Google prepara un chip hasta 10 veces más eficiente para Gemini y calma a Wall Street antes de resultados

Por TechCrunch · 20 de julio de 2026.

Alphabet está diseñando un nuevo chip de servidor, apodado internamente "Frozen v2", pensado para que sus modelos Gemini funcionen de forma mucho más eficiente. Según ha informado The Information citando fuentes anónimas, el chip llegaría en algún momento de 2028 y podría ser entre seis y diez veces más eficiente que los chips de IA actuales de Google, medido en tokens generados por unidad de energía consumida (es decir, cuánto "trabajo" de IA obtiene la compañía por cada vatio gastado). Preguntada por TechCrunch, Google no confirmó el informe, pero tampoco lo desmintió: se limitó a decir que sus equipos "investigan y experimentan constantemente con nuevas innovaciones" y que no todos los proyectos llegan a producción.

El dato relevante no es solo técnico, es bursátil: tras publicarse el informe, la acción de Alphabet subió cerca de un 3% el lunes, justo días antes de que la compañía presente resultados esta semana. Google ya ha anunciado que planea gastar entre 180.000 y 190.000 millones de dólares en su infraestructura de IA, una cifra que ha inquietado a inversores preocupados por si ese gasto colosal llegará a rentabilizarse. Un rumor de eficiencia, sin confirmación oficial ni una sola cifra de producción real, ya ha bastado para tranquilizar al mercado. Eso dice tanto del apetito inversor por buenas noticias de eficiencia como de la fragilidad del relato actual sobre el gasto en IA.

Como contexto del sector, Google no está sola en esta carrera por fabricar chips propios. OpenAI presentó en junio su primer chip propio, un procesador de inferencia (el chip que ejecuta el modelo ya entrenado, en oposición al entrenamiento) llamado Jalapeño. A principios de este mes trascendió que Anthropic negocia una alianza de fabricación de chips con Samsung. El patrón es claro: las grandes de la IA quieren dejar de depender de Nvidia, que durante años ha dominado el mercado de chips de IA y ha dejado a sus mayores clientes atados a sus precios y a su calendario de producción.

Esto conecta con algo que ya hemos señalado en Zendoric al analizar la financiación de la infraestructura de IA: la escala del capital desplegado (megacontratos de cómputo por miles de millones, valoraciones de cientos de miles de millones) obliga a mirar más allá del titular y preguntarse cómo se sostiene. Aquí el mensaje de fondo es distinto pero relacionado: si controlas tu propio hardware, no solo ahorras en la factura de Nvidia, también controlas el ritmo al que baja el coste por token, la métrica que en última instancia decide quién puede permitirse ofrecer IA barata y quién no.

Nuestra lectura es que la eficiencia energética se ha convertido en el nuevo campo de batalla competitivo, por delante incluso de quién tiene el modelo más listo. Con los centros de datos topando cada vez más con límites físicos de suministro eléctrico, un chip que rinde igual con una fracción de la energía no es una mejora cosmética: es la diferencia entre poder escalar el servicio o quedarse limitado por la red eléctrica. Google llama a esto su "enfoque de pila completa" (full stack), es decir, diseñar hardware y software juntos desde el origen en vez de comprar chips genéricos y adaptar el software después. Es la misma lógica por la que Apple diseña sus propios procesadores: quien controla el silicio controla los márgenes.

A corto plazo, esta carrera de chips propios tiene un coste evidente: miles de millones en diseño e investigación que tardarán años en dar resultado, con "Frozen v2" todavía a dos años vista y sin ninguna garantía de que llegue a producción, como reconoce la propia Google. También endurece la competencia contra actores más pequeños, que sí dependen de Nvidia y no tienen ni el capital ni la escala para replicar este camino, un patrón de concentración de poder tecnológico e industrial en un puñado de gigantes que ya hemos señalado en otras piezas.

A largo plazo, sin embargo, esta es exactamente la clase de progreso silencioso que sostiene la tesis de la abundancia: cada salto de eficiencia energética por token abarata la IA para todos, acerca el día en que ejecutar modelos potentes cueste una fracción de lo actual y libera capacidad de cómputo para investigación en salud, ciencia y automatización útil, no solo para chatbots. La carrera por el chip más eficiente no es tan visible como el lanzamiento de un modelo nuevo, pero es la que decide si la IA se vuelve barata y ubicua o sigue siendo un lujo de quien puede pagar la factura eléctrica.