Insights AI
La estrategia de Amazon de $220 mil millones en infraestructura de IA: chips personalizados, economía de los centros de datos e IA empresarial a escala
Podcast · Escuchar (20 min)
Contenido
- 1. El dilema del gasto de capital: ampliar la infraestructura ante una demanda insaciable
- 2. Los mecanismos de la economía de los centros de datos y las tensiones con la red eléctrica pública
- 3. La polarización de la demanda de IA y el papel de los chips personalizados
- 4. Diseño organizacional en la era de los agentes y realidades de la ciberseguridad
- 5. Asignación de capital, alianzas estratégicas y reinvención de productos centrales
- Cifras clave
- Qué cambiaría este panorama
- Fuentes citadas
Amazon atraviesa un ciclo sin precedentes de gastos de capital de $220 mil millones en 2026 para ampliar su infraestructura global de inteligencia artificial y computación en la nube. Impulsada por una demanda incesante que ha dejado la capacidad de cómputo totalmente vendida hasta 2026, mayormente vendida para 2027 y ampliamente comprometida para 2028, la compañía equilibra enormes inversiones financieras a corto plazo con la monetización de infraestructura a largo plazo. Para habilitar una adopción generalizada de la IA empresarial en las cargas de trabajo centrales de producción —actualmente limitada por los elevados costos de inferencia—, Amazon está implementando chips personalizados, incluidos los aceleradores Trainium y los chips de unidad central de procesamiento [CPU] Graviton desarrollados por Annapurna Labs. Junto con un cambio fundamental hacia flujos de trabajo de ingeniería de software extremadamente ágiles y basados en agentes, esta estrategia de asignación de capital busca reducir el costo del cómputo en un orden de magnitud y asegurar un liderazgo fundamental en la naciente era de la IA.
1. El dilema del gasto de capital: ampliar la infraestructura ante una demanda insaciable#
La enorme escala de la demanda actual de inteligencia artificial empresarial ha llevado la expansión de la infraestructura en la nube a un terreno inexplorado. Amazon proyecta aproximadamente $220 mil millones en gastos de capital totales para 2026, lo que se traduce en un ritmo extraordinario de inversión de capital de aproximadamente $600 millones por día. A pesar de este compromiso de capital, la capacidad de cómputo sigue estando muy limitada en todo el ecosistema de la nube. La capacidad de Amazon Web Services [AWS] está totalmente vendida hasta 2026, mayormente vendida para 2027 y ya tiene grandes asignaciones comprometidas para 2028. Aunque los mercados financieros ocasionalmente expresan escepticismo sobre la enorme escala financiera necesaria para financiar esta expansión, la infraestructura de cómputo empresarial se ha convertido en un servicio esencial para el comercio, la banca, la atención médica y las operaciones de software a escala global.
Esta rápida expansión genera disyuntivas operativas y financieras temporales que guardan un estrecho paralelismo con la expansión de la red física de Amazon durante la pandemia. Entre 2020 y 2022, Amazon duplicó el alcance de su red de preparación y despacho de pedidos —una red física construida durante los 25 años anteriores— en apenas 18 meses. Simultáneamente, la compañía construyó una red de transporte de última milla comparable en escala a United Parcel Service [UPS] en 20 meses.
Cuando la infraestructura física o digital se construye a una velocidad tan extrema, inevitablemente surgen ineficiencias operativas. En la división minorista, la rápida expansión generó inicialmente fuertes presiones sobre el costo de atención al cliente. En lugar de comprometer la experiencia del cliente o rebajar los estándares operativos de su cultura, Amazon aprovechó métricas de datos internas y mecanismos de revisión ejecutiva para identificar cuellos de botella estructurales. Esto llevó a un rediseño completo de la arquitectura de su infraestructura logística, convirtiendo una red nacional uniforme de preparación y despacho de pedidos en un modelo regionalizado. La regionalización situó el inventario más cerca de los consumidores finales, reduciendo simultáneamente las distancias de transporte y el costo operativo de atención, y acelerando las entregas.
Una evolución arquitectónica similar se está desarrollando en la infraestructura digital. El director ejecutivo de Amazon, Andy Jassy, presenta la expansión actual de los centros de datos como un imperativo industrial moderno y la compara con proyectos históricos de infraestructura federal. «No ha habido nada parecido en el mundo ni en este país desde, quizá, cuando construimos las carreteras y los puentes en la década de 1950», señaló Jassy. Omitir o retrasar este ciclo de capital representa un profundo riesgo estratégico; no establecer infraestructura nacional de cómputo podría ceder el liderazgo tecnológico y los estándares operativos a competidores extranjeros como China.
