pesos, términos de licencia, resultados de throughput independientes, tokens reales y costo total por tarea requieren confirmación.

8. Cinco Relojes — Cuando Se Observan Juntos, las Contradicciones Resuelven

Reloj	Observación Semanal	Interpretación de la Inversión
Precios	Aumentos drásticos en los precios DRAM y NAND para el 2º Trimestre; ritmo de ganancias para el 3º Trimestre se desacelera	Los ingresos de 2026 parecen fuertes, pero la tasa de aumento puede disminuir
Inversión	TSMC expandiendo inversión; pedidos y capacidad de ASML creciendo	La demanda actual confirmada mientras la respuesta de suministro para 2027-2028 se reserva
Construcción	Los desafíos de energía, tierra y empaque persisten	Las inversiones anunciadas se retrasan antes de traducirse en un aumento real de producción
Monetización	Uso de IA subiendo; costos del cliente y cargas financieras también aumentando	Se requiere una vigilancia cuidadosa de las ganancias brutas de IA y el flujo de efectivo libre junto con los ingresos
Precio de Acción	Reacción lenta a buenas noticias; choque de oferta-demanda concentrado en Corea	El mercado descuenta la duración y la posición más que los beneficios actuales

Los relojes de precios e inversión están corriendo rápido, mientras que los relojes de construcción y monetización se retrasan. El reloj de precio de acciones es la reflección futura de si esa brecha se estrecha o se amplía por delante. Por eso fuertes resultados y una guía de CAPEX elevada pueden provocar ventas el mismo día.

La “coexistencia de 55% de fuerza industrial / debilidad en la valoración” mencionada anteriormente y “P2 a 40%” abajo no son dos lecturas diferentes de la misma tabla. El 55% era una categoría general en la que los múltiplos permanecen comprimidos incluso mientras el sector se mantiene fuerte. La distribución más granulada aquí divide esa categoría aún más en las fases tempranas de P2 y P3. Debido a que los datos nuevos de TSMC y ASML confirmaron la demanda actual mientras simultáneamente expandían la respuesta implícita de suministro, una porción de la probabilidad de normalización del escaseo a largo plazo se ha movido hacia la normalización del suministro.

9. Actualización del Escenario

Las probabilidades a continuación son valores de juicio que reflejan la información confirmada hasta el 19 de julio — no las tasas base históricas.

Escenario	Probabilidad	Condiciones para la Valididad	Comportamiento del Mercado Esperado
P1. Sustanciosa Scasez	25%	El uso de IA, CAPEX y tasas de utilización continúan superar la oferta y los avances en eficiencia; el precio y las órdenes de HBM4 se mantienen	Las empresas de memoria con alto beta como SK Hynix y Micron, junto con el empaque y el equipo, sobresalen
P2. Ganancias Fuertes, Compresión de Multiples	40%	Los beneficios permanecen fuertes en 2026-2027 pero persisten las preocupaciones sobre la oferta para 2028 y la rentabilidad del cliente	Negociación dentro de un rango y volatilidad elevada a pesar del crecimiento de los beneficios; Samsung Electronics mantiene una ventaja relativa
P3. Normalización de Eficiencia y Suministro	25%	La expansión de capacidad para 2027-2028, la oferta de commodities chinas, la resistencia del cliente a los precios y el descenso de los costos de IA convergen	El premio por escasez de HBM se reduce; las órdenes de equipo y materiales alcanzan su pico antes que la memoria en sí
P4. Desconexión Financiera o de Demanda	10%	Corte del CAPEX de las grandes tecnológicas, un evento crediticio, inventarios crecientes y descensos simultáneos en precios de contrato y EPS	Declive sectorial en semiconductores; la diversificación en efectivo y no semiconductoras se vuelve más importante

La distribución detallada anterior era del 35% / 40% / 15% / 10%. Esta revisión transfiere 10 puntos porcentuales desde P1 a P3. Los datos de pedidos de TSMC y ASML no aumentaron la probabilidad de P4. Por el contrario, la expansión de capacidad del equipo y el costo de precios para los clientes han incrementado la probabilidad de normalización de eficiencia y suministro en comparación con la escasez prolongada.

10. Roles por Acciones y Cadena de Valor

Samsung Electronics: Core con Ajuste al Riesgo

Samsung absorbe el aumento del precio de DRAM y NAND commodity a lo largo de una amplia base de participación del mercado, mientras mantiene la opción de valor para recuperarse en HBM y recuperar su negocio de foundry. También posee características defensivas relativas si los modelos abiertos y las inferencias de bajo costo se propagan, desplazando parte del trabajo HBM hacia memoria commodity.

Los riesgos clave incluyen la exposición a China y memoria commodity, la incertidumbre alrededor de la calificación de clientes para HBM4, y el alto costo capitalario de las operaciones de foundry. Samsung ofrece características defensivas más robustas que SK Hynix en P2 y P3, pero la diversificación no implica rentabilidad si la recuperación en HBM no ha sido validada en los beneficios.

SK Hynix: Beta Pura sobre Escasez Sustanciosa

SK Hynix posee el mayor mercado de participación para HBM, relaciones de co-desarrollo con clientes y acuerdos de suministro a largo plazo que le otorgan la mayor potencial de ganancias bajo P1. En contraste, también lleva el riesgo más alto de compresión de beneficios y múltiplos si la expansión de capacidad y los avances en eficiencia se aceleran bajo P3.

