OpenAI planea comprar TPUs de Google: qué cambia cuando el mayor cliente de Nvidia mira otro catálogo
The Information publicó el 27 de octubre que OpenAI planea comprar TPUs de Google y Reuters replicó el reporte el mismo día. Sin cifras, sin plazos y sin comentarios de las dos empresas, el dato que vale no es el titular: es que comprar chips, y no solo alquilarlos, ya sea una opción real.
Qué se reportó y qué no
El punto de partida es un reporte, no un comunicado, y esa diferencia decide cómo se lee todo lo demás.
La información de The Information y la réplica de Reuters
The Information publicó el martes 27 que OpenAI planea comprar chips de IA a Google, citando a una persona familiarizada con la operación. Reuters replicó el mismo día y añadió dos datos de contexto: la operación profundizaría los lazos entre OpenAI y Google, rivales en IA y en búsqueda, y esa misma semana OpenAI había dicho que ofrecería sus modelos frontera a través de Google Cloud. Las dos empresas ya hablaban de algo más que un pedido de silicio.
Lo que el reporte no dice: cifras, plazos y comentarios
No hay importe, ni número de chips, ni fecha de entrega, ni reparto entre entrenamiento e inferencia. Google no respondió a Reuters fuera del horario laboral y OpenAI declinó comentar. Por eso la frase "OpenAI compra TPUs de Google" no está confirmada por nadie: lo que consta es un plan atribuido a una sola fuente.
Lee también
Por qué conviene recordar lo que pasó en junio de 2025
En junio de 2025 se reportó que OpenAI empezaría a alquilar TPUs vía Google Cloud, su primer uso relevante de chips no-Nvidia. Dos días después, OpenAI dijo que no tenía planes activos de usar el chip de Google. Con este comprador, un reporte es una intención filtrada, no un contrato.
Comprar en vez de alquilar: qué cambia de verdad
Las dos opciones se parecen en la factura y se diferencian en todo lo demás.
Alquilar capacidad en la nube de otro
Alquilar es capacidad en el centro de datos de Google: se paga por uso, sin inversión inicial, y el proveedor se encarga del mantenimiento y de la generación de hardware. La contrapartida es que no decides cuándo cambia el chip, compites por capacidad con el resto de clientes y quedas expuesto a cuotas y precios ajenos.
Lee también
Hardware propio: capex, vida útil y control del activo
Comprar es inversión de capital: pagas por adelantado, amortizas en varios años y decides la utilización. El activo es tuyo y se puede reasignar entre cargas. El riesgo cambia de sitio: ya no es el precio, es haber comprado la generación equivocada. Para un laboratorio que planea cómputo a cinco años, es una decisión financiera, no técnica.
Google ya vende TPUs a clientes seleccionados desde mayo
Aquí está el cambio estructural que hace creíble el reporte. Antes, un TPU solo se conseguía alquilándolo en Google Cloud. Desde mayo de 2026, Google vende sistemas TPU completos a un grupo selecto de clientes que los instalan en sus propios centros de datos, y sus ejecutivos lo describieron así: un grupo reducido, en sus propias instalaciones. Sin esa puerta abierta, la frase no sería posible.
El foso de software se movió en octubre
El silicio nunca fue la única barrera: lo caro era portar el código.
TorchTPU: PyTorch nativo en TPUs, abierto con Meta
El 20 de octubre, en la PyTorch Conference North America, Google y Meta publicaron TorchTPU como código abierto: un backend nativo de PyTorch para TPUs, con ejecución eager e integración con torch.compile y XLA. La promesa es migrar con cambios de configuración, no reescribiendo el modelo. Meta dijo que piensa mover cargas de modelos de lenguaje más grandes a TPUs.
TorchNeuron de AWS y el backend TorchTPU de vLLM
La misma semana, AWS publicó TorchNeuron para Trainium en beta pública, y vLLM sacó su backend TorchTPU con lectura directa de buffers del dispositivo, manteniendo planificador, batching y API compatible con la de OpenAI. Los tres grandes de la nube invierten en que el mismo código de PyTorch corra en su silicio: eso convierte la migración en una decisión de compras y no de ingeniería.
Un cambio de configuración no es rendimiento pico
El matiz lo puso The New Stack: poner el modelo a correr es fácil, sacarle rendimiento pico exige optimización específica de TPU, con sharding, flags de XLA y kernels propios. "Ya no hace falta CUDA" es verdad a medias: ya no hace falta para arrancar.
