El sector de los centros de datos atraviesa su transformación estructural más significativa desde la era de la virtualización. El motor no es el entrenamiento del próximo modelo de frontera, sino servir a los que ya existen. La infraestructura de inferencia de IA se está convirtiendo rápidamente en la tesis de inversión dominante para los hyperscalers, los operadores de colocación y los proveedores de nube por igual, y los equipos de TI europeos necesitan entender qué implica eso para la contratación, los costes y el lugar donde realmente se ejecutan sus cargas de trabajo.
Las cifras son difíciles de ignorar. El gasto global en infraestructura de IA alcanzó los 318.000 millones de dólares a lo largo de 2025, más del doble de los 153.000 millones registrados en 2024, según IDC. Los cinco mayores inversores (Microsoft, Amazon, Alphabet, Meta y Oracle) han proyectado un gasto de capital combinado de entre 635.000 y 690.000 millones de dólares para 2026. IDC prevé que el mercado supere el billón de dólares en 2029. No se trata de una burbuja inflada por la especulación: es el mayor ciclo de inversión tecnológica privada de la historia, y el centro de gravedad está pasando de construir modelos a ejecutarlos.
La inferencia representa ahora entre el 60 y el 70 por ciento de la demanda total de cómputo de IA entre los principales hyperscalers, frente al 40 por ciento aproximado de 2024. McKinsey proyecta que, para 2030, la inferencia de IA pasará de una demanda energética de 20,9 GW a 93,3 GW, una tasa de crecimiento anual compuesto del 35 por ciento, superando por completo a las cargas de trabajo no relacionadas con la IA en 2029. El mercado de inferencia de IA en sí tiene una previsión de crecimiento de 106.000 millones de dólares en 2025 a 255.000 millones en 2030. El entrenamiento construyó los campus. La inferencia elige los mercados.
El entrenamiento y la inferencia son problemas de infraestructura distintos
El cambio importa operativamente porque el entrenamiento y la inferencia imponen requisitos fundamentalmente diferentes a las instalaciones, y confundirlos lleva a decisiones de contratación erróneas. Las cargas de trabajo de entrenamiento son insensibles a la latencia: pueden tolerar retardos de hasta 100 milisegundos entre regiones adyacentes, lo que permite a los operadores ubicarlas en emplazamientos remotos con abundancia de energía. Un solo rack de GPU de entrenamiento modernas puede consumir entre 100 kW y más de 300 kW, lo que exige refrigeración líquida directa al chip o intercambiadores de calor en la puerta trasera, ya que la refrigeración por aire no puede disipar físicamente esa carga.
La inferencia es lo opuesto. Es sensible a la latencia por definición: el usuario está esperando. Los racks de inferencia operan típicamente entre 30 y 150 kW por rack, lo que otorga a los operadores mayor flexibilidad en el diseño de refrigeración, pero los requisitos de red son estrictos. Las cargas de trabajo de inferencia incrementan el valor de las instalaciones con ecosistemas de interconexión densos, un peering externo sólido y proximidad a los usuarios finales. Se trata de un cálculo de selección de emplazamiento completamente distinto al modelo de campus remoto que dominó la expansión de entrenamiento de 2023 y 2024.
El entrenamiento optimiza la densidad de cómputo bruta. La inferencia optimiza la latencia, la conectividad y la eficiencia energética de forma simultánea. Las instalaciones que hacen bien una cosa no hacen automáticamente bien la otra.
Las limitaciones de suministro de GPU son un riesgo real de contratación
NVIDIA controla aproximadamente el 88 por ciento del mercado de aceleradores de IA, impulsado por sus GPU H100 y Blackwell. Esas GPU se diseñan en Estados Unidos, pero se fabrican casi en su totalidad en Taiwán. El CSIS señala que las instalaciones de fabricación planificadas en EE. UU. no abrirán antes de 2028 como mínimo, lo que significa que la concentración de la cadena de suministro en Taiwán es estructural, no transitoria.
La consecuencia práctica para los compradores ya es visible. SemiAnalysis ha informado de que toda la capacidad de GPU bajo demanda que entrará en servicio hasta agosto o septiembre de 2026 ya está reservada, con plazos de entrega para nuevos despliegues de Blackwell que se extienden hasta junio o julio. Los precios de contrato para las H100 subieron de 1,70 dólares por GPU-hora en octubre de 2025 a 2,35 dólares por GPU-hora en marzo de 2026, un incremento del 40 por ciento en cinco meses para un chip de dos generaciones de antigüedad. La disponibilidad en spot es escasa incluso para generaciones de GPU más antiguas.
