xAI solo aprovecha el 11% de sus 550.000 GPU NVIDIA, mientras Meta y Google alcanzan un 43%, revelando un problema de infraestructura subutilizada en lugar de escasez de hardware en la industria de IA.

xAI, y el resto de compañías de IA, se han encontrado en una situación donde no se enfrentan a un problema de escasez de hardware, sino de aprovechamiento real de su infraestructura. Según la información original de The Information, la compañía de Elon Musk estaría utilizando únicamente alrededor del 11% de una cifra estimada en 550.000 GPUs NVIDIA. En concreto, hablamos de más de medio millón de GPUs NVIDIA H100 y H200 repartidas entre sus clústeres de Memphis y Colossus. Eso equivaldría, de forma aproximada, a sacar un rendimiento efectivo de unas 60.000 GPUs. Una cifra enorme en términos absolutos, pero muy baja si se compara con la escala total instalada.

La comparación que más llama la atención es con Meta y Google. Según estos informes, ambas compañías estarían actualmente en torno a un 43% y un 46% de utilización de sus respectivas GPU, lo que deja a xAI muy por debajo de los grandes actores más maduros en infraestructura de IA. Evidentemente, el motivo detrás de ello es que hay muchísima menos gente utilizando la IA de xAI (Grok). Y más aún respecto a la IA de Meta (Meta AI / Llama) y Google (Gemini). Por lo que realmente el problema de estas compañías ya no es la compra de GPUs, sino en coordinar redes, almacenamiento, datos, software de entrenamiento, planificación de trabajos y tolerancia a fallos a una escala brutal.

Desde otra perspectiva, se puede pensar que xAI ha escalado su infraestructura física a una velocidad extraordinaria

A finales de 2024, hay que recordar que Jensen Huang felicitó públicamente a Elon Musk. Y es que en octubre de dicho año, el CEO de NVIDIA dijo que lo que había conseguido Elon Musk era algo sobrehumano. Y es que por medio de su compañía de IA xAI, habían logrado instalar 100.000 GPU NVIDIA H200 en solo 19 días. Fue entonces cuando Jensen dijo que lo que había hecho xAI era algo "sobrehumano". Ya que hicieron en 19 días algo que realmente se tarda 4 años en lograr.

De esta forma, la lectura más sólida es que xAI ha escalado su infraestructura física a una velocidad extraordinaria. Ahora bien, su pila de software y operación aún no estaría al mismo nivel que la de rivales con más años de experiencia. NVIDIA anunció en 2024 que Colossus ya integraba 100.000 GPUs Hopper en Memphis y que xAI estaba en proceso de duplicar el clúster hasta 200.000 GPUs. La propia xAI afirma en su web que Colossus fue construido en 122 días y duplicado su capacidad de computación con 200.000 GPUs en otros 92 días.

Desde entonces, xAI ha seguido elevando la apuesta. En enero de 2026 anunció una ronda de financiación "Serie E" de 20.000 millones de dólares, con NVIDIA y Cisco como inversores estratégicos. También aprovechó para anunciar que había terminado 2025 con más de un millón de “GPU equivalentes a H100” entre Colossus I y II. Ese detalle es importante: “equivalentes a H100” no equivale necesariamente a GPUs físicas individuales, sino a una forma de expresar una capacidad computacional equivalente. Por eso, las cifras de 200.000 GPUs, 550.000 GPUs y más de un millón de equivalentes H100 pueden coexistir, pero utilizando la capacidad computacional como método de medición.

La carrera de la IA ya no consiste en simplemente comprar más GPU

Y sí, en la nueva carrera de la IA el cuello de botella ya no es solo conseguir chips NVIDIA, sino convertir cientos de miles de aceleradores en una máquina coherente. Alimentada por datos, conectada por una red de baja latencia, coordinada por organizadores eficientes y protegida contra fallos constantes. Google, por ejemplo, presume de su red Virgo y red de almacenamiento capaz de alimentar clústeres masivos, además de diseñar su propia TPU 8t con el objetivo de alcanzar más del 97% de “rendimiento efectivo”, es decir, tiempo productivo útil.

En el caso de Meta, la ventaja también parece venir de años de inversión en infraestructura propia. La compañía detalló en 2024 dos clústeres de 24.576 GPUs H100 para su modelo de lenguaje Llama 3. También anticipó una hoja de ruta con 350.000 GPU H100 a finales de ese año, dentro de una cartera equivalente a casi 600.000 H100. Eso refleja una aproximación más madura y documentada al diseño conjunto de hardware, red, almacenamiento y software.

En una industria donde los costes de entrenamiento y energía siguen creciendo de forma acelerada, una baja utilización de este hardware puede convertirse en un problema financiero y estratégico enorme. Y es que claro, ninguna de estas compañías quiere tener una inversión millonaria parada. Y es que estar parada, significa que no está generando beneficios.