Jensen Huang tiene una manera de describir la IA que hace que todo encaje: no es un modelo de lenguaje, no es una app, no es una moda tecnológica. Es infraestructura. Como la electricidad. Como internet. Y como toda gran infraestructura, tiene capas que van desde los cimientos hasta donde vives.
En el Foro Económico Mundial de Davos en enero de 2026, el CEO de NVIDIA presentó su marco conceptual más claro hasta la fecha: la IA como un pastel de 5 capas. Desde entonces, el concepto ha circulado en conversaciones entre inversores, fundadores y ejecutivos que intentan entender a qué escala de transformación nos enfrentamos. Y la respuesta de Huang es directa: estamos al comienzo del mayor proyecto de infraestructura de la historia humana, con apenas unos pocos cientos de miles de millones de dólares invertidos sobre los billones que aún quedan por construir.
Las cinco capas del pastel de IA
Huang organiza toda la cadena de valor de la IA en una pila vertical donde cada capa depende de las que tiene debajo. Sin una, las demás no funcionan.
- Energía: La capa base. Cada token generado por un modelo de lenguaje requiere electricidad en tiempo real. No hay abstracción posible debajo de esto. La energía es el primer principio y la restricción más dura de cuánta inteligencia puede producir el sistema. No es casual que las grandes empresas tech estén firmando contratos con plantas nucleares y comprando terrenos cerca de fuentes de energía limpia.
- Chips: Procesadores diseñados específicamente para transformar energía en cómputo a escala masiva. La IA requiere paralelismo extremo, memoria de alto ancho de banda e interconexiones rápidas. El progreso en esta capa determina la velocidad a la que la IA puede escalar y qué tan accesible se vuelve la inteligencia computacional.
- Infraestructura: Terrenos, entrega de energía, refrigeración, construcción, redes y los sistemas que coordinan decenas de miles de chips en una sola máquina. Huang los llama “AI factories” —fábricas de inteligencia. No almacenan información: la fabrican.
- Modelos: Los sistemas de IA que entienden lenguaje, biología, química, física, finanzas, medicina. Los LLMs son solo una categoría. Algunos de los avances más transformadores están en IA de proteínas, IA química, simulación física y robótica.
- Aplicaciones: Donde se crea el valor económico. Plataformas de descubrimiento de fármacos, robótica industrial, copilotos legales, autos autónomos. Un auto autónomo es una aplicación de IA encarnada en una máquina. Un robot humanoide es una aplicación de IA encarnada en un cuerpo. La misma pila, distintos resultados.
¿Por qué esto importa más que el hype del modelo de turno?
La mayoría de la cobertura de IA se concentra en la capa de modelos y aplicaciones. GPT-5, Gemini, Claude. Benchmarks, demos. Pero Huang invita a mirar el cuadro completo, y lo que ve es una transformación industrial, no tecnológica.
Cuando una aplicación de IA tiene éxito a escala, “jala” de todas las capas debajo de ella. Más usuarios necesitan más inferencia, que necesita más infraestructura, que necesita más chips, que necesita más energía. El éxito en la cima amplifica la demanda en los cimientos.
Esto explica fenómenos que parecen desconectados: por qué los precios de la RAM se dispararon un 225% en cinco meses, por qué Stargate en Texas está pausado por falta de energía eléctrica, por qué países soberanos como el Reino Unido están invirtiendo £500M en infraestructura de IA nacional. No son noticias aisladas: son síntomas de una pila de 5 capas siendo construida en simultáneo a escala global.
El factor open source: DeepSeek como acelerador de toda la pila
Huang destacó el papel de los modelos open source como multiplicadores de demanda en todas las capas. Cuando DeepSeek-R1 se publicó como modelo de razonamiento de alto rendimiento y acceso abierto, no solo cambió el mercado de modelos: activó demanda de entrenamiento, infraestructura, chips y energía en todo el ecosistema global.
Hoy, la mayoría de los modelos del mundo son gratuitos. Investigadores, startups, empresas y países enteros dependen de modelos abiertos para participar en la IA avanzada. Cuando esos modelos alcanzan la frontera tecnológica, la activación de demanda se propaga hacia abajo en toda la pila.
El trabajo que nadie menciona
Hay un detalle que Huang mencionó en Davos y que raramente aparece en la narrativa tech: las AI factories necesitan electricistas, plomeros, técnicos de redes, instaladores y operadores. No doctorados en ciencias de la computación. Trabajo calificado y bien pagado, del tipo que escasea.
La IA crea una clase de empleos en las capas inferiores de la pila que el debate habitual sobre automatización ignora por completo. Mientras se discute si los abogados y analistas serán reemplazados por LLMs, hay una demanda masiva insatisfecha de personas que puedan construir y mantener las fábricas que producen esa inteligencia.
Por qué importa
El marco del pastel de 5 capas es útil no solo para entender la IA sino para tomar decisiones sobre ella. ¿Qué capa de la pila interesa a tu empresa? ¿Dónde tiene sentido invertir? ¿Dónde está el cuello de botella que limita el crecimiento del sector?
Por ahora, la respuesta de Huang es clara: el cuello de botella está en los cimientos. Energía y chips determinan qué tan rápido puede crecer toda la pila. Y estamos a años, probablemente a una década, de haber construido la infraestructura que la demanda proyectada requiere.
Apenas llevamos unos cientos de miles de millones de dólares en un proyecto que necesita billones. Eso no es hype: es aritmética.
Para más contexto, revisa cómo el Reino Unido está apostando £500M a construir soberanía de IA y por qué Nscale levantó $2.000M para ser el hyperscaler de IA europeo.
