El 20 de agosto Bloomberg soltó la primicia y para el fin de semana ya estaba confirmado: Nvidia paga 6.000 millones de dólares a Poolside por una licencia no exclusiva de su Model Factory y suma otros 1.000 millones como inversión en la startup, a valoración pre-money de 12.000 millones. En paralelo, 109 empleados de Poolside reciben ofertas para unirse a Nvidia y trabajar en Nemotron, la iniciativa de modelo open-weight con la que Jensen Huang quiere plantar cara a DeepSeek, Qwen y Kimi K3. No es una compra ni un acqui-hire — así lo dice la carta al accionista — pero es la tercera «no-adquisición estructurada» de Nvidia en nueve meses. Van 27.000 millones esquivando revisiones antimonopolio, y la lectura de fondo es geopolítica.
Nvidia rompe el guion: 6.000 millones para levantar una IA open source estadounidense
Hasta esta semana la narrativa dominante era clara: los grandes laboratorios estadounidenses (OpenAI, Anthropic, xAI, Google) apostaban por modelos cerrados y APIs de pago, mientras China dominaba el terreno de los open-weight models — modelos con pesos descargables — con DeepSeek, Qwen y Kimi. Nvidia acaba de mover ficha en la dirección contraria, y lo ha hecho con un cheque de 7.000 millones de dólares en total.
El acuerdo, revelado por Bloomberg el 20 de agosto de 2026 y confirmado los días siguientes por Yahoo Finance, Forbes, Quartz y The National CIO Review, tiene dos patas:
- 6.000 millones por una licencia no exclusiva del «Model Factory» de Poolside: el sistema interno con el que la startup entrena sus modelos Laguna.
- 1.000 millones de inversión directa en la compañía, a valoración pre-money de 12.000 millones.
La lectura estratégica es doble. Por un lado, Nvidia asegura acceso a una pieza de software que hasta ahora solo Poolside dominaba. Por otro, deja a Poolside con caja fresca para seguir operando de forma independiente — un movimiento que evita la etiqueta de «compra» pero traslada al equipo técnico crítico a Santa Clara.
Contexto rápido: qué es un modelo «open-weight»
Un modelo open-weight publica los pesos entrenados con una licencia que permite descargarlos, ejecutarlos y en muchos casos redistribuirlos o hacerles fine-tuning. No siempre es «código abierto» puro (los datasets y los scripts de entrenamiento suelen quedar fuera), pero es lo suficientemente abierto como para desplegar en on-premise sin depender de la API del proveedor. DeepSeek, Qwen, Kimi K3, Laguna y la futura iteración de Nemotron entran en esta categoría.
Los números finos del acuerdo: no es una compra, es un préstamo de ingenieros
El detalle que más ha llamado la atención de analistas y reguladores es la naturaleza del acuerdo. Según la carta al accionista de Poolside — citada por Forbes y Quartz — «esto no es una adquisición y no es un acqui-hire». Y sin embargo:
- 109 empleados de Poolside reciben oferta para unirse a Nvidia.
- Los tres cofundadores — el CEO Eiso Kant, Jason Warner y el tercer socio — se quedan al frente de Poolside como entidad independiente.
- La licencia del Model Factory es no exclusiva: Poolside puede seguir vendiéndosela a terceros.
TechTimes describe la operación como la tercera «structured non-acquisition» de Nvidia en nueve meses. Sumadas superan los 27.000 millones de dólares. El patrón — pagar por licencias masivas y llevarse al equipo — es una fórmula pulida para saltarse los filtros de la FTC y el DOJ en un entorno donde cualquier compra de una empresa de IA por parte de un actor dominante levanta una ceja.
El detonante: 40.000 GB300 que se quedaron sin dueño
La operación no habría existido sin un movimiento de tesorería fallido. Según Bloomberg y Forbes, Poolside tenía una ventana de seis semanas para levantar 2.000 millones y pagar un cluster de 40.000 GPU GB300 que entraba en producción en enero de 2027. La ronda no cerró a tiempo. Poolside perdió el cluster, se quedó sin la infraestructura para seguir compitiendo en la frontera y Nvidia entró con un rescate a medida — llevándose lo importante: el software y los ingenieros.
Qué es Poolside y por qué Nvidia paga esta cifra
Poolside es una fábrica de modelos fundacionales con base en Estados Unidos, fundada por Eiso Kant y Jason Warner (ex-VP de Ingeniería en GitHub). Levantó unos 2.000 millones a lo largo de 2025 y 2026 en rondas con Nvidia entre los inversores — lo cual explica por qué el rescate ha llegado desde Santa Clara y no desde otro fondo.
Su producto público debutó el 2 de julio de 2026: la familia Laguna, un conjunto de modelos open-weight orientados a agentic coding, es decir, a asistentes de programación capaces de operar como agentes autónomos. Todos bajo licencia OpenMDW-1.1.
