El éxito alimentado por la electricidad industrial: cómo China logra su independencia en inteligencia artificial

Hace ocho años, la historia de ZTE fue una amarga lección sobre la dependencia de tecnología extranjera. El 16 de abril de 2018, la imposición de una prohibición estadounidense detuvo de inmediato sus operaciones, dejando a la compañía con 80,000 empleados y unos ingresos anuales que superaban un billón de yuanes en completo parálisis. Hoy, ocho años después, la industria cuenta una historia completamente diferente. En febrero de 2026, DeepSeek anunció un modelo multimodal completamente basado en chips locales chinos, logrando por primera vez una solución integrada independiente de NVIDIA. Este cambio no fue casualidad, sino el resultado de una estrategia integral que combina innovaciones en algoritmos y chips, y lo más importante: una abundante electricidad industrial.

Superando el bloqueo: de la monopolización de CUDA a la construcción propia

El verdadero problema que enfrentaron las empresas de IA chinas no fueron solo los chips, sino la plataforma CUDA de NVIDIA. Esta plataforma, lanzada en 2006, se convirtió en la columna vertebral de toda la industria de inteligencia artificial global. Para 2025, contaba con 4.5 millones de desarrolladores vinculados, y más del 90% de los desarrolladores de IA en todo el mundo operaban en ese entorno.

El núcleo del problema es que CUDA funciona como una rueda de aceleración propia: cuanto más usuarios, más crecen las herramientas y bibliotecas, atrayendo a más desarrolladores. Con el tiempo, cambiar a CUDA se convirtió en una tarea que requería reescribir décadas de experiencia y código acumulado.

Pero las repetidas restricciones estadounidenses —tres oleadas entre 2022 y 2024— obligaron a las empresas chinas a optar por un camino más difícil. Eligieron una vía indirecta, que empezó por los algoritmos y no por los chips.

La nueva ecuación: mejorar algoritmos y eficiencia económica

Desde finales de 2024 hasta 2025, las empresas chinas de IA adoptaron ampliamente la técnica de modelos expertos mezclados (MoE). En lugar de activar un modelo gigante completo, dividen la tarea entre varios expertos pequeños, reduciendo drásticamente el consumo de recursos.

DeepSeek V3 fue un ejemplo perfecto: 671 mil millones de parámetros, pero solo activaba 37 mil millones (el 5.5%) durante la inferencia. El entrenamiento costó 5.576 millones de dólares usando 2048 unidades de procesamiento H800 durante 58 días, frente a los 78 millones de dólares de GPT-4.

Pero la verdadera revolución estuvo en los precios. La API de DeepSeek cuesta 0.028 dólares por millón de tokens de entrada, frente a 5 dólares de GPT-4 y 15 dólares de Claude Opus. Una diferencia de 25 a 75 veces en eficiencia económica.

Esta disparidad no era solo un juego de números; representaba un cambio en la estructura del mercado. Cuando las aplicaciones de IA pasaron de conversaciones simples a agentes inteligentes (que consumen de 10 a 100 veces más tokens), el precio se convirtió en un factor estratégico clave. Solo en febrero de 2026, el uso de modelos chinos en OpenRouter aumentó un 127% en tres semanas.

Chips locales: del inferencia al entrenamiento

Pero reducir solo los costos de inferencia no es suficiente. El verdadero desafío es la capacidad de entrenar continuamente con nuevos datos. Aquí entraron en escena los chips locales.

En 2025, una empresa china inauguró una línea de producción de servidores de 148 metros en una pequeña ciudad, basada en el procesador Loongson 3C6000 y la tarjeta Taichu Yuanqi completamente local. La producción prevista era de 100,000 unidades anuales, con una inversión de 1.1 mil millones de yuanes.

Lo más importante: estos chips pasaron de la etapa de “capacidad de inferencia” a la de “capacidad de entrenamiento”. En enero de 2026, Zhipu AI lanzó el modelo GLM-Image, el primer modelo avanzado de generación de imágenes entrenado completamente con chips chinos. En febrero, entrenaron un enorme modelo de comunicación chino, basado en una infraestructura de computación que incluye decenas de miles de unidades de procesamiento.

Este fue un cambio cualitativo: el entrenamiento requiere procesar enormes volúmenes de datos y cálculos complejos, elevando diez veces los requisitos de potencia de computación, ancho de banda y entorno de software en comparación con solo inferencia.

El procesador Ascend de Huawei se convirtió en la columna vertebral de este sistema. A finales de 2025, más de 4 millones de desarrolladores estaban en su ecosistema, con más de 3,000 socios y 43 modelos principales entrenados sobre él.

