Una GPU de Nvidia puede seguir funcionando durante años y aún así volverse económicamente obsoleta mucho antes.
Esa distinción es importante, ya que Microsoft, Alphabet, Amazon y Meta invierten enormes cantidades de capital en infraestructura de IA. Los inversores tienden a centrarse en el costo inicial de los chips y los centros de datos, pero la depreciación determina cuánto de esa inversión eventualmente se convierte en un gasto en el estado de resultados.
La depreciación distribuye el costo del equipo a lo largo de su vida útil esperada. Una empresa que gasta $1 mil millones en servidores normalmente no registra toda la cantidad como gasto inmediatamente. En su lugar, el costo se reconoce durante varios años.
El problema con el hardware de IA es que la vida física y la vida económica pueden ser muy diferentes.
Por qué las GPU de IA pueden perder valor rápidamente
Una GPU no tiene que dejar de funcionar para volverse menos valiosa.
Las nuevas generaciones pueden entrenar modelos más rápido, consumir menos electricidad y proporcionar más potencia de cómputo por dólar. Eso significa que un acelerador más antiguo puede seguir siendo técnicamente utilizable, aunque se vuelva cada vez más costoso de operar en comparación con el hardware más reciente.
El rápido ciclo de productos de Nvidia hace que esto sea especialmente importante. La empresa ha pasado de Hopper a Blackwell mientras continúa desarrollando arquitecturas más recientes, aumentando el riesgo de que el hardware costoso de centros de datos se vuelva económicamente obsoleto más rápido que los servidores tradicionales.
Nvidia describe su estrategia actual de productos y tecnología a través de sus materiales de relaciones con inversores.
El problema también se relaciona directamente con si el gasto sin precedentes en IA corporativa realmente produce rendimientos atractivos. Nuestra guía sobre AI investment returns explica cómo los inversores pueden utilizar el flujo de efectivo libre, los márgenes y el retorno sobre el capital invertido para evaluar si esos gastos están generando resultados.
Por qué la depreciación puede cambiar las ganancias de las grandes tecnológicas
Imagina que una empresa gasta 6 mil millones de dólares en servidores de IA y espera que sigan siendo útiles durante seis años.
Muy simplemente, eso podría significar aproximadamente $1 mil millones de depreciación anual antes de considerar el momento y otros detalles contables.
Si la administración concluye en cambio que el equipo permanecerá económicamente útil solo durante cuatro años, el gasto anual podría aumentar sustancialmente.
El punto importante es que cambiar la suposición sobre la vida útil puede afectar las ganancias reportadas sin modificar el efectivo que se gastó originalmente.
Las grandes empresas de nube revelan estos supuestos en sus estados financieros. Los inversores pueden revisar las políticas de depreciación de Microsoft a través de sus archivos de relaciones con inversores, las divulgaciones de Alphabet a través de Alphabet Investor Relations y los archivos de Amazon a través de Amazon Investor Relations.
Eso no significa que las GPU más antiguas se vuelvan de repente inútiles. Las empresas pueden trasladarlas de cargas de trabajo exigentes de entrenamiento de modelos a inferencia, aplicaciones internas o tareas menos intensivas en cómputo.
Esa segunda vida puede extender su utilidad económica.
El número que los inversores deberían vigilar realmente
La pregunta más importante es, por lo tanto, no simplemente cuánto gasta Big Tech en GPUs.
¿Es si los ingresos y el flujo de efectivo generados por esas GPU crecen lo suficientemente rápido como para compensar la depreciación, los costos de electricidad y la sustitución tecnológica rápida.
Eso importa más a medida que crece los ingresos de chips de IA de Nvidia. La reciente cobertura de resultados de Nvidia de Coinpaper muestra la escala extraordinaria de la demanda actual de aceleradores.
El costo del hardware también es solo una parte de la ecuación. Los centros de datos de IA modernos consumen enormes cantidades de electricidad, lo que hace que la disponibilidad de energía sea otra restricción cada vez más importante. El explicador de Coinpaper sobre AI power markets examina por qué la economía de la electricidad podría volverse tan importante como las propias GPUs.