Estudio de Fluence: Las tarifas de GPU de hyperscalers son casi el doble que las de nubes especializadas

Fluence ha presentado un estudio llamado The AI Compute Race, dedicado al costo de alquilar procesadores gráficos para tareas de inteligencia artificial. Según el informe, las tarifas publicadas por los principales proveedores de nube son en promedio 1.98 veces más altas que las tarifas medianas de las nubes especializadas en GPU. La diferencia depende del modelo del procesador, el proveedor y las condiciones de alquiler.
Cómo difieren las tarifas de GPU
El estudio cubre el costo de la computación en la nube en procesadores gráficos NVIDIA H100, H200 y B200.
Según Fluence, las tarifas medianas de los hiperescaladores superan a las de las nubes especializadas en GPU en 2.8 veces para H100 y 1.4 veces para B200.
Para NVIDIA H200, el rango de tarifas publicadas es de $4.08 a $10.60 por hora de GPU.
La duración del contrato afecta significativamente el costo. En comparación con las tarifas por hora del mismo proveedor, las reservas anuales ofrecen un descuento mediano del 21%, y las reservas de tres años ofrecen un 48%.
Alquilar potencia de computación interrumpible cuesta en promedio el 53% del costo estándar de uso bajo demanda. Sin embargo, dichos recursos son principalmente adecuados para tareas que permiten detener y reanudar los cálculos.
La comparación se basa en tarifas declaradas, que pueden diferir de los términos reales de los acuerdos corporativos individuales.
Los costos de alquiler de GPU continúan aumentando
Según datos de GetDeploying, citados en el estudio, el costo de alquiler de 17 de los 22 modelos de procesadores gráficos rastreados ha aumentado en el último año.
Las tarifas medianas para NVIDIA H100 han aumentado entre un 13% y un 30% dependiendo del período de comparación.
Los autores del informe atribuyen la situación a la alta demanda de computación de inteligencia artificial y la disponibilidad limitada de equipos.
Un factor adicional es la proliferación de modelos con pesos abiertos, que las empresas pueden ejecutar de manera independiente en GPUs alquiladas o propias.
Según estimaciones proporcionadas en el estudio, los gastos de capital combinados de los cuatro mayores hiperescaladores en 2026 podrían alcanzar entre $720 y $740 mil millones.
Al mismo tiempo, los principales desarrolladores de IA están firmando acuerdos a largo plazo con empresas de nube especializadas. Esto limita el volumen de nueva potencia de computación disponible para otros clientes.
Emergen instrumentos financieros para la computación de GPU en el mercado
El aumento en el costo de los recursos de computación va acompañado del desarrollo de instrumentos financieros relacionados con la infraestructura de GPU.
CME Group, Intercontinental Exchange (ICE) y Nodal Exchange han anunciado planes para lanzar contratos de futuros, con liquidaciones vinculadas a índices de costo de computación.
Tales instrumentos están destinados a gestionar los riesgos de cambios en los precios de alquiler de GPU, aunque su lanzamiento real depende de las condiciones de las respectivas bolsas y procedimientos regulatorios.
Simultáneamente, se está desarrollando el préstamo garantizado por infraestructura de computación. Por ejemplo, en octubre, Lambda anunció la obtención de financiamiento garantizado de aproximadamente $1 mil millones con una tasa de interés fija del 6.78%.
Así, la potencia de computación está convirtiéndose gradualmente no solo en un recurso tecnológico, sino también en un tema de contratos a largo plazo, acuerdos de crédito e instrumentos financieros.
Este material se ha preparado exclusivamente con fines informativos y no constituye asesoramiento ni recomendación financiera.