Se requiere un juicio adicional para rastrear las calificaciones de clientes para HBM4 y HBM4E, rendimiento, términos de precio promedio incorporados a contratos a largo plazo, flujos de inversores extranjeros e inversiones programadas, y la fortaleza del negocio junto con el margen de seguridad incorporado en los precios. La calidad del negocio y el margen de seguridad incorporada en los precios deben evaluarse por separado.

Micron: Intersección entre la Política de EE.UU. y la Memoria Pura

Micron es el beneficiario más directo de la fabricación basada en EE.UU., el apoyo a la política y las restricciones sobre la adquisición de memoria china. Ofrece una lectura clara del ciclo de HBM, DRAM y NAND. Sin embargo, su diversificación limitada significa que también está expuesta directamente a cualquier normalización de los precios promedio globales. Incluso con una participación baja en China, Micron no puede evitar el impacto si las cantidades excedentes de memoria china reducen los precios globales.

SanDisk: Beta Táctica sobre NAND y eSSD

SanDisk está directamente expuesto a las restricciones de suministro de NAND y la demanda de eSSD para servidores AI. Beneficia más si el costo de inferencia bajo y la jerarquización de memoria desplazan volúmenes de almacenamiento adicionales hacia memoria commodity. Al mismo tiempo, NAND muestra una mayor volatilidad de precios que DRAM y tiene un exponencial directo en YMTC, lo que le da un carácter más táctico en comparación con posiciones core.

TSMC y ASML: Validadores de Demanda y Indicadores Líderes del Futuro Suministro

TSMC demuestra la calidad de la demanda de IA y el alcance profundo del mojón de foundry de vanguardia. ASML es el punto de observación más temprano para las intenciones a largo plazo de expansión de capacidad de los clientes. Los resultados de ambas empresas sirven como evidencia adicional para la tesis de memoria, pero no son indicadores coincidentes simples. El CAPEX alto y el crecimiento en la oferta de equipos señalan no solo la futura demanda de memoria sino también la futura expansión del suministro.

Empresas Coreanas de Equipo y Materiales: Pedidos Reales y Recurring Revenue sobre Planes Publicados

Categoría	Nombres Candidatos	Datos para Confirmar	Rol Actual
Consumibles Recurrentes	Hana Materials, Wooldex	Tasas de utilización del cliente, canales OEM, correlación entre ingresos y margen operativo	Grupo de investigación prioritario
Equipo de Proceso	KC Tech, Nextin	Pedidos reales, calificación del cliente, backlogs	Grupo de confirmación condicional
HBM Back-end	Techwing	Pedidos adicionales de Cube Prober y ingresos de producción	Grupo de confirmación de eventos
Construcción de Infraestructura	Hanyang E&E, otros	Ganancias de contratos principales, ratio ordenes-ingresos, márgenes	Grupo de eventos de pedidos en lugar del core

La secuencia de confirmación para las inversiones es: anuncio de capacidad → pedidos reales → construcción de backlogs → reconocimiento de ingresos → consumibles recurrentes. Los nombres de equipos pueden alcanzar sus beneficios antes que la producción de memoria en sí. En lugar de comprar ampliamente basándose solo en planes de fábrica, el enfoque debe enfocarse en empresas donde los pedidos reales y los márgenes se han confirmado.

11. Contrarargumentos: Donde Esta Tesis Podría Estar Incorrecta

La Evidencia de la Demanda Puede Haber Sido Duplicada

Los pedidos de TSMC, ASML y el trío de memoria pueden provenir todos de los mismos planes de CAPEX de las grandes tecnológicas. Agregar pedidos a múltiples niveles de la cadena de suministro como señales de demanda separadas sobreestima la demanda final real. Los puntos de verificación finales incluyen los tiempos de conexión eléctrica, el uso de GPUs, las envíos de servidores y las margen neta de IA en la nube.

El Modelo de Demanda para 2030 Puede Subestimar los Avances en Eficiencia

Si cualquiera de — conteo de tokens, tamaño del modelo, longitud del contexto o tasa de retención HBM — disminuye, persiste una escasez. Pero si todos disminuyen simultáneamente, un escenario de sobreoferta para 2030 se vuelve plausible. El caso directo a largo plazo de escasez y la magnitud numérica de esa escasez deben evaluarse por separado.

El CAPEX Puede Crecer Más Rápido que los Retornos

Los proveedores deben gastar más en nuevas fábricas y empaque incluso cuando los libros de pedidos están llenos. Los clientes deben absorber el desgaste del centro de datos y la tasa de interés. Si el crecimiento de ingresos no se traduce en un aumento del flujo de efectivo libre, altos beneficios pueden atraer múltiplos reducidos.

La Política China Puede No Ser Implementada

La carta del Comité de Representantes es una señal de política — no una orden ejecutiva o una acción coordinada aliada. Si CXMT entra solo en un conjunto limitado de productos consumidores dentro de China y la aplicación sigue siendo suave, el poder de precios para los incumbentes puede erode antes que cualquier cambio significativo en la participación del mercado.

Las Revelaciones de Empresas con Modelos Abiertos Pueden No Ser Reproducibles Independientemente

Las especificaciones oficiales de Kimi K3 están confirmadas, pero el rendimiento de tasa de salida, el consumo real de tokens y el costo total de servicio requieren una verificación independiente. En contraste, si los avances en eficiencia llegan más rápido de lo esperado y la elasticidad del uso es menor de lo supuesto, el premio por escasez de HBM podría comprimirse con mayor severidad.