2. Los mecanismos de la economía de los centros de datos y las tensiones con la red eléctrica pública
Comprender la economía de los centros de datos de hiperescala requiere evaluar el ciclo de efectivo diferenciado de dos partes que rige la infraestructura en la nube:
- Estructuras de los centros de datos e infraestructura eléctrica: Las estructuras físicas de los centros de datos y las conexiones eléctricas requieren compromisos de capital aproximadamente dos años antes de la instalación de los servidores. Sin embargo, estas estructuras representan activos con una vida útil de 30 años que requieren un único desembolso principal de capital.
- Servidores y equipos de redes: Los activos de tecnología de la información —como los bastidores de servidores, los equipos de redes, la memoria de alto ancho de banda [HBM] y la memoria dinámica de acceso aleatorio [DRAM]— se compran apenas unos meses antes de su implementación. Estos activos tienen una vida útil de 5 a 6 años, suelen alcanzar el punto de equilibrio dentro de tres años y están respaldados por contratos de largo plazo con clientes cuya duración promedio es de cinco años.
Como las estructuras de los centros de datos requieren enormes desembolsos iniciales de capital dos años antes de generar ingresos, los operadores de hiperescala experimentan importantes presiones temporales sobre el flujo de caja libre (FCF) durante las fases de expansión acelerada. Los flujos de caja se normalizan y crecen de forma compuesta una vez que las instalaciones entran en funcionamiento, se instalan los servidores y comienza la monetización de los contratos con clientes. «Incluso gastando $220 mil millones en gastos de capital este año, estamos dejando una cantidad significativa de demanda sin atender», afirmó Jassy durante la conversación.
Simultáneamente, el desarrollo de infraestructura de hiperescala enfrenta tensiones políticas y oposición pública local relacionadas con los efectos ambientales y sobre la red eléctrica. Los datos empíricos de las fuentes refutan varias ideas erróneas comunes entre el público:
- Uso de agua: Los sistemas de refrigeración de los centros de datos son muy eficientes en comparación con los inmuebles comerciales tradicionales. Por ejemplo, la industria del golf consume 200 veces más agua que todos los centros de datos de Amazon juntos, y consume más agua en dos días que los centros de datos de Amazon en todo un año.
- Emisiones y generadores de respaldo: Los generadores diésel de respaldo ubicados en las instalaciones no funcionan continuamente. Operan únicamente durante cortes de electricidad y tareas de mantenimiento rutinario, y funcionan aproximadamente el 0.1% del año (alrededor de 10 horas anuales).
- Impacto económico local y sobre la red eléctrica: Los centros de datos representan enormes bases tributarias para las comunidades municipales que los albergan. En el condado de St. Joseph, Indiana, Amazon ha pagado aproximadamente $3 mil millones en impuestos locales. Además, Amazon ha comprometido $1 mil millones durante cinco años directamente para las comunidades anfitrionas mediante su programa «Built Together». Aunque la rápida demanda de electricidad obliga inicialmente a mejorar la red, los datos históricos de regiones de Indiana, Georgia y Mississippi demuestran que, una vez instalada la capacidad de infraestructura de la red regional, las tarifas eléctricas locales se estabilizan o disminuyen con el tiempo.
3. La polarización de la demanda de IA y el papel de los chips personalizados
La adopción actual de IA empresarial muestra un desajuste estructural que Andy Jassy describe como una «demanda en forma de mancuerna». El consumo de cómputo se concentra fuertemente en dos extremos del mercado, dejando sin penetrar la gran mayoría de las cargas de trabajo empresariales:
- El extremo de alto consumo de cómputo: Comprende laboratorios de investigación de IA de frontera y aplicaciones de consumo de crecimiento explosivo que consumen enormes cantidades de capacidad de cómputo independientemente del precio.
- El extremo de bajo consumo de cómputo: Comprende empresas que aprovechan la IA para evitar costos específicos y mejorar la productividad, como mediante la atención automatizada al cliente y la detección de fraude.
- La franja intermedia sin penetrar: Comprende las aplicaciones centrales de producción empresarial, que siguen mayormente vinculadas a arquitecturas tradicionales de CPU.
El principal cuello de botella que impide que estas cargas de trabajo centrales de producción migren a aceleradores de IA es el costo de inferencia. Aunque los costos de inferencia han disminuido, siguen siendo demasiado altos por un orden de magnitud para justificar la reescritura de aplicaciones de uso generalizado. «El costo de inferencia... sigue siendo, en mi opinión, demasiado elevado por un orden de magnitud para que pueda utilizarse de la forma más generalizada posible», observó Jassy. Si la diferencia de costos entre el cómputo estándar con CPU y el cómputo acelerado por IA sigue siendo elevada, el beneficio incremental de rendimiento debe alcanzar un umbral de retorno sobre la inversión inusualmente alto. Reducir el costo de inferencia constituye el único catalizador esencial necesario para desbloquear este enorme mercado intermedio.