El hardware, en números que se pueden comparar
Con la advertencia de siempre: cifras de terceros o de la empresa que vende, nunca de una prueba propia.
TPU v7 Ironwood: memoria, ancho de banda y FP8
Ironwood se describe con unos 4.614 TFLOPs en FP8, 192 GB de HBM3E en ocho bloques y 7,4 TB/s de ancho de banda, según fichas de terceros del anuncio. Son números de la misma familia que los de las GPU de referencia: la conversación ya no es "menos potencia", sino potencia similar con otro software y otro precio.
TPU 8i y 8t: lo que Google promete por dólar
En Cloud Next, en abril de 2026, Google presentó la generación siguiente: TPU 8i para inferencia, con hasta un 80 por ciento más de rendimiento por dólar que Ironwood en objetivos de baja latencia para modelos de mezcla de expertos grandes, y TPU 8t para entrenamiento, con hasta 2,7 veces más por dólar. Son cifras de Google y nadie fuera de Google las ha reproducido.
Lo que OpenAI ya tiene en casa
Comprar TPUs no sería su primer movimiento de diversificación.
Jalapeño, el ASIC de inferencia con Broadcom
OpenAI anunció en junio de 2026 Jalapeño, su chip propio de inferencia fabricado con Broadcom: solo inferencia, unos 700 W y la afirmación de un 50 por ciento menos de coste por token frente a GPU de referencia, con despliegue a escala de gigavatios desde finales de 2026. El análisis está en la nota sobre su entrada en despliegue.
Diversificar no es sustituir
Tener GPU de Nvidia, ASIC propio y TPUs a la vez no es una guerra: es una cartera. Cada proveedor cubre un tramo de la carga y presiona el precio de los otros dos. La oferta se mueve igual: Nvidia amplió su recompra y reveló contratos enormes con Anthropic (id 1202), Meta prepara sus chips MTIA para 2027 (id 1177) y Anthropic comprometió hasta un millón de chips y 3,5 GW de capacidad TPU desde 2027.
La cuenta del precio por token
La pregunta práctica no es qué acción sube, sino qué pasa con la factura.
Si baja el coste de servir, ¿baja el precio?
No automáticamente. El coste por token decide el margen del proveedor; el precio lo decide la competencia por capacidad. Si la demanda desborda la oferta, lo que aparece primero no es un descuento: son límites de tasa, colas y cambios de modelo por defecto.
Lo que dijo el mercado el 27 de octubre
Nvidia cerró ese día con una subida del 0,9 por ciento, a 217,94 dólares, por debajo del Nasdaq. Alphabet dijo a los inversores que las ventas de TPU se aceleran en el tramo final de 2026 y que la mayor parte de ese ingreso se reconoce en 2027. Un reporte no mueve un mercado solo; una tendencia de varios trimestres, sí.
Qué hacer con tu stack esta semana
Si construyes sobre APIs o sirves modelos propios, esto se traduce en tres tareas.
Abstrae el proveedor de cómputo
No ates el código a cuda. Trabaja sobre PyTorch, ONNX o vLLM y deja el dispositivo en configuración: si para mover una carga a otro acelerador tienes que reescribir el modelo, el código ya tomó la decisión de compras por ti.
Mide coste por tarea terminada, no tokens
El token es una unidad de facturación, no de valor. Mide lo que cuesta una tarea que el usuario da por buena, con reintentos, fallos y latencia incluidos. Un modelo más barato por token que falla el doble es más caro.
Ten un segundo proveedor probado
No hace falta migrar el 100 por ciento: basta un segundo camino probado para una parte del tráfico, con el modelo versionado en configuración y una prueba periódica. El día que cambien precios o cuotas, esa prueba es la diferencia entre dos horas y dos semanas.
Conclusión
El reporte no dice que OpenAI vaya a cambiar de proveedor, y probablemente pase tiempo antes de que alguien lo confirme. Lo que sí dice es más interesante: la decisión dejó de ser técnica y pasó a ser de compras, porque el software ya no ata y el hardware ya se vende. Tres cosas que mirar en los próximos meses: cuándo llega TPU 8i fuera de Google Cloud, cuánto tarda TorchTPU en acercarse a CUDA y si las ventas de TPU aparecen en los números de Alphabet en 2027. Si te interesa cómo se mueve el resto de la infraestructura, en el blog seguimos publicando cada semana.
