La IA ya no compite solo en potencia: ahora también compite en vatios
Durante meses hemos hablado de inteligencia artificial como una carrera de modelos, GPUs y centros de datos cada vez más grandes. Pero hay una variable menos vistosa que empieza a mandar: la electricidad. TSMC, el fabricante que produce chips para buena parte de la industria, ha puesto el dedo en la llaga: el consumo energético está obligando a rediseñar los chips de IA. Ya no basta con meter más transistores o aumentar la potencia bruta. Si cada salto de rendimiento exige más energía, más refrigeración y más infraestructura eléctrica, el problema deja de ser solo informático.
TSMC cambia el foco: más rendimiento sin disparar el consumo
La señal es importante porque no viene de una empresa secundaria. Según Reuters, Kevin Zhang, vicepresidente sénior de desarrollo de negocio de TSMC, ha explicado que la eficiencia energética se está convirtiendo en una prioridad mayor que la potencia de cálculo pura. El motivo es simple: los clientes quieren más rendimiento, pero no pueden aceptar que cada generación consuma proporcionalmente más.
Esto afecta a móviles, dispositivos conectados y, sobre todo, centros de datos de IA. En un portátil, consumir demasiado reduce autonomía. En un centro de datos, puede impedir ampliar capacidad. No hablamos solo de pagar una factura eléctrica más alta. Hablamos de suelo, permisos, refrigeración, subestaciones, contratos de energía y conexión real a la red.
La IA está convirtiendo el diseño de chips en un problema de ingeniería de sistemas, no solo de silicio.
El cuello de botella pasa del transistor al centro de datos
Durante décadas, la narrativa del semiconductor se apoyó en una idea cómoda: cada nueva generación de fabricación permitía más transistores, más rendimiento y, en muchos casos, mejor eficiencia. Esa lógica sigue existiendo, pero ya no basta por sí sola.
La Agencia Internacional de la Energía estima que el consumo eléctrico global de los centros de datos podría duplicarse hasta unos 945 TWh en 2030, impulsado en buena parte por la IA y otros servicios digitales. El dato aparece en su informe Energy and AI. Para hacerse una idea, esa cifra se acerca al consumo eléctrico anual de un país industrializado grande.
El problema no es que un chip concreto consuma mucho. El problema es la escala: millones de aceleradores funcionando de forma continua para entrenar modelos, servir inferencias, mover datos entre memoria y GPU, replicar cargas y mantener disponibilidad. En ese contexto, un pequeño ahorro por operación puede tener un impacto económico enorme.
La nueva carrera se juega en empaquetado, memoria y fotónica
Cuando se habla de chips de IA, mucha gente piensa en nanómetros. Es normal: 5 nm, 3 nm, 2 nm o A14 son etiquetas fáciles de entender. Pero la parte interesante de esta etapa está también fuera del transistor individual.
TSMC está empujando tecnologías como el empaquetado avanzado, el apilado 3D y la fotónica de silicio. En su Technology Symposium 2026, la compañía destaca avances en procesos A16 y A14, pero también en 3DFabric, CoWoS, SoIC, InFO y otras técnicas de integración. Traducido: no se trata solo de hacer transistores más pequeños, sino de acercar cálculo, memoria y comunicaciones para gastar menos energía moviendo datos.
Esto es clave porque en IA mover información puede ser tan costoso como procesarla. Las GPUs necesitan memoria de gran ancho de banda, interconexiones rápidas y baja latencia. Si cada dato recorre más distancia dentro del sistema, se pierde energía y tiempo. La eficiencia ya no depende solo del chip, sino del paquete completo.
Nvidia, Google y los grandes clientes empujan el cambio
La presión no viene solo de TSMC. Viene de todo el ecosistema. Nvidia necesita que sus próximas plataformas mantengan el salto de rendimiento sin convertir cada centro de datos en una central eléctrica en miniatura. Google, Microsoft, Amazon y Meta quieren chips propios o semipersonalizados para controlar coste, consumo y dependencia de proveedores. En Tecnoic ya expliqué cómo Google prepara nuevos chips de IA con Marvell, precisamente en esa línea de especialización.
La inferencia es especialmente relevante. Entrenar un gran modelo llama más la atención, pero ejecutar millones de consultas cada día es lo que convierte la IA en un servicio masivo. Ahí la eficiencia por petición importa muchísimo. Si responder a un usuario cuesta demasiada energía, el margen se estrecha.
Por eso veremos más ASIC, más aceleradores especializados, más memoria pegada al cómputo y más diseños pensados para cargas concretas. La GPU generalista seguirá siendo central, pero no será la única respuesta.
Europa debería mirar menos el modelo y más la infraestructura
En Europa solemos discutir la IA desde la regulación, los datos y los modelos. Son debates necesarios, pero incompletos. Si la infraestructura que sostiene la IA depende de chips fabricados fuera, memoria avanzada escasa, empaquetado muy concentrado y energía cada vez más tensionada, la autonomía digital tiene un límite claro.
El debate energético no significa que la IA sea inviable. Significa que la fase de crecimiento fácil se complica. Los operadores tendrán que optimizar ubicación, refrigeración, acuerdos de energía, reutilización de calor y eficiencia del hardware. Los fabricantes tendrán que exprimir cada vatio. Y los desarrolladores deberán pensar más en el coste real de cada consulta, no solo en la calidad de la respuesta.
En Tecnoic ya traté cómo ASML y TSMC confirman que la infraestructura de IA sigue acelerando. Esta nueva señal añade una capa más: acelerar no basta si la red eléctrica no acompaña.
Conclusión
La noticia de TSMC resume bien el momento: la IA sigue creciendo, pero empieza a enfrentarse a restricciones muy materiales. Potencia, memoria, empaquetado, refrigeración y electricidad forman ya una misma conversación. La próxima ventaja competitiva no será solo tener el chip más rápido, sino el que entregue más inteligencia útil por vatio consumido. Y ahí se va a jugar una parte importante de la industria tecnológica durante los próximos años. ¿Estamos mirando lo suficiente a la infraestructura que hay detrás de la IA?