La disparidad en los precios de las GPU revela un mercado fragmentado sin una referencia unificada

Autor original: David Lopez Mateos

Compilación original: Deep潮 TechFlow

Guía: Los medios de comunicación gustan de resumir la fluctuación de los precios de la potencia de cálculo GPU con un solo número, pero la realidad es que los cuatro proveedores de índices en la terminal Bloomberg ofrecen cotizaciones que difieren en más de 2 dólares, con direcciones y ritmos distintos. El autor de este artículo es David Lopez Mateos, fundador de la plataforma de intercambio de potencia de cálculo GPU Compute Desk, quien utiliza datos de transacciones en primera mano para desglosar la estructura de precios real de los H100 y B200, revelando un mercado primitivo sin referencia consensuada, sin contratos estandarizados ni curva a plazo: la potencia de cálculo se está acumulando y subarrendando como apartamentos de alquiler a corto plazo.

Los titulares de los medios te hacen creer que los precios de la potencia de cómputo GPU están disparándose. Esta narrativa es cómoda, encaja perfectamente en el marco macroeconómico de «escasez de oferta + demanda de IA insaciable», e implica algo tranquilizador: tenemos un mercado que funciona bien, con señales de precios claras y legibles.

Pero no es así. Esta narrativa se basa casi por completo en un solo índice, que implica algo que no debería implicarse: el mercado de alquiler de GPU ya es tan eficiente que puede representarse con un solo número el estado general.

La escasez de oferta es real, pero la forma en que diferentes personas la perciben varía enormemente: depende de quién eres, dónde estás y qué contrato o activo de cómputo estás negociando. Ante esta falta de transparencia, la reacción natural del mercado no es una descubrimiento de precios ordenado, sino la acumulación: reservar horas de GPU que aún no necesitas, porque no estás seguro de que puedas comprarlas el próximo mes a cualquier precio. Donde hay acumulación y falta de referencia transparente, surgen mercados secundarios fragmentados. En Compute Desk, ya hemos facilitado que los inquilinos alquilen sus clústeres como si fueran apartamentos durante eventos importantes. Esto no es una hipótesis; está sucediendo ahora mismo.

En mercados de materias primas maduros, los índices construidos con distintas metodologías tienden a converger. El petróleo Brent y el WTI presentan una diferencia de varios dólares debido a su ubicación geográfica y la calidad del crudo, pero se mueven en la misma dirección (Figura 1). Esta convergencia es un indicador de un mercado eficiente.

Leyenda: Comparación de la tendencia de precios del crudo Brent y WTI, con alta coincidencia en dirección

Actualmente, hay tres proveedores de índices de precios de GPU en las terminales Bloomberg: Silicon Data, Ornn AI y Compute Desk. SemiAnalysis acaba de lanzar el cuarto: un índice mensual de precios de contratos a un año para H100, construido con datos de encuestas a más de 100 participantes del mercado. Silicon Data y Ornn publican índices diarios de alquiler de H100, mientras que Compute Desk agrega datos a nivel de arquitectura Hopper. SemiAnalysis captura los precios de contrato negociados, no los precios de lista ni los precios obtenidos mediante scraping. Cada uno tiene una metodología distinta, frecuencia diferente y perspectivas distintas sobre el mismo mercado. Al superponerlos, las divergencias son evidentes (Figura 2).

Leyenda: Superposición y comparación de cuatro índices de GPU, con diferencias claras en niveles de precios y tendencias.

Con los datos de Compute Desk, podemos desglosar los cambios de precio del H100 por tipo de proveedor y estructura de contrato, y superponer el índice SDH100RT de Silicon Data (Figura 3). Todos los indicadores muestran un aumento de precios, pero los puntos de partida y las magnitudes varían considerablemente según el índice y el tipo de contrato.

Leyenda: Evolución de precios desglosada por tipo de contrato para H100 superpuesta con el índice SDH100RT

Los datos de neocloud de H100 de Compute Desk cuentan una historia más específica que el índice agregado. Los precios a la carta permanecieron relativamente estables durante todo el invierno, alrededor de $3.00/hora, antes de aumentar bruscamente a $3.50 en marzo. Los precios al contado fueron más ruidosos y más bajos, con una leve tendencia alcista hasta marzo. En cambio, el SDH100RT de Silicon Data mostró un aumento constante y más suave, subiendo de $2.00 a $2.64 durante el mismo período. Ambos índices se mantuvieron en niveles distintos y describieron ritmos temporales diferentes: Compute Desk indica un salto en marzo, mientras que Silicon Data describe un ascenso lento.

El precio reservado a un año se mantuvo básicamente estable hasta febrero, luego aumentó bruscamente de $1.90 a $2.64 a finales de marzo—no un ajuste progresivo, sino una revaluación repentina. Esto se asemeja más a un ajuste concentrado de tarifas de contrato por parte del proveedor tras una contracción en el mercado a la demanda, que a una demanda estructural sostenida.

