Cada vez que preguntamos algo a Gemini o a ChatGPT, damos por hecho que hay potencia de sobra detrás. Pero esa potencia también tiene límite, y Google acaba de chocar con él. Se ha sabido esta semana que la compañía ha limitado el acceso a Gemini a varios de sus clientes de Google Cloud. El más afectado ha sido Meta.
Qué ha pasado exactamente
El límite no es tan reciente como parece. Google ya avisó a Meta en marzo de que no podría darle toda la capacidad que pedía, pero el acuerdo se mantuvo en privado hasta ahora, cuando han trascendido los detalles.
Meta usaba Gemini sobre todo para moderar contenido: detectar estafas, retirar publicaciones dañinas y mantener sus redes sociales seguras. Podría haber usado su propio modelo, Llama, pero para este tipo de tareas Gemini le daba mejores resultados. Cuando el acceso se redujo, Meta pidió a sus empleados que ahorraran tokens, la unidad con la que se mide el uso de una inteligencia artificial. Con menos margen para experimentar, varios proyectos internos de IA se retrasaron: equipos que necesitaban capacidad extra para probar nuevas funciones tuvieron que esperar turno, y algunos lanzamientos previstos para los próximos meses se han movido en el calendario.
Lo llamativo es a quién le ha tocado. Meta no es una empresa pequeña pidiendo un favor: tiene su propia división de inteligencia artificial, sus propios modelos y un presupuesto de decenas de miles de millones de dólares para este terreno. Aun así, cuando pidió más potencia a Google, la respuesta fue que no la había. Ese detalle resume el problema de fondo: la capacidad de cómputo ha dejado de ser un recurso que se compra sin más, incluso para los gigantes tecnológicos.
Por qué no hay chips para todos
El problema no es que Google no quiera invertir. Al contrario: es la empresa que más dinero está destinando a infraestructura de inteligencia artificial en este momento. Para 2026 ha anunciado un gasto de entre 180.000 y 190.000 millones de dólares, casi el doble de lo que gastó el año anterior. El problema es que ese dinero no se traduce en capacidad de forma inmediata.
Construir un centro de datos lleva tiempo. Fabricar los chips que necesita, también. La demanda de inteligencia artificial ha crecido a un ritmo que ninguna empresa había previsto, y la industria que fabrica estos componentes no puede acelerar su producción de la noche a la mañana.
El cuello de botella tiene varias capas. La primera son los chips especializados que procesan estos modelos, como las GPU de Nvidia o las TPU que desarrolla el propio Google. La segunda es la memoria de alta velocidad que necesitan estos chips para funcionar, un componente que también escasea porque su fabricación se ha desviado hacia los clientes de inteligencia artificial, dejando menos disponible para otros productos electrónicos. La tercera es la energía: estos centros de datos consumen cantidades enormes de electricidad, y conseguir esa energía, conectarla a la red y construir la infraestructura necesaria lleva años, no meses.
El propio Google ha tenido que salir a buscar capacidad fuera de sus muros. En junio acordó pagar unos 920 millones de dólares al mes a SpaceX para usar unas 110.000 GPU alojadas en sus centros de datos, un acuerdo pensado como solución temporal mientras su propia infraestructura se pone al día. Que una de las compañías más grandes del mundo tenga que alquilar potencia de cómputo a otra para cubrir sus propias necesidades da la medida real del problema.
La paradoja de que Meta dependa de Google
Meta y Google compiten directamente en inteligencia artificial. Cada una tiene sus propios modelos, sus propios laboratorios y sus propios planes para liderar el sector. Por eso llama la atención que una dependiera de la otra para hacer funcionar parte de su negocio.
No es un caso aislado. En la práctica, ninguna empresa tecnológica construye todo lo que necesita desde cero. Meta tiene Llama, su familia de modelos de código abierto, pero seguía recurriendo a Gemini porque le daba mejores resultados en tareas concretas como la moderación de contenido. Apostar por la herramienta que mejor funciona, aunque la fabrique un rival, es una decisión habitual en este sector.