Para los equipos europeos que construyen capacidad de inferencia de IA, esto significa que la pregunta no es solo qué GPU utilizar, sino qué proveedor dispone de suministro comprometido y para cuándo. La capacidad que no existe en contrato es capacidad sobre la que no se puede planificar.
Cuánto cuesta realmente la inferencia GPU bajo demanda en Europa
Los precios de las H100 entre los proveedores rastreados oscilan actualmente entre 0,50 dólares por GPU-hora en instancias spot y casi 15 dólares por GPU-hora, según el proveedor, el tipo de instancia y el modelo de facturación, con una media de aproximadamente 3,31 dólares por hora entre 45 proveedores rastreados. Los grandes proveedores de nube suelen fijar el precio del mismo hardware en el extremo superior de ese rango, y sus tarifas no siempre reflejan los costes de egreso, las restricciones de residencia de datos o la carga de cumplimiento normativo que conllevan las cargas de trabajo europeas.
Los chips representan aproximadamente el 60 por ciento de la inversión total en centros de datos de IA, según el análisis de McKinsey de 2025. El 40 por ciento restante cubre energía, refrigeración, construcción, redes y terreno. Para los operadores europeos, los costes energéticos y los requisitos regulatorios en materia de gestión de datos añaden dimensiones adicionales que un precio bruto por GPU-hora no captura. Un modelo que se ejecuta en la región europea de un hyperscaler estadounidense sigue estando sujeto a la estructura de gobernanza de datos global de ese proveedor, lo que tiene implicaciones directas para el cumplimiento del RGPD y el riesgo derivado de Schrems II.
Por qué la ubicación de las instalaciones es una decisión propia de la era de la inferencia
Operamos nuestra infraestructura de inferencia y entrenamiento de IA en cuatro emplazamientos carrier-neutral: MAD1 en Madrid, MUC1 en Múnich, HEL1 en Helsinki y AMS1 en Ámsterdam. HEL1 funciona con energía 100 por ciento verde y refrigeración gratuita, lo que cambia materialmente la economía de las cargas de trabajo GPU de alta densidad energética. MUC1 sirve al sector financiero e industrial, donde los requisitos de latencia y residencia de datos se encuentran entre los más estrictos de Europa. MAD1 actúa también como nuestro hub de conectividad para LATAM. Los cuatro emplazamientos tienen peering directo con AWS, Azure, GCP, Oracle y Cloudflare, algo que importa específicamente para la inferencia: una carga de trabajo que llama a APIs externas o devuelve resultados a usuarios distribuidos a través de la CDN de un hyperscaler se beneficia de ese peering en cada solicitud.
Nuestros 44 puntos de presencia en Europa y Oriente Medio no son una métrica de escaparate en una arquitectura propia de la era de la inferencia. La inferencia de baja latencia a escala requiere una red que llegue a los usuarios, no solo cómputo que llegue a internet.
El cambio de modelo de negocio y lo que significa para los compradores
Los hyperscalers no construyen capacidad de inferencia como efecto secundario de la inversión en entrenamiento. La construyen como modelo de ingresos: vender acceso a modelos con precios por token o por solicitud, amortizar el capex en GPU a lo largo de millones de llamadas a la API y retener a los clientes en APIs de modelos propietarios de las que es difícil migrar. Los ingresos por colocación de IA para entrenamiento e inferencia combinados tienen una previsión de crecimiento del 77 por ciento de CAGR entre 2025 y 2030, alcanzando los 134.000 millones de dólares a finales de la década, con la IA representando aproximadamente el 44 por ciento de los ingresos totales del mercado mundial de colocación en 2030.
Para los compradores europeos, la pregunta relevante no es si usar infraestructura de inferencia GPU, sino en qué condiciones y bajo qué jurisdicción legal. Ejecutar inferencia de IA en infraestructura sujeta a la legislación europea, operada por una empresa sin matriz extranjera y sin exposición a regímenes de acceso extraterritorial a datos, no es una casilla de cumplimiento normativo que marcar: es la arquitectura. Ofrecemos capacidad de inferencia y entrenamiento GPU bajo esas condiciones, respaldada contractualmente por un SLA de disponibilidad del 99,9 por ciento, en emplazamientos construidos exactamente para el perfil de latencia y conectividad que exigen las cargas de trabajo de inferencia.
El ciclo de inversión es real, los requisitos de infraestructura son distintos de todo lo anterior y las limitaciones de suministro son estructurales. Los equipos europeos que traten la contratación de inferencia GPU como una compra de commodity se encontrarán atrapados en los precios y la gobernanza de los hyperscalers, o esperando en una cola que se extiende hasta finales de 2026. La ubicación importa cuando la carga de trabajo es crítica.