La historia de marzo de B200 fue aún más intensa (Figura 4). El índice a la demanda de Compute Desk saltó de 5.70 dólares a más de 8.00 dólares en cuestión de semanas. El SDB200RT de Silicon Data subió de 4.40 dólares a 6.11 dólares antes de retroceder hasta 5.47 dólares. Ambos índices registraron este movimiento, pero partieron de una diferencia superior a 2 dólares y mostraron formas distintas de subida y caída. B200 tiene menos de cinco meses de datos, menos proveedores y mayores spreads; ambos índices están observando el mismo evento a través de lentes muy distintos.

Leyenda: Tendencia de precios a la carta y reservados para B200, con datos superpuestos de Compute Desk y Silicon Data

Los mercados de materias primas tienen diferencias de base. El gas natural de Appalachia es un caso de libro de texto: enormes reservas se encuentran sobre capacidad de transporte por tuberías estructuralmente limitada, y la utilización del corredor Pensilvania-Ohio a menudo supera el 100%, mientras que proyectos nuevos como Borealis Pipeline no entrarán en operación hasta finales de la década de 2020.

El mercado de GPU presenta una situación similar: una GPU H100 en Virginia y otra en Fráncfort no son el mismo bien económico. Pero solo la diferencia geográfica no puede explicar por qué la divergencia en los índices de medición del mismo mercado es tan grande. El desajuste en el mercado de GPU es más profundo que el del gas natural de los Apalaches. El problema del gas natural es un solo eslabón faltante: la capacidad de transporte de tuberías que conecta la oferta y la demanda. La brecha de infraestructura en el mercado de capacidad de cómputo existe en ambos lados, oferta y demanda. La infraestructura física —una red consistente, configuraciones predecibles y disponibilidad predecible necesarias para distribuir confiablemente la capacidad de cómputo— aún no está madura y a veces simplemente no funciona. La infraestructura financiera —contratos estandarizados, referencias transparentes y mecanismos de arbitraje que puedan comprimir las diferencias de precios a pesar de las diferencias físicas— tampoco existe aún.

Los datos cuentan una historia. La experiencia real de intentar adquirir capacidad de cómputo a principios de 2026 cuenta una historia aún más dolorosa. La capacidad bajo demanda de todos los tipos de GPU ya está agotada. Resulta difícil encontrar 64 unidades H100: Compute Desk muestra que el 90% de los proveedores tienen cero disponibilidad en sus clústeres bajo demanda, y el mercado reservado no está mucho mejor. En un mercado que funcione correctamente, esta escasez ya habría empujado los precios a un nuevo punto de equilibrio. Pero no ocurrió así. Esto indica que los proveedores también carecen de información en tiempo real sobre precios para ajustarlos. Los precios están subiendo, pero demasiado lentamente como para despejar el mercado. La brecha entre los precios de lista y la verdadera disposición a pagar está siendo llenada por acopio, subarriendo y transacciones en mercados secundarios informales.

Actualmente, el mercado de potencia de GPU presenta siete problemas fundamentales:

No hay un estándar de consenso. Coexisten múltiples índices con metodologías distintas y conclusiones contradictorias.

La narrativa agregada oculta la estructura. Un número como «precio de H100» oculta las grandes diferencias entre tipos de proveedores y plazos de contrato.

Faltan datos de nivel de operación. En el mercado de dos caras, la desviación entre el precio de oferta y el precio real de ejecución es muy grande.

No hay estandarización de contratos. La mayoría de los alquileres de GPU se negocian de forma bilateral con términos variables. Plazos de contrato más cortos y estandarizados mejorarían la liquidez y la descubrimiento de precios.

La calidad de la entrega no está garantizada. La topología de red, el emparejamiento de CPU, la pila de red y las diferencias de tiempo de ejecución varían enormemente. Los compradores deben conocer la calidad del poder de cómputo que están adquiriendo antes de hacer un compromiso.

El contrato no tiene liquidez. Si la demanda cambia durante el período de reserva, las opciones son limitadas: asumir los costos o subarrendar informalmente. El mercado necesita infraestructura para transferir o revender la capacidad de cómputo comprometida, permitiendo que la capacidad fluya hacia quienes más la necesitan.

No hay curva de futuros. Sin poder precificar los futuros, no se puede cubrir. Por eso, los prestamistas aplican un descuento del 40% al 50% sobre el colateral de GPU, manteniendo los costos de financiación elevados.

No es posible establecer un mercado funcional para la materia prima más importante del siglo solo con un solo enfoque. Medición, estandarización, estructura de contratos, calidad de entrega, liquidez: todos estos elementos deben avanzar simultáneamente; antes de eso, nadie puede determinar con precisión cuánto vale una hora de GPU.