Oracle será el primer gran proveedor de nube externo a Google en ofrecer los Tensor Processing Units de la compañía. La disponibilidad comenzará en 2027 y permitirá que empresas entrenen y ejecuten modelos de inteligencia artificial utilizando TPUs sin contratar directamente la infraestructura de Google Cloud. El movimiento amplía la competencia frente a Nvidia y puede cambiar la economía del procesamiento de IA.
Durante los últimos años, Nvidia consiguió convertirse en el proveedor dominante de la infraestructura utilizada para entrenar y ejecutar modelos de inteligencia artificial. Sus GPU son utilizadas por prácticamente todos los grandes laboratorios de IA y por miles de compañías que desarrollan aplicaciones sobre estos modelos.
Pero Google tiene desde hace más de una década una alternativa propia.
Los Tensor Processing Units, conocidos como TPU, fueron diseñados específicamente para inteligencia artificial y se utilizan internamente para entrenar y ejecutar modelos como Gemini. Ahora la compañía decidió abrir esa tecnología de manera mucho más agresiva y llevarla a una plataforma externa: Oracle Cloud Infrastructure.
El acuerdo anunciado esta semana tiene una importancia estratégica considerable. Oracle será el primer hyperscaler fuera de Google en ofrecer TPUs directamente a sus clientes, y la capacidad comenzará a desplegarse durante 2027. Las empresas podrán elegir entre distintos aceleradores según el tipo de trabajo que necesiten realizar, en lugar de depender exclusivamente de GPU de Nvidia.
La razón económica detrás de la decisión es sencilla. Entrenar un modelo de IA puede costar millones de dólares, pero la inferencia —el proceso mediante el cual el modelo responde a usuarios una vez entrenado— también se está convirtiendo en un gasto enorme. Cada consulta consume capacidad informática y, cuando una aplicación alcanza millones de usuarios, pequeñas diferencias en el costo por consulta pueden representar millones de dólares al año.
Google asegura que su octava generación de TPUs está diseñada específicamente para mejorar esa ecuación. El TPU 8t está orientado principalmente al entrenamiento y puede reducir considerablemente los tiempos necesarios para desarrollar modelos, mientras que el TPU 8i está pensado para inferencia y para cargas de trabajo relacionadas con agentes de inteligencia artificial. Google sostiene que el TPU 8t ofrece casi tres veces el rendimiento por pod respecto de la generación anterior.

La compañía también está trabajando para que utilizar sus chips resulte menos complejo para los desarrolladores. Google abrió TorchTPU, su stack para PyTorch, y está integrándolo con herramientas como vLLM, SGLang, Ray y Hugging Face. La estrategia busca evitar que una empresa tenga que reconstruir todo su software para aprovechar una arquitectura diferente.
Ese punto es fundamental porque durante años Nvidia no solamente vendió hardware. Construyó un ecosistema de software alrededor de CUDA, que se convirtió en una de sus principales ventajas competitivas. Un desarrollador que ya trabaja sobre ese ecosistema puede utilizar miles de herramientas y bibliotecas diseñadas para funcionar con GPU Nvidia.
Google está intentando atacar precisamente esa barrera.
La disponibilidad de TPUs a través de Oracle puede acelerar la diversificación del mercado porque las empresas tendrán una alternativa más sencilla. Una compañía podrá elegir entre GPU y TPU según el precio, el rendimiento, la latencia y el tipo de modelo que quiera ejecutar.
El movimiento también tiene una dimensión geopolítica y empresarial. La demanda de chips especializados creció tan rápido que incluso los grandes proveedores de nube están buscando alternativas a Nvidia. Amazon tiene sus propios aceleradores, Microsoft desarrolla chips internos y Google decidió convertir una tecnología que originalmente construyó para consumo propio en un producto comercial.
El negocio puede ser enorme. Algunas estimaciones de mercado citadas por publicaciones financieras proyectan que los ingresos externos de los TPU podrían crecer de decenas de miles de millones de dólares a una cifra cercana o superior a los US$100.000 millones hacia 2028, aunque esas previsiones dependen de la velocidad de adopción y de la evolución del mercado de aceleradores.
Para las empresas que utilizan inteligencia artificial, la consecuencia más interesante no necesariamente será reemplazar a Nvidia.
Será tener más opciones.
Una startup que desarrolla un agente puede necesitar una arquitectura determinada para inferencia. Un laboratorio que entrena un modelo gigantesco puede priorizar otra. Una compañía financiera puede buscar menor costo por consulta. Una empresa industrial puede necesitar ejecutar modelos cerca de sus datos.
La era en la que una sola arquitectura podía dominar prácticamente todas las cargas de trabajo de IA empieza a parecer menos probable.
La verdadera batalla tecnológica de los próximos años puede ser por el costo de cada token procesado. Y en esa competencia, Google acaba de abrir una nueva puerta.