Todo el Descenso de Precios Puede Haber Sido Atribuido a Liquidación Forzada

La desapalancamiento y la venta programada explican la magnitud del descenso. Pero si los precios no recuperan incluso en presencia de noticias positivas, el mercado puede estar activamente reduciendo sus supuestos de ganancias de 2028 y múltiplos normalizados. Una explicación de oferta-demanda no puede reemplazar la validación de la durabilidad de los beneficios.

12. Condiciones Observables que Cambiarían la Tesis

En lugar de un solo artículo o una subida en un día, lo importante es si dos ejes de datos independientes se mueven juntos.

Condiciones que Incrementan la Probabilidad de Un Resultado Bullish

El crecimiento del CAPEX de las grandes tecnológicas y el mejoramiento de los márgenes de IA y nube son confirmados simultáneamente.
Las conexiones eléctricas de los centros de datos, las tasas de utilización de GPUs y los envíos de servidores aumentan juntos.
Los precios de HBM4, DRAM para servidores y eSSD, junto con la revisión a 12 meses del EPS, continúan siendo ajustados al alza.
Samsung Electronics, SK Hynix y Micron se recuperan en noticias positivas y recuperan su fortaleza relativa frente al índice de semiconductores.
Las ventas de inversores extranjeros e inversiones programadas deceleran, y surge una tendencia de recuperación acompañada por un aumento en el volumen.

Condiciones que Incrementan la Probabilidad de Normalización P3

La entrega de equipo para 2027-2028 y la nueva capacidad bit se ponen en línea más rápido del planeado.
Los rendimientos HBM y la productividad de empaque mejoran significativamente mientras la oferta de los tres incumbentes expande simultáneamente.
Después de aumentos de precios de memoria, los clientes reducen su contenido por dispositivo y las deferciones de compra se vuelven generalizadas.
Las calificaciones y ventas de CXMT DDR5 y LPDDR5X fuera de China aumentan.
Los crecimientos de precio de contrato para DRAM y HBM y el EPS para 2028 son simultáneamente ajustados al bajo.

Condiciones de Alerta para P4

Las grandes tecnológicas de EE.UU. cortan su CAPEX o cancelan o retrasan proyectos de centro de datos.
Los spreads crediticios y el riesgo de refinanciación para clientes de infraestructura de IA suben de manera drástica.
Los inventarios de DRAM y NAND se construyen simultáneamente con descensos en precios de contrato.
El EPS a 12 meses para Samsung Electronics, SK Hynix y Micron son ajustados al bajo juntos.
La fortaleza relativa del sector de semiconductores y el alcance del mercado (ratio avance-retroceso) se deterioran simultáneamente.

13. Datos a Seguir a partir de Julio

Tiempo	Datos a Seguir	Juicio que Cambia
Finales de julio	Resultados financieros y llamadas de conferencia de las grandes tecnológicas de EE.UU.	CAPEX, margen neta de IA, flujo de efectivo libre, resistencia de precios de memoria
Finales de julio	Disclosures adicionales técnicos de Kimi K3 e evaluaciones independientes	¿Cuál es más grande — avances en eficiencia o crecimiento del uso
Finales de julio	Disclosures detalladas de IR de Samsung Electronics y SK Hynix	HBM4, contratos a largo plazo, ASP DRAM y NAND, envíos, CAPEX
Agosto en adelante	Precios de contrato para 3Q y niveles de inventario distribuidos	¿El ritmo de los aumentos de precios ha alcanzado su punto máximo y el precompra se está normalizando
Cuatrimestralmente	Pedidos de ASML, CAPEX de TSMC, órdenes de equipos de memoria	Velocidad de la respuesta de suministro para 2027-2028
Ongoing	Acciones regulatorias y calificaciones de CXMT e YMTC	Contagio de precios de la oferta china a los mercados globales y bifurcación del mercado

14. Juicio Final

Esta semana sirvió como el primer test integral de la narrativa del superciclo de memoria. Los precios de las acciones se movieron significativamente, pero los resultados de TSMC y ASML, los precios de DRAM y NAND y la demanda de memoria para servidores inclinaron la balanza de evidencias hacia la escasez física persistente en 2026-2027.

Al mismo tiempo, el mismo dato hizo que los riesgos para 2028 se definieran con mayor claridad. La expansión de capacidad del equipo y CAPEX, los acuerdos a largo plazo de suministro HBM retrasan la transmisión de aumentos de precios, los clientes deben absorber los precios elevados de memoria junto con los costos de financiamiento de centros de datos, y la memoria commodity china e incrementos en eficiencia de modelos abiertos ejercerán presión sobre los precios y múltiplos para 2028.

La elección entre “el boom está terminado” o “esto es un superciclo permanente” es una falsa alternativa. El camino base actual es el siguiente:

2026-2027: Escasez física y altos beneficios
-> 2027-2028: Respuesta de capacidad, rendimiento y yield
-> La velocidad de los aumentos de precios se desacelera
-> Los beneficios absolutos permanecen por encima del nivel histórico, pero los múltiplos se comprimen
-> La dispersión de retornos entre las empresas se conduce por la mezcla de productos, estructura de contratos y exposición a China

Desde este punto, el principal desafío no es volver a probar que existe una demanda de IA. Es medir simultáneamente la velocidad de la respuesta de suministro, la trayectoria de monetización para los clientes, la calidad del contrato, las estimaciones de beneficios para 2028 y cómo reaccionan los precios de las acciones a noticias positivas. Los beneficios hoy hablan de 2026 y 2027. El mercado ya está preguntando sobre 2028.