La verdadera base: electricidad industrial y estabilidad geopolítica

Si los algoritmos representan la inteligencia y los chips la musculatura, la electricidad industrial es la sangre que alimenta todo el proceso. Aquí radica la mayor ventaja estratégica de China.

En 2024, los centros de datos estadounidenses consumieron 183 TWh, el 4% del consumo nacional total. Se espera que para 2030 esta cifra se duplique a 426 TWh, casi el 12% del consumo total. El CEO de ARM predice que los centros de datos de IA consumirán entre el 20% y el 25% de la electricidad de EE. UU. para 2030.

El problema es que la red eléctrica estadounidense ya está sobrecargada. La región PJM en el este enfrenta una escasez de capacidad de 6 GW. Se estima que en 2033, EE. UU. tendrá una brecha de 175 GW, suficiente para abastecer a 130 millones de hogares. Los costos de electricidad al por mayor en zonas con centros de datos aumentaron un 267% en cinco años.

En contraste, China tiene una capacidad de generación eléctrica 2.5 veces mayor que EE. UU.: 10.4 billones de kWh anuales frente a 4.2 billones. Lo más importante, el consumo residencial en China representa solo el 15% del total, frente al 36% en EE. UU. Esto significa una enorme disponibilidad de energía industrial.

En precios, el costo de electricidad en zonas de concentración de IA en EE. UU. oscila entre 0.12 y 0.15 dólares por kWh. En el oeste de China, la electricidad industrial cuesta alrededor de 0.03 dólares, una cuarta parte o una quinta parte del costo estadounidense.

Esta diferencia permite a China construir infraestructura computacional a costos radicalmente más bajos. ByteDance, Tencent y Baidu planean duplicar sus importaciones de servidores locales en 2026. China ya alcanza los 1590 EFLOPS en capacidad de computación inteligente.

Expansión global: de la fabricación a la exportación de tokens

Mientras EE. UU. enfrenta una crisis eléctrica, la IA china se expande silenciosamente a nivel mundial. Pero esta vez, lo que se exporta no es el producto ni la fábrica, sino los tokens — unidades de datos precisas que procesan los modelos de IA.

DeepSeek revela la historia: el 30.7% de sus usuarios son locales en China, el 13.6% en India, el 6.9% en Indonesia y el 4.3% en EE. UU. Soporta 37 idiomas y domina mercados emergentes como Brasil. Tiene 26,000 empresas globales con cuentas, y 3,200 instituciones han desplegado versiones corporativas.

En China, DeepSeek controla el 89% del mercado. En países bajo sanciones, su participación varía entre el 40% y el 60%. Solo en 2025, el 58% de las startups de IA en el mundo integraron DeepSeek en su infraestructura tecnológica.

Los mercados emergentes, impulsados por la necesidad de eficiencia económica, han migrado a los modelos chinos. Esto crea un vacío estructural muy raro: un mercado que necesita una alternativa a NVIDIA debido a la presión geopolítica.

Lecciones de Japón y el camino diferente de China

En 1986, Japón firmó un acuerdo de semiconductores con EE. UU. El resultado fue desastroso: la participación de Japón en el mercado de DRAM cayó del 80% al 10%. Para 2017, su cuota en el mercado de circuitos integrados era solo del 7%.

La diferencia clave: Japón se conformó con ser el mejor producto en un ecosistema dominado por fuerzas externas. Nunca construyó un ecosistema propio e independiente.

China tomó un camino más difícil pero más sostenible: desde mejoras extremas en algoritmos, pasando por la transición de inferencia a entrenamiento con chips locales, acumulando 4 millones de desarrolladores en el sistema Ascend, hasta la expansión global de tokens en mercados emergentes y mundiales. Cada paso construyó un sistema industrial independiente que Japón nunca logró.

El precio y la verdadera guerra

El 27 de febrero de 2026, tres empresas chinas de chips publicaron informes de rendimiento en el mismo día:

• Kimotech: ingresos +453%, primera ganancia anual
• Moistech: ingresos +243%, pérdida neta de mil millones
• Moxtech: ingresos +121%, pérdida neta de 800 millones

Mitad fuego, mitad agua. El fuego es la voracidad del mercado. El vacío del 95% dejado por NVIDIA se va llenando poco a poco con cifras locales.

El agua es el enorme costo de construir el ecosistema: cada pérdida es dinero real que hay que pagar: inversión en I+D, soporte de software, horas de ingenieros enviadas a resolver problemas de compatibilidad una tras otra. No son pérdidas por mala gestión, sino la “tasa de guerra” necesaria para construir un sistema independiente.

Estos tres informes financieros reflejan la imagen más real de la guerra por el poder computacional: no es una victoria inspiradora, sino una batalla feroz en la línea de frente que sangra en cada paso.