Qué se sabe del chip Frozen v2
Según The Information, citado por Reuters, Google desarrolla un chip de servidor que incorporaría elementos de Gemini directamente en el hardware para servir sus modelos de inteligencia artificial de forma más eficiente. El proyecto se conoce de forma interna como Frozen v2 y podría desplegarse a partir de 2028, aunque el diseño todavía no estaría cerrado.
El dato más llamativo es la eficiencia: el chip podría ser entre seis y diez veces más eficiente que los últimos chips personalizados de IA de Google, medido por número de tokens generados por unidad de energía. Dicho de forma sencilla: más respuestas de IA por cada euro de electricidad y capacidad de cómputo, si la estimación acaba cumpliéndose.
Conviene subrayar el matiz. No es un producto anunciado oficialmente con ficha técnica, precio y calendario cerrado. Reuters recoge que los ingenieros aún estarían finalizando el diseño y decidiendo qué parte de la información del modelo quedaría integrada en el chip. Google Cloud defendió, en una respuesta recogida por Reuters, su enfoque de diseñar hardware y software conjuntamente, pero eso no equivale a confirmar todos los detalles del proyecto.
Por qué esto afecta al bolsillo, aunque parezca una noticia técnica
La IA generativa no es gratis de producir. Cada consulta a un modelo como Gemini, ChatGPT o Claude consume capacidad de centros de datos, chips avanzados, memoria, refrigeración y electricidad. Por eso, cuando una tecnológica logra servir más tokens con menos energía, no solo mejora una métrica técnica: puede cambiar la economía del producto.
Para el consumidor, esto no significa automáticamente que las suscripciones de IA vayan a bajar de precio. Las empresas pueden usar esa mejora para reducir costes, sostener márgenes, lanzar funciones más potentes o absorber una demanda creciente sin subir tanto los precios. Pero el punto importante es otro: la eficiencia del hardware será cada vez más decisiva para saber qué empresas pueden ofrecer IA avanzada a gran escala sin que el coste se dispare.
También importa para autónomos, pymes y empresas que ya usan herramientas de IA en marketing, programación, atención al cliente, análisis de datos o productividad. Si los grandes proveedores consiguen abaratar el coste real de servir modelos, podría haber más margen para planes empresariales más competitivos o funciones incluidas en paquetes de software. Si no lo consiguen, la IA puede convertirse en una factura cada vez más pesada.
Aquí Google juega con una ventaja evidente: controla una parte importante de la cadena. Tiene Gemini, Google Cloud, centros de datos, TPUs y una enorme base de usuarios en buscador, Android, YouTube, Workspace y servicios empresariales. Su Ironwood, presentado como TPU de séptima generación, ya fue descrito por Google como su chip personalizado más potente y eficiente para inferencia, es decir, para ejecutar modelos y responder a usuarios.
La lectura para Alphabet y para el pequeño inversor
Alphabet, matriz de Google, cotiza en bolsa. Por eso esta noticia también tiene una lectura para pequeños inversores, siempre sin convertirla en recomendación de compra o venta. La pregunta útil no es si el titular hará subir o bajar la acción mañana, sino si Google puede transformar su enorme gasto en IA en un negocio rentable y defendible.
En el primer trimestre de 2026, Alphabet declaró ingresos de 109.896 millones de dólares, frente a 90.234 millones un año antes, y Google Cloud alcanzó 20.028 millones de dólares de ingresos. La empresa también indicó que sus modelos Gemini procesaban más de 16.000 millones de tokens por minuto mediante uso directo de API por parte de clientes, un 60% más que el trimestre anterior.
Ese crecimiento tiene una cara menos cómoda: la inversión. Alphabet elevó su guía de capex para 2026 a una horquilla de 180.000 a 190.000 millones de dólares, y reconoció una demanda interna y externa “sin precedentes” de recursos de cómputo para IA. También advirtió de que la inversión en infraestructura presionará la cuenta de resultados por mayor depreciación y costes de operación de centros de datos, incluida la energía.