Fuentes Clave

Limitaciones de los Datos Públicos

Las fórmulas de precios a largo plazo para HBM de Samsung Electronics, SK Hynix y Micron — incluyendo precios mínimos y máximos, volúmenes de compras mínimos, cláusulas de cancelación y términos de crédito específicos para clientes— no han sido divulgados públicamente.
No existen cifras oficiales confiables sobre la tasa de producción HBM o el progreso de CXMT hacia la calificación por Apple.
Los costos unitarios completos por modelo y los costos reales por acelerador para proveedores chinos de API de inteligencia artificial no se informan públicamente.
La cifra estimada de 26,7 EB de demanda de HBM para 2030 no es una proyección consensuada, sino un escenario construido combinando varias suposiciones optimistas.
Las comprobaciones del canal en julio de 19 sobre DRAM de servidores y HBM4 no pueden ser verificadas independientemente a partir de documentos primarios y se utilizan solo como referencia directiva.
La fecha de corte de la información es el 19 de julio de 2026. Los escenarios deben reevaluarse después de las presentaciones financieras de las grandes empresas tecnológicas de EE.UU. y los fabricantes de memoria esperadas a finales de julio.

Este artículo es un análisis informativo basado en fuentes públicas y no constituye una recomendación para comprar o vender ninguna seguridad específica. Los precios, dinámicas de oferta y demanda, estimaciones de ganancias y condiciones regulatorias pueden cambiar; los lectores deben verificar las últimas divulgaciones e evaluar los hallazgos según su tolerancia al riesgo.

Lo que realmente cambia la convergencia de los modelos abiertos chinos: redistribución de la cadena de valor, no colapso de la demanda

Fri, 17 Jul 2026 22:00:00 +0900

Contexto Este artículo es la continuación de Lo que Kimi K3 cambió en el precio de la IA. Si el artículo anterior verificó el precio y la estructura de un solo modelo, este se extiende a cómo todo el ecosistema de modelos abiertos chinos redistribuye la cadena de valor de los semiconductores y las Big Tech, y a cómo la política estadounidense y el conflicto entre Estados Unidos y China cambian esa interpretación. Conviene leerlo junto con El verdadero debate entre el argumento alcista y bajista de los semiconductores, Valor justo de los semiconductores y La IPO de CXMT y el riesgo de precios de memoria. Los hubs relacionados son el Hub de IA y HBM y el Hub de Exclusive Analysis.

TL;DR

La convergencia de rendimiento de los modelos abiertos chinos se parece más a una redistribución de la cadena de valor que a un colapso de la demanda de IA. El valor monopolístico de las API de modelos y de las GPU de vanguardia cae, mientras que una inferencia más barata eleva el uso y puede aumentar el valor de la memoria, el almacenamiento, las redes, la energía y la distribución en la nube.
La preferencia relativa se divide así. En memoria coreana, Samsung Electronics > SK Hynix; en semiconductores estadounidenses, Micron y SanDisk > NVIDIA; en Big Tech, Meta y Amazon > Google y Microsoft > operadores de modelos puros. [Inferencia: juicio relativo]
Los modelos abiertos chinos han demostrado una caída del costo de cómputo y memoria por unidad de inteligencia. No han demostrado una caída del gasto total en silicio. De hecho, TSMC elevó su CAPEX de 2026 de 52.000-56.000 a 60.000-64.000 millones de dólares.
CXMT tiene una diferencia de 1,5-2 generaciones en producto y de 2-3 años en comercialización respecto a las tres líderes en HBM. Por lo tanto, la amenaza de 2028 no es un shock de oferta actual, sino una opción condicional.
La difusión tecnológica de los modelos chinos y la difusión de ingresos de los operadores de API chinos son cosas distintas. La vía más realista es rehospedar los modelos chinos en AWS, Azure o una VPC empresarial y venderlos bajo el marco de seguridad y contratos de Occidente. [Alcance]

Marco clave

Los modelos chinos pueden sacudir el precio de los modelos estadounidenses, pero no derrumban de inmediato la demanda de AWS, Azure, los chips estadounidenses o la memoria coreana. El daño directo recae en el margen de las API de modelos cerrados, mientras que lo que sobrevive a largo plazo es la infraestructura basada en uso: la capa de distribución y seguridad en la nube, junto con la memoria, la red y la energía.

1. Primero, confirmemos los hechos

La dirección del ecosistema es real, pero no todos los modelos nuevos han revelado su hardware de entrenamiento. Esta distinción importa.

DeepSeek-V3 se entrenó con 2.048 GPU NVIDIA H800 y 2,788 millones de GPU-horas. [Hecho: informe técnico de DeepSeek V3] La H800 está sujeta a restricciones de exportación, pero no es una GPU de consumo de gama baja. Kimi K3, en cambio, reveló 2,8 billones de parámetros, una ventana de contexto de 1M de tokens y una eficiencia de escalado 2,5x superior a K2, pero el informe técnico completo y el hardware de entrenamiento se publicarán el 27 de julio. [Hecho: anuncio oficial de Kimi]

Por lo tanto, todavía no se puede confirmar que “Kimi K3 también se entrenó con GPU NVIDIA de gama baja”. [Bloqueado]

La mejora de eficiencia es real

DeepSeek V4-Pro activa solo 49.000 millones de sus 1,6 billones de parámetros. En el rango de 1M de tokens, el cómputo (FLOPs) por token cae al 27% y la KV cache al 10% respecto a V3.2. [Hecho: ficha del modelo DeepSeek V4] Es evidencia directa de que el uso de GPU y HBM por token puede reducirse drásticamente mientras se mantiene el rendimiento.