La estrategia de Amazon para reducir los costos de inferencia depende en gran medida de los chips personalizados desarrollados por Annapurna Labs, adquirida en 2015. Originalmente, Annapurna fue adquirida para trasladar las tareas de almacenamiento, redes, virtualización y seguridad de las CPU de los servidores a tarjetas de interfaz de red [NIC] dedicadas. Esta arquitectura permitió a AWS asignar casi el 100% de la capacidad de CPU de los servidores de Elastic Compute Cloud [EC2] directamente a las cargas de trabajo de los clientes.
Esta base de ingeniería dio lugar a dos familias de chips fundamentales:
- CPU Graviton: Desarrollados como alternativa a la arquitectura x86 tradicional, los chips Graviton ofrecen una ventaja del 40% en la relación precio-rendimiento frente a los procesadores x86 estándar. Actualmente, Graviton es utilizado por el 99% de los 1,000 principales clientes de EC2 de AWS.
- Aceleradores de IA Trainium: Diseñados específicamente para el entrenamiento y la inferencia de aprendizaje profundo, los procesadores Trainium ofrecen una ventaja del 30% al 40% en la relación precio-rendimiento frente a los procesadores gráficos comerciales de la competencia.
Al reducir el costo de inferencia en un orden de magnitud mediante chips personalizados, Amazon busca hacer económicamente viable que las empresas convencionales reescriban sus aplicaciones centrales de software para integrar la IA de forma generalizada.
4. Diseño organizacional en la era de los agentes y realidades de la ciberseguridad
La proliferación de la IA generativa y de las herramientas de desarrollo basadas en agentes está alterando fundamentalmente la ingeniería de software, las estructuras de los equipos y los modelos operativos corporativos. La tendencia histórica hacia estructuras organizacionales hiperespecializadas —en las que cada gerente de producto o ingeniero es responsable de partes diminutas de un producto— está dando paso a equipos extremadamente reducidos y multifuncionales.
Un ejemplo destacado de este cambio de velocidad ocurrió dentro de la propia AWS: el equipo de ingeniería de AWS Bedrock reconstruyó por completo su motor central de inferencia con 6 ingenieros en 76 días. Históricamente, un proyecto de infraestructura de esa magnitud requería 40 ingenieros trabajando durante un año completo. Asimismo, pequeños equipos internos de 4 a 5 ingenieros ahora pueden construir prototipos de software listos para su lanzamiento en un 80% durante un solo fin de semana.
Estas métricas de velocidad señalan una transición fundamental en la forma en que las organizaciones técnicas asignan el capital humano:
- Cambio en la escala de la fuerza laboral: Las organizaciones de software necesitarán menos desarrolladores humanos para tareas tradicionales, como la programación manual, el procesamiento básico de documentos legales y la inteligencia de negocios rutinaria. «En el futuro tendremos menos personas haciendo el trabajo que hacen hoy de las que tenemos actualmente», explicó Jassy.
- Equipos multifuncionales desde su concepción: Los equipos de desarrollo operarán con estructuras más pequeñas y sumamente flexibles desde etapas avanzadas de construcción, aprovechando modelos de IA para ejecutar el 80% de las tareas rutinarias.
- Reducción del tiempo de lanzamiento al mercado: Los ciclos de iteración de productos se están acortando, pasando de hojas de ruta de planificación de varios meses a ciclos intensivos de creación de prototipos de varios días.
Sin embargo, la velocidad de los agentes introduce graves amenazas de ciberseguridad. Los modelos avanzados de IA están descubriendo vulnerabilidades de software más rápido de lo que los especialistas humanos en seguridad o los evaluadores tradicionales de pruebas de penetración pueden identificarlas.
Tradicionalmente, la seguridad del software dependía de identificar vulnerabilidades, elaborar parches, probar dependencias e implementar actualizaciones: un proceso que suele tardar semanas o meses. En un entorno de amenazas basadas en agentes, las organizaciones deben reducir los tiempos de implementación de parches a minutos. Para sobrevivir a este cambio, las empresas deben reescribir sus bases de código heredadas con arquitecturas nativas para agentes, permitiendo que los agentes de software automatizados descubran vulnerabilidades, las corrijan e implementen actualizaciones de forma continua sin intervención humana manual.
5. Asignación de capital, alianzas estratégicas y reinvención de productos centrales
La estrategia de inversión de capital de Amazon combina el desarrollo de chips propios con alianzas estratégicas de varios miles de millones de dólares con los principales desarrolladores de modelos de IA.