Para el accionista, el posible Frozen v2 encaja en esa tensión. Si Google consigue chips más eficientes, puede mejorar el coste por consulta, reducir dependencia de proveedores externos y defender mejor los márgenes de sus servicios de IA. Si el desarrollo se retrasa, no alcanza la eficiencia esperada o queda demasiado ligado a una arquitectura concreta de Gemini, el gasto seguirá siendo una carga difícil de justificar.
Quien invierta en acciones de Alphabet debería leer esta noticia dentro de una estrategia de inversión en acciones a largo plazo, no como una señal aislada. En empresas de este tamaño, el valor no depende de un solo chip, sino de la combinación entre crecimiento de ingresos, márgenes, deuda, inversión, regulación, competencia y capacidad real de monetizar la IA.
Nvidia, Google Cloud y la batalla por controlar la infraestructura
El chip Frozen v2 no sustituiría a los TPUs actuales, según los reportes citados por Reuters, sino que formaría parte de una nueva familia de chips propios que conviviría con ellos. Esto es importante porque Google no estaría abandonando su estrategia de TPUs, sino buscando un nivel más de especialización para Gemini.
El movimiento también se entiende por la presión del mercado de chips. Nvidia domina buena parte del hardware usado para entrenar y ejecutar modelos de IA, pero los grandes clientes quieren reducir dependencia, asegurar suministro y mejorar costes. Google lleva años desarrollando silicio propio, y su documentación de TPU7x Ironwood muestra que esa generación está pensada para entrenamiento e inferencia a gran escala.
Para Google Cloud, el incentivo es claro. Si puede ofrecer más capacidad de IA con hardware propio, tendrá más control sobre disponibilidad, precios y márgenes. Reuters recoge que el proyecto Frozen busca aliviar una escasez de capacidad de cómputo que habría provocado tensiones internas y llevado a Google Cloud a rechazar acuerdos con clientes externos, según The Information.
Para el lector, esto aterriza en algo muy concreto: la infraestructura de IA empieza a parecerse a una carrera industrial. Quien controle chips, energía, centros de datos y modelos tendrá más capacidad para marcar precios, atraer empresas y decidir qué funciones llegan al usuario final. Quien dependa demasiado de terceros puede sufrir más cuando falten chips o suban los costes.
Los inversores que estén comparando plataformas para operar con acciones internacionales deben fijarse en comisiones, regulación, divisa y mercados disponibles, no solo en el nombre de la empresa que aparece en la noticia. Una guía de mejores brokers online puede ayudar a ordenar esa parte sin convertir una noticia tecnológica en una decisión precipitada.
El matiz clave: 2028 queda lejos
Frozen v2 puede ser importante, pero todavía hay demasiadas piezas abiertas. El despliegue previsto para 2028 deja margen para cambios en Gemini, nuevas generaciones de TPUs, avances de Nvidia, AMD, Broadcom u otros fabricantes, y posibles restricciones energéticas o regulatorias en centros de datos.
Además, integrar partes de un modelo en el hardware puede mejorar la eficiencia, pero también añade una pregunta incómoda: ¿qué pasa si el modelo cambia demasiado rápido? En IA, dos años son mucho tiempo. Un chip muy optimizado para una arquitectura concreta puede ser muy potente si esa arquitectura se mantiene, pero menos flexible si el modelo evoluciona de forma inesperada.
La noticia importa porque muestra hacia dónde va la economía de la inteligencia artificial: menos titulares sobre “modelos más inteligentes” y más pelea por coste por token, energía, capacidad de cómputo y margen real. Para el consumidor, eso puede acabar influyendo en precios y funciones. Para empresas y autónomos, en el coste de adoptar IA. Para Alphabet, en si su enorme inversión en infraestructura se convierte en ventaja competitiva o en presión sobre beneficios.