Pero el lado opuesto también es real

El CloudMatrix384 de Huawei conecta 384 Ascend 910C para servir DeepSeek-R1. Según los datos agregados de JPMAM, CloudMatrix usa 49TB de HBM y 599kW de energía, mientras que el sistema comparado, el GB300 NVL72, usa 21TB y 145kW respectivamente. [Hecho: paper de CloudMatrix, material comparativo de JPMAM]

No es una comparación de rendimiento perfectamente equivalente, pero la dirección es clara: China compensa un chip individual más débil con más chips, más memoria y más energía. Un chip individual más barato no significa necesariamente menos silicio, red o energía en total. [Inferencia: interpretación estructural]

2. La ecuación clave: qué hay que observar

La respuesta a este debate no está en los puntajes de benchmark, sino en dos ecuaciones.

Demanda total de cómputo = Número total de tokens × Cómputo por token

Demanda total de memoria = Número total de tokens × Uso de memoria por token
 + Almacenamiento de datos de modelo, KV y búsqueda

Si los modelos abiertos bajan el precio del token un 70% y el uso se multiplica por 5, la demanda total aumenta a pesar de la mejora de eficiencia. Por el contrario, si el HBM por token cae un 70% mientras el uso simplemente se duplica, la demanda de HBM disminuye.

Por eso el indicador que hay que vigilar de ahora en adelante se reduce a uno solo. Cuánto supera la tasa de crecimiento de tokens a la tasa de caída de memoria por token.

El veredicto hasta ahora

El gasto total se determina con la siguiente ecuación.

Gasto total en silicio = Número de entrenamientos × Costo por entrenamiento
 + Tokens de inferencia × Costo por token

TSMC elevó su CAPEX de 2026 de 52.000-56.000 a 60.000-64.000 millones de dólares en su call del 2T26. Microsoft también aumentó su rendimiento de inferencia un 40%, pero el uso de tokens de sus grandes clientes creció un 30% frente al trimestre anterior, y mantuvo un CAPEX de 2026 de unos 190.000 millones de dólares. [Hecho: call del 2T26 de TSMC, call del 3T del FY26 de Microsoft]

Hasta ahora, el crecimiento del uso le está ganando a la mejora de eficiencia. [Inferencia: síntesis de datos]

3. Impacto en semiconductores: la divergencia es por acción

Acción/Grupo	Impacto en la acción	Interpretación clave
Samsung Electronics	Positivo	Se beneficia de forma más amplia, no solo en HBM sino también en DRAM de servidor, NAND/eSSD y memoria de propósito general
SK Hynix	De mixto a positivo	El aumento de tokens es favorable, pero la compresión de MoE y KV reduce el HBM por token, lo que presiona el múltiplo de escasez
Micron	Positivo	Exposición combinada en DRAM, HBM y NAND dentro de la cadena de suministro estadounidense. Beneficio de memoria amplia similar al de Samsung Electronics
SanDisk	Positivo	El despliegue local, los pesos de modelo y el aumento de RAG y caché se traducen en demanda de eSSD y NAND
NVIDIA	Negativo a corto plazo, mixto a largo plazo	Cae el valor monopolístico de la cuota china y de las GPU de gama más alta. El aumento del total de tokens y los envíos de H200 compensan el volumen
AMD	Relativamente positivo	Los modelos abiertos facilitan la migración a hardware heterogéneo. ROCm y la cuota real de serving son las variables clave
Broadcom, Marvell, Arista	Positivo a mediano plazo	Mayor demanda de custom ASIC, Ethernet y óptica/SerDes en Occidente
TSMC	De neutral a positivo	La demanda de chips de entrenamiento de NVIDIA, AMD y ASIC se mantiene, pero la inferencia china migra hacia Ascend y SMIC

Por qué Samsung Electronics tiene la ventaja relativa sobre SK Hynix

Entre las mismas tres grandes de memoria, las direcciones de Samsung Electronics y SK Hynix se separan. La inferencia barata y la difusión de modelos abiertos no solo aumentan el HBM, sino también el volumen total de DRAM de servidor, NAND y memoria de propósito general. Samsung Electronics, con una exposición más amplia, capta más de esta expansión.

Por el contrario, MoE y la compresión de KV reducen el HBM por token. SK Hynix, con una exposición pura más fuerte a HBM, recibe al mismo tiempo el beneficio del aumento de tokens y la carga de la caída de HBM por token. Es una estructura en la que el múltiplo de escasez, más que la demanda absoluta, es lo primero que se presiona. [Inferencia: análisis de estructura de exposición]

Sin embargo, Samsung Electronics también tiene un riesgo del lado opuesto. Es la primera en exponerse al aumento de producción de DRAM de propósito general de CXMT.