Mediante su alianza con Anthropic, AWS actúa como el principal proveedor de entrenamiento e inferencia para los modelos Claude. Anthropic se ha comprometido a implementar capacidad de cómputo de varios gigavatios basada en chips Trainium, mientras ofrece sus modelos de forma nativa en AWS Bedrock. Asimismo, Amazon ha ampliado su ecosistema para admitir cargas de trabajo de OpenAI en AWS, desarrollando conjuntamente entornos de ejecución especializados con estado, diseñados específicamente para la ejecución basada en agentes.
Más allá de alojar modelos externos, la estrategia tecnológica empresarial exige reinventar desde cero productos maduros y muy exitosos, en lugar de depender de actualizaciones incrementales de funciones. Jassy cita la renovación completa de Amazon Alexa como caso de estudio. Aunque la arquitectura original de Alexa fue revolucionaria en su lanzamiento, la llegada de la IA generativa exigió reemplazar por completo su motor subyacente.
Aunque actualizar de forma incremental el software heredado es más fácil desde el punto de vista organizacional, preservar el liderazgo de mercado exige reescrituras fundamentales. Las aplicaciones empresariales consolidadas en el comercio minorista, la transmisión de video y la gestión de la nube deben someterse a rediseños completos nativos de IA para seguir siendo competitivas frente a las empresas emergentes con arquitecturas nativas para agentes.
Cifras clave#
- $220 mil millones: Gasto de capital previsto de Amazon en 2026 (~$600 millones por día).
- 36.7%: Crecimiento interanual de los ingresos de AWS en el trimestre más reciente, con un ritmo anualizado de ingresos de $169 mil millones.
- $25+ mil millones: Ritmo anualizado de ingresos de AWS para su negocio de inteligencia artificial generativa durante sus primeros 3 años (frente a un ritmo anualizado de $60 millones después de 3 años en los inicios de AWS).
- 80%: Crecimiento aproximado de los ingresos totales de Amazon desde 2021 hasta la actualidad.
- 3x: Magnitud del crecimiento de AWS desde 2021 hasta la actualidad.
- 2.5x: Crecimiento de los ingresos publicitarios de Amazon desde 2021 hasta la actualidad.
- 30 años frente a 5–6 años: Vida útil de la infraestructura de centros de datos (30 años) frente a los equipos de servidores y redes (5–6 años, punto de equilibrio en ~3 años).
- 40%: Mejora de la relación precio-rendimiento de los procesadores centrales Graviton frente a los procesadores x86 estándar.
- 30%–40%: Ventaja en la relación precio-rendimiento de los chips de inteligencia artificial Trainium frente a procesadores comparables.
- 200x: Factor por el que el consumo de agua de los campos de golf supera al de los centros de datos de Amazon.
- 0.1%: Porcentaje del año durante el cual operan los generadores de respaldo (aproximadamente 10 horas al año).
- $3 mil millones: Impuestos pagados por Amazon en el condado de St. Joseph, Indiana.
- $1 mil millones: Compromiso a cinco años con las comunidades que albergan centros de datos mediante el programa "Built Together".
- 6 ingenieros en 76 días: Alcance de la reconstrucción del motor de inferencia por parte del equipo de Bedrock (frente a las 40 personas durante 1 año que se requerían históricamente).
Qué cambiaría este panorama
- Reducción drástica del costo de inferencia: Una caída masiva de los costos de inferencia impulsada por chips personalizados (por ejemplo, Trainium) que lleve al segmento intermedio de la estrategia de "barra" (aplicaciones empresariales de uso generalizado) a abandonar las arquitecturas basadas únicamente en procesadores centrales.
- Resolución de las restricciones de suministro de componentes y energía: Incrementos significativos en las cadenas de suministro de memoria (HBM/DRAM), energía y refrigeración que permitan ampliar la capacidad más allá de las restricciones actuales de capacidad totalmente vendida (2026–2028).
- Reescrituras autónomas generalizadas mediante agentes: Empresas que logren actualizar las arquitecturas de sus bases de código heredadas para que sean nativas para agentes, lo que permitiría implementar parches de seguridad minuto a minuto.
- Cambio en las alianzas público-privadas de infraestructura: Inversiones federales y locales aceleradas en la capacidad de la red eléctrica para satisfacer la demanda industrial de cómputo a hiperescala.
Para explorar más análisis gratuitos o probar sus propios modelos, visite la plataforma de DeepValues Research o pruebe la aplicación DeepValues.
Fuentes citadas#
Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs, hosted by a16z (Video Transcript).
Ver
Enlaces a las fuentes
Ver y escuchar
- $220B AI Bet: How AWS Custom Chips Cut Costs 40% YouTube · EN
- 亞馬遜砸2200億美元搶AI:自研晶片如何把成本砍掉四成 YouTube · 中文
- $220B AI Bet: How AWS Custom Chips Cut Costs 40% Podcast · EN
- 亞馬遜砸2200億美元搶AI:自研晶片如何把成本砍掉四成 Podcast · 中文