El problema aparece cuando esa herramienta deja de estar disponible. Meta se ha visto obligada a acelerar el desarrollo de su propio modelo cerrado, Muse Spark, presentado por su división de superinteligencia el pasado abril. La idea es clara: depender menos de terceros, y sobre todo depender menos de un competidor que puede cortar el grifo cuando le convenga.
El episodio no es exclusivo de Meta. En un sector donde las grandes tecnológicas compiten entre sí, varias siguen apoyándose en la infraestructura de sus rivales, porque construir la propia a esa escala no es solo cuestión de dinero, sino de tiempo. Y ese es precisamente el problema que se repite en el resto de la industria.
Un problema de toda la industria, no solo de Google
El caso de Meta no es una excepción. Microsoft, Amazon y Anthropic han reconocido limitaciones parecidas en los últimos meses. La escasez de cómputo se ha convertido en un problema compartido por todas las grandes tecnológicas que ofrecen servicios de inteligencia artificial.
Las cifras de inversión lo confirman. Entre todas las grandes tecnológicas, el gasto previsto en infraestructura de inteligencia artificial para este año ronda los 650.000 millones de dólares. Es una cantidad enorme, y aun así no alcanza a cubrir la demanda. Cada empresa construye centros de datos, compra chips y firma acuerdos de energía al mismo ritmo que puede, pero la petición de cómputo crece más rápido que la oferta disponible.
Esto tiene consecuencias visibles fuera del sector tecnológico. Amazon ha subido un 20% el precio de acceso a cómputo con chips de Nvidia, un coste que sus clientes empresariales acaban trasladando a sus propios productos y servicios. Apple y Microsoft han encarecido algunos de sus dispositivos porque necesitan memoria de alta velocidad, el mismo componente que se disputan los centros de datos de inteligencia artificial. Esta misma semana, Apple ha subido el precio del MacBook Air de 1.099 a 1.299 dólares sin cambiar ni un solo componente del ordenador: el modelo es idéntico, solo cuesta 200 dólares más. Microsoft ha hecho lo mismo con la Xbox, encareciéndola hasta 150 dólares. Cuando la memoria escasea, sube de precio para todo el mundo, no solo para quien entrena modelos de inteligencia artificial.
El caso de Google y Meta ha llamado la atención por tratarse de dos gigantes, pero el mecanismo de fondo es el mismo en toda la industria: quien tiene la infraestructura decide quién accede a ella, y en qué cantidad.
¿Cuándo se resolverá el problema?
La escasez no va a durar para siempre. Los fabricantes de memoria ya han anunciado nuevas plantas de producción, aunque la mayoría no estarán operativas hasta 2027 o 2028. Google, por su parte, sigue ampliando su red de centros de datos y su producción de TPU, los chips que diseña específicamente para ejecutar sus propios modelos, con el objetivo de depender menos de terceros a medio plazo.
También hay margen de mejora en cómo se usa la potencia disponible. Los modelos más recientes, incluido el propio Muse Spark de Meta, están diseñados para ofrecer resultados similares consumiendo bastante menos cómputo que sus predecesores. Si esa tendencia se mantiene, parte de la presión sobre la infraestructura podría aliviarse sin necesidad de construir un solo centro de datos más.
Lo que ha pasado con Google y Meta no es un fallo puntual, sino una señal de hacia dónde va la industria en los próximos años: hacia una etapa en la que el acceso a la inteligencia artificial dependerá tanto de la capacidad de innovar como de la capacidad de construir la infraestructura que la sostiene.
Si te ha gustado este artículo y quieres recibir más contenido sobre innovación y tecnología directamente en tu correo, suscríbete a nuestra newsletter y mantente siempre actualizado. No somos de los que llenan tu bandeja, solo compartimos los lunes.