NVIDIA y la H200

Estados Unidos comenzó recientemente a permitir envíos limitados de H200 a China, pero el volumen todavía es pequeño. Es positivo para los ingresos de NVIDIA en el corto plazo, pero no lo suficiente como para revertir la transición hacia infraestructura doméstica centrada en Huawei. [Hecho: reportaje de Reuters de julio de 2026] [Inferencia: evaluación de impacto]

4. Impacto en las Big Tech

Empresa	Evaluación	Motivo
Meta	La más positiva	Se valida la estrategia de ecosistema abierto y recupera el valor de la IA en publicidad y recomendaciones más que en API
Amazon	Positivo	Gane el modelo que gane, vende inferencia, almacenamiento y red de AWS
Google	De mixto a positivo	TPU y la nube se benefician, pero la prima de precio de la API de Gemini está bajo presión
Microsoft (Azure)	Mixto	El uso de Azure crece, pero el alquiler de los modelos de OpenAI y la tasa de recuperación del CAPEX están bajo presión
Apple	Positivo	Los modelos abiertos y pequeños más baratos reducen el costo del on-device y de Private Cloud
OpenAI, Anthropic	Negativo	Se reduce la brecha de rendimiento y la prima de precio de la API, lo que presiona la elevada valoración y el financiamiento

A diferencia de un error de percepción común, Meta no es la mayor perjudicada. Gana dinero con publicidad y recomendaciones más que con la venta de modelos, y usa los modelos abiertos para reducir costos, por lo que existe la posibilidad de un beneficio relativo. La carga recae, en cambio, en el CAPEX y la depreciación. [Inferencia: análisis de modelo de negocio]

La lección del shock de DeepSeek de 2025

Durante el shock de DeepSeek de 2025, NVIDIA perdió un 17% en un día, cerca de 593.000 millones de dólares de capitalización de mercado. La reacción inicial fue una venta masiva de toda la infraestructura de GPU, energía y centros de datos, pero luego hubo un rebote parcial. [Hecho: cobertura de mercado de 2025]

Es probable que esta vez también el precio de la acción a corto plazo reaccione al miedo por la eficiencia, y los resultados a mediano plazo, al aumento del uso. [Inferencia: patrón histórico]

5. Veredictos sobre la tesis de los modelos abiertos chinos

Evaluando uno por uno los argumentos que vienen tanto del lado alcista como del bajista, el resultado es el siguiente.

Argumento	Veredicto
Las GPU de gama más alta son imprescindibles para el rendimiento de frontera	Debilitado, pero no refutado
La inteligencia de IA es un bien escaso	Colapso considerable en el precio de los modelos y tokens en bruto
La escala de capital es el foso defensivo	El foso del preentrenamiento se debilita y se desplaza hacia el despliegue, los datos, la energía y la distribución
El costo marginal del código abierto es cero	Solo el precio de los pesos se acerca a cero; el costo de inferencia sigue existiendo
Un entrenamiento de 1.000 millones de dólares supera a una inversión de 100.000 millones	Afirmación imprecisa que compara rangos de costo distintos

El último punto es el que más se usa mal con frecuencia. El costo de entrenamiento y la inversión total en infraestructura no son comparables.

6. Hasta dónde ha llegado realmente el HBM de CXMT

Es la parte que más se suele exagerar al hablar de la amenaza china. Al desglosarla etapa por etapa, la realidad queda al descubierto.

Etapa	Veredicto actual	Base del juicio
Proceso de celda DRAM	Comercializado, mejora rápida	Venta de DDR5 y LPDDR5X; Apple también está probando DRAM de CXMT para productos del mercado chino
Apilado TSV	HBM2 en volumen bajo, HBM3 inicial	Hay reportes de producción de HBM2, pero el volumen y la tasa de rendimiento no se han revelado
Empaquetado y base die	En construcción	El ecosistema dentro de China se está formando, pero faltan datos de rendimiento de producción en masa, térmicos y de confiabilidad
Calificación de clientes	HBM no confirmado	El contrato con Tencent y las pruebas de Apple son evidencia de capacidad en DRAM general, no de HBM
Brecha con los líderes	1,5-2 generaciones	Las tres líderes ya están en la rampa de HBM4, mientras que CXMT ni siquiera ha verificado la producción en masa de HBM3

En el portafolio de productos oficial de CXMT, a fecha del 17 de julio de 2026, solo figuran DDR5, LPDDR5/5X, DDR4 y LPDDR4X, y no hay HBM. TrendForce también clasifica el HBM3 de CXMT en etapa de verificación inicial, y evalúa que las barreras técnicas y la condición de usar equipos domésticos retrasan la producción en masa. [Hecho: material oficial de CXMT, TrendForce]

Las estimaciones de capacidad también son contradictorias. Hay un choque entre el estancamiento en torno a 240.000 obleas/mes y la proyección de 350.000 para fin de año, pero esta última cifra proviene de un modelo privado, no de guía de la empresa, por lo que es difícil tomarla como un valor confirmado. [Bloqueado]

Así hay que corregir la hipótesis de la DRAM legacy

2026-2027: la inversión de CXMT en HBM retrasa el alivio de la oferta de DRAM legacy china.
2028: si el HBM3/3E logra la calificación de clientes de aceleradores chinos y un volumen significativo, podría empezar a reemplazar primero el mercado de HBM de generación anterior dentro de China.
2029 en adelante: solo cuando el HBM4, el base die y el rendimiento de empaquetado se pongan al día, se presionará directamente el mercado líder global y el margen de SK Hynix.

Es decir, es más válido decir que “CXMT no libera la oferta de legacy tanto como se esperaba” que decir que “por CXMT, la escasez de legacy empeora de inmediato”. [Inferencia: evaluación por etapas]

7. Cómo la política estadounidense cambia esta interpretación

Estados Unidos trata la IA menos como una tecnología comercial y más como infraestructura central del bloque aliado. Por eso el análisis puramente técnico no basta para responder esta pregunta.

