Nvidia habría recurrido a financiación para mantener la demanda de sus GPU: según Wccftech, que cita al Wall Street Journal, Jensen Huang impulsó acuerdos con startups de IA y proveedores de nube para que ampliaran sus centros de datos y siguieran comprando chips de la compañía. El trasfondo sería el exceso de silicio y memoria que Nvidia había comprometido con TSMC, no una simple falta de capacidad de fabricación.
La distinción importa: el relato no demuestra que no hubiera escasez de componentes, sino que describe otra presión sobre el mercado. Nvidia habría tenido que colocar compromisos de suministro ya adquiridos mientras algunos de sus principales clientes reducían su dependencia de GPU comerciales.
La financiación como salida para el exceso de chips
Wccftech sitúa el episodio en una reunión de agosto de 2026 entre Huang y la directora financiera de Nvidia, Colette Kress, quien pasó a ser consejera delegada interina. Según esa publicación y su atribución al Wall Street Journal, Kress quiso contener los compromisos de financiación circular con proveedores de nube más pequeños y grandes empresas de IA, entre ellas OpenAI y Anthropic.
La cifra más concreta se refiere a OpenAI. Las conversaciones habrían contemplado garantizar capacidad de computación de unos 8 gigavatios y hasta 250.000 millones de dólares; Kress habría rebajado el límite firmado a unos 4,25 gigavatios y hasta 125.000 millones. La diferencia no prueba que OpenAI recibiera o utilizara esa capacidad: describe el tamaño de garantías que, según Wccftech, se barajó y el tope que finalmente se habría acordado.
El mecanismo combina dos papeles: Nvidia vendería GPU y, a la vez, ayudaría a financiar a empresas que necesitan construir la infraestructura para comprarlas y ponerlas en servicio. Si se sostiene la versión publicada, el respaldo financiero podía convertir en pedidos efectivos parte de la oferta que, de otro modo, habría quedado sin comprador inmediato. También desplazaba parte del riesgo: además de vender hardware, Nvidia quedaba expuesta a la capacidad de sus clientes para financiar y desplegar esos centros de datos.
“coming at him like an avalanche”
— Jensen Huang
Wccftech atribuye a Huang esa descripción de los compromisos de obleas de TSMC y memoria que Nvidia tenía por delante. La imagen da contexto a la decisión: una acumulación de componentes comprometidos puede convertirse en un problema comercial si la demanda final o la infraestructura necesaria para usarlos no avanza al mismo ritmo.
Los grandes clientes se alejan de las GPU estándar
La explicación que Huang habría dado en privado, según Wccftech, es que los grandes proveedores de nube estaban girando hacia chips diseñados internamente. Si esos clientes reducen compras de componentes comerciales, Nvidia pierde una parte de la demanda que había ayudado a justificar sus pedidos de fabricación. La financiación a operadores más pequeños y empresas de IA habría servido para compensar esa retirada.
Ese cambio tiene una consecuencia directa para la negociación entre fabricantes y clientes: el comprador de GPU ya no es necesariamente un cliente que solo compara rendimiento y precio. En este relato, también cuenta quién puede financiar una expansión, asumir garantías y convertir una reserva de capacidad en infraestructura operativa. Para las empresas que dependen de esos acuerdos, el acceso a cómputo puede quedar ligado a compromisos comerciales y financieros más amplios.
Wccftech también recoge una estimación de Ed Zitron: al menos 200.000 millones de dólares en GPU de IA de Nvidia estarían inactivas en almacenes tras ser compradas por proveedores de nube sin capacidad eléctrica suficiente o demanda inmediata de usuarios. Es una estimación atribuida a Zitron, no una cifra confirmada por Nvidia en el material citado. La publicación menciona además que Amazon afrontó un problema parecido, sin ofrecer más detalles.
El coste de sostener la demanda
Para Nvidia, financiar compradores podría proteger el flujo de ventas y evitar que un excedente de chips presionara los precios. Pero esa estrategia también concentra riesgos: si los clientes no consiguen energía, infraestructura o demanda para sus servicios, la financiación no hace que las GPU se utilicen. Solo permite que la compra y el despliegue sigan adelante durante más tiempo, con garantías que pueden aumentar la exposición de Nvidia.
La otra alternativa que aparece en la información era reducir pedidos futuros a TSMC. Wccftech afirma que Nvidia contactó con la fundición para frenar próximos encargos. Ajustar compras puede limitar el exceso venidero, aunque no elimina los compromisos ya asumidos ni resuelve por sí solo qué hacer con el inventario existente. En el relato, la financiación y el recorte de pedidos serían respuestas a momentos distintos del mismo problema.
Para desarrolladores y compañías que alquilan capacidad de IA, la lectura práctica no es que haya GPU disponibles de inmediato ni que los precios tengan que bajar. Es que parte de la demanda podría depender de acuerdos de financiación y de la construcción de centros de datos, no solo de las necesidades de computación declaradas. Si los proyectos respaldados no llegan a desplegarse, las compras financiadas pueden coexistir con GPU sin uso; si sí lo hacen, sostienen pedidos y actividad de infraestructura.
Qué permite afirmar la información
La versión publicada conecta una reunión interna, límites de garantías y compromisos de suministro, pero no establece que Nvidia fabricara deliberadamente una escasez general de GPU ni que la financiación determinara por sí sola los precios. La afirmación central es más acotada: Huang habría defendido usar el balance de Nvidia para sostener compradores mientras la compañía afrontaba un excedente de chips y memoria.
El contraste entre el límite inicial atribuido a OpenAI y el tope reducido por Kress muestra el tamaño potencial de la exposición, pero no aclara cuánto dinero llegó a desembolsarse, qué condiciones tenían las garantías ni cuántas GPU acabaron funcionando en centros de datos. La cuestión que queda abierta es si los compromisos de compra podían transformarse en demanda de uso real al ritmo que Nvidia necesitaba.
Fuentes: TechPowerUp, Wccftech