El AI Action Plan de Estados Unidos y la orden ejecutiva 14320 establecen explícitamente que se exportará a los países aliados un stack de IA estadounidense que integra hardware, nube, red, modelos y aplicaciones, reduciendo así la dependencia tecnológica de las naciones adversarias. Aunque un modelo chino sea superior en rendimiento y precio, el stack estadounidense mantiene una ventaja política en la contratación gubernamental y las industrias estratégicas de los países aliados. [Hecho: AI Action Plan de la Casa Blanca, EO 14320]

Sin embargo, no es un desacople total

En enero de 2026, la BIS de Estados Unidos dispuso que la exportación de H200 y MI325X a China se revise caso por caso, bajo clientes aprobados y requisitos de seguridad. Es un compromiso que busca mantener el control mientras deja a China parcialmente dentro del ecosistema de chips estadounidense. [Hecho: BIS 2026-01-13]

Tampoco está prohibido por completo que las empresas privadas estadounidenses usen modelos chinos. La No DeepSeek on Government Devices Act todavía está solo en etapa de propuesta legislativa. Sin embargo, el gobierno de Australia ordenó eliminar DeepSeek de los sistemas gubernamentales, y la autoridad de protección de datos de Italia restringió el procesamiento de datos de usuarios. [Hecho: medidas oficiales de cada país]

Es probable que la prohibición de facto de los departamentos de adquisiciones y seguridad opere antes que la legislación. [Inferencia: orden de aplicación de la política]

8. ¿Pueden las empresas occidentales usar realmente las API de modelos chinos?

La probabilidad de adopción es completamente distinta según la vía. Esta tabla es la respuesta a la pregunta.

Método de adopción	Probabilidad de difusión	Evaluación
Llamada directa a la API alojada en territorio chino	Baja	Riesgo de datos, jurisdicción y adquisiciones
API de Qwen en EE. UU., UE, Japón y Singapur	Media	La localización de datos es posible, pero persiste el riesgo del operador chino
Modelos chinos rehospedados por AWS o Azure	De media-alta a alta	El contrato, la seguridad y el control de datos quedan en manos de la nube occidental
Open-weight en VPC empresarial u on-premise	Alta	No hace falta enviar datos a servidores chinos
Gobierno, defensa e infraestructura crítica	Muy baja	La restricción de adquisiciones puede alcanzar incluso el linaje del modelo

La vía más realista es la siguiente.

Desarrollo del modelo chino
→ Rehospedado en AWS, Azure o una VPC empresarial
→ Vendido bajo el marco de seguridad, contratos y auditoría de Occidente

Es decir, la difusión tecnológica de los modelos chinos y la difusión de ingresos de los operadores de API chinos son cosas distintas. [Inferencia: análisis de vías]

Los límites de la API directa

La política de privacidad de DeepSeek establece que los datos personales, incluidos los datos de entrada, se recopilan, procesan y almacenan directamente en China, y que pueden usarse para mejorar el servicio y el modelo. [Hecho: Política de Privacidad de DeepSeek] Es una condición fatal para empresas que manejan código fuente, información de clientes, datos médicos o financieros, o tecnología sujeta a control de exportación.

Qwen es un poco diferente. Alibaba Cloud Model Studio ofrece regiones en Estados Unidos, Alemania, Japón y Singapur, permite restringir los datos y la inferencia a una región específica, y establece explícitamente que no usa los datos del cliente para entrenar el modelo. [Hecho: política regional y de seguridad de Alibaba Cloud] Por eso, la adopción directa de la API podría aumentar en industrias no reguladas y en el sudeste asiático, Medio Oriente y América Latina.

Sin embargo, la localización de datos y el cumplimiento de SOC 2 no eliminan el riesgo de interrupción del servicio, sanciones o exposición en las adquisiciones derivado del conflicto entre Estados Unidos y China. [Inferencia: riesgo residual]

9. Ajuste de la tesis: qué cambia y qué permanece

Primero, se debilita la lógica del colapso de los hiperescaladores estadounidenses. AWS y Azure alojan DeepSeek directamente, ofreciendo aislamiento de datos, SLA y evaluación de seguridad. La nube estadounidense puede absorber la innovación de costos de los modelos chinos y convertirla en ingresos. [Hecho: anuncios oficiales de AWS y Azure]

Segundo, la presión de precios llega primero a las API de modelos cerrados. Es una carga para el precio del token y el margen de OpenAI, Anthropic y Google, pero el volumen de inferencia y el uso de AWS y Azure pueden aumentar. Es relativamente favorable para la estrategia de modelos abiertos de Meta.

Tercero, la separación entre Estados Unidos y China respalda la inversión total en infraestructura. Ambos bloques construyen de forma redundante aceleradores, memoria, redes y redes eléctricas. Disminuye la probabilidad de que la mejora de eficiencia se traduzca directamente en una caída del gasto global en silicio.

Cuarto, la prima de HBM de SK Hynix puede mantenerse más tiempo dentro del bloque aliado. Es probable que el HBM de CXMT penetre primero en los aceleradores y centros de datos chinos. La adopción por parte de los CSP occidentales requiere, además de la calificación técnica, una calificación política y de cadena de suministro. Sin embargo, el control de exportaciones acelera la inversión de autosuficiencia de China, lo que representa un riesgo para la cuota de mercado de SK Hynix dentro de China a partir de 2028.

Quinto, Samsung Electronics es una cobertura relativa. La inferencia barata y la difusión de modelos abiertos pueden aumentar no solo el HBM, sino también el volumen total de DRAM de servidor, NAND y memoria de propósito general. Del lado opuesto está el riesgo de ser la primera en exponerse al aumento de producción de DRAM de propósito general de CXMT.

10. El orden de los perjudicados y los beneficiados

Mayor perjuicio: las ganancias excedentes de las API de modelos cerrados, los operadores de alquiler de GPU con alto apalancamiento
Riesgo intermedio: operadores con gran inversión previa y concentración de clientes, como Oracle
Meta: no es la mayor perjudicada. Usa los modelos abiertos para reducir costos, por lo que hay posibilidad de beneficio relativo. La carga recae en el CAPEX y la depreciación
NVIDIA: el múltiplo y el mix de productos se presionan antes que el EPS de corto plazo. La sustitución dentro de China es un riesgo, pero el foso de CUDA, la red, la eficiencia energética y el tiempo de desarrollo se mantiene
Memoria: el escenario base no es una caída de la demanda absoluta de HBM, sino la reducción de la prima de escasez de HBM sumada a la expansión por capas hacia DDR, CXL y eSSD

11. Actualización de escenarios

Es razonable ajustar de forma provisional las probabilidades utilizadas en Valor justo de los semiconductores.

Escenario	Anterior	Nuevo
Continuación del exceso de demanda	30%	30%
Reconcentración de activos	40%	40%
Normalización de oferta y eficiencia	20%	25%
Cortocircuito de la demanda sistémica	10%	5%

El rendimiento de los modelos chinos reduce la probabilidad de que la demanda de IA misma desaparezca (de un cortocircuito del 10% al 5%). En cambio, la mejora de eficiencia y el hardware chino reducen la prima de escasez de NVIDIA y del HBM (de una normalización del 20% al 25%).

El escenario en el eje temporal también se puede mantener. El uso le gana a la eficiencia hasta 2027 con 70%, la normalización de mix y precio se produce desde 2028 con 25%, y la contracción del CAPEX total queda en 5%. Sin embargo, el motor del escenario del 70% cambia de un único ecosistema global a la inversión dual del bloque estadounidense y el bloque chino. [Inferencia: reajuste de escenario]

12. Qué confirmaría un cambio de juicio

El informe técnico de Kimi K3 (27 de julio): si se revela el hardware de entrenamiento, se decide la veracidad de la premisa “entrenamiento de frontera con GPU de gama baja”
La tasa de crecimiento de tokens frente a la tasa de caída de memoria por token: la diferencia entre estos dos valores es la respuesta real a este debate
La calificación de producción en masa del HBM3E de CXMT y el volumen real de empaquetado: si se confirma, hay que bajar juntos el EPS 2028 y el múltiplo de SK Hynix
La desaceleración del precio y el contenido de HBM: la primera señal de reducción de la prima de escasez
La expansión del rehosting de modelos chinos por parte de los CSP occidentales: evidencia del aumento de valor de la distribución en la nube
La aplicación real de la regulación de adquisiciones y seguridad de Estados Unidos: el alcance de la prohibición de facto que opera antes que la legislación

Ahora no es el momento de mezclar el riesgo terminal con los resultados del período actual. Basta con ajustar el 2028 en adelante de SK Hynix cuando se confirme la calificación de producción en masa del HBM3E de CXMT. [Inferencia: orden de evaluación]

Cierre

Volviendo a la pregunta, la respuesta es esta.

Es un hecho que los modelos abiertos chinos convergen hacia la frontera estadounidense, y también es un hecho que el costo por unidad de inteligencia se ha desplomado. Pero eso no significa una caída del gasto total en silicio. El alza del CAPEX de TSMC y el aumento del 30% en tokens de Microsoft son la respuesta hasta ahora.

La política estadounidense cambia radicalmente esta interpretación. La separación entre Estados Unidos y China genera una inversión redundante en ambos bloques, lo que respalda la demanda total de infraestructura, y dentro del bloque aliado protege políticamente el lugar del stack estadounidense y de la memoria coreana.

La adopción de las API de modelos chinos por parte de la empresa occidental hay que verla separando el modelo del operador. La tecnología se difunde como open-weight, pero es probable que quien la venda no sea el operador de API chino, sino AWS, Azure y la VPC empresarial.

Por eso la conclusión es redistribución. Lo que se derrumba son las ganancias excedentes de las API de modelos cerrados, y lo que permanece es la infraestructura basada en uso.

Esta publicación es un análisis que integra papers públicos (DeepSeek V3/V4, Huawei CloudMatrix384), anuncios oficiales de empresas (Kimi, call del 2T26 de TSMC, call del 3T del FY26 de Microsoft, CXMT, Alibaba Cloud, Política de Privacidad de DeepSeek), material del gobierno de Estados Unidos (AI Action Plan, EO 14320, BIS), medidas regulatorias de distintos países e investigación de mercado (TrendForce, JPMAM). El hardware de entrenamiento de Kimi K3 permanece sin confirmar hasta la publicación del informe técnico del 27 de julio, y las estimaciones de capacidad de CXMT y las probabilidades de los escenarios son estimaciones del autor al momento de escribir, no guía de la empresa. Los valores mencionados son ejemplos para explicar la estructura de la cadena de valor y no constituyen una recomendación de compra o venta de ningún valor en particular. La decisión de inversión y su responsabilidad recaen en el propio inversor.

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.