La pieza clave del acuerdo no son los pesos de Laguna — que ya están publicados y son gratuitos — sino el Model Factory: el pipeline interno que Poolside usa para entrenar, refinar y desplegar esos modelos. Nvidia paga por la receta, no por el pastel.
Laguna XS 2.1, M.1 y S 2.1: la familia técnica
- Laguna XS 2.1 — MoE de 33B parámetros totales, solo 3B activos por token. Corre en una sola GPU de escritorio o portátil. Compatible con Ollama, vLLM y llama.cpp. Pensado para el desarrollador solitario que quiere código privado sin depender de una API externa.
- Laguna M.1 — El mediano de la familia, orientado a workstations de gama media-alta.
- Laguna S 2.1 — MoE de 118B parámetros, 8B activos por token, contexto de 1 millón de tokens. En agentic coding empata o supera a modelos abiertos varias veces mayores.
Nemotron: la marca que Nvidia quiere convertir en referente open source
El destino de los 109 ingenieros de Poolside es claro: reforzar el equipo de Nemotron, la familia de modelos open-weight que Nvidia lleva empujando desde 2024 sin llegar nunca a arrebatarle el titular a DeepSeek o Qwen. Nemotron ha ido publicando iteraciones útiles — sobre todo para el ajuste fino sobre GPUs Nvidia — pero nunca ha sido «el modelo abierto que tienes que probar» del trimestre.
El plan post-Poolside es evidente: fusionar el Model Factory con el stack existente de Nemotron y sacar en el próximo par de trimestres una versión que compita cabeza contra cabeza con Kimi K3 y DeepSeek V4. Si repasas la cronología de lanzamientos de agosto de 2026, verás que el ritmo es brutal: no hay margen para llegar tarde.
El talón de Aquiles: la reputación en open source
Nvidia sabe hacer GPUs y sabe optimizar CUDA. Pero no ha demostrado, aún, que sepa liderar un modelo open-weight que la comunidad adopte por convicción — no por conveniencia. DeepSeek y Qwen se ganaron su base con transparencia técnica, papers agresivos y liberaciones frecuentes. Nemotron, hasta hoy, no ha tenido esa cultura. Los próximos seis meses dirán si el trasplante de Poolside cambia algo o si Nvidia tropieza con la misma piedra que tropezó Meta con Llama 4.
El otro lado del tablero: DeepSeek, Qwen, Kimi y la ofensiva china
Para entender por qué Nvidia se ha gastado 7.000 millones hay que mirar al otro lado del Pacífico. Durante 2026 los laboratorios chinos han dinamitado el terreno del open source. El estado de fuerzas a día de hoy:
- DeepSeek V4 — El generalista más barato del mercado. Sigue siendo la referencia coste/rendimiento.
- Qwen 3.6 (Alibaba) — La base más versátil para fine-tuning. Su ecosistema de checkpoints y forks es el más rico entre los abiertos.
- Kimi K3 (Moonshot) — Publicado el 17 de julio de 2026. 2,8 billones de parámetros en la escala corta anglosajona (2,8 × 10^12). Se anuncia como el modelo abierto más grande del mundo. Fuerte en agentes de largo recorrido.
- GLM-5.2 (Zhipu / Z.ai) — Frontera actual en generación de código abierta.
- Hunyuan Hy3 (Tencent) — El sleeper del año en multimodal.
El titular incómodo para Silicon Valley es este: en varias categorías, el open source chino ya no viene por detrás — va por delante. Kimi lidera en agentes autónomos, DeepSeek en precio, GLM en código, Qwen en adaptabilidad. Estados Unidos, hasta hoy, respondía con modelos cerrados: Claude, GPT-5.6, Gemini 3.6, Grok. Ninguno abierto de verdad.
Kimi K3: el modelo abierto más grande del mundo cambia las reglas
El lanzamiento de Kimi K3 por parte de Moonshot fue el momento en que muchos en Washington entendieron que el problema iba en serio. 2,8 billones de parámetros con pesos publicados y una licencia lo bastante permisiva como para desplegar comercialmente. Ese modelo no lo publica hoy ningún laboratorio estadounidense.
La lectura estratégica es sencilla: si el próximo stack global de infraestructura crítica — asistentes de código, agentes empresariales, sistemas de decisión — se construye sobre modelos chinos, el software soberano de medio mundo queda atado a decisiones que se toman en Pekín. No hace falta invocar el fantasma para ver el problema: cada capa de dependencia es una capa de vulnerabilidad, y cada actualización del modelo base es una decisión que ya no controlas.
Nvidia ha llegado a la misma conclusión — y ha decidido que su papel no puede limitarse a vender palas. Necesita al menos un modelo bandera made in USA que compita en el terreno abierto. De ahí Poolside.
Por qué a Nvidia le interesa (mucho) que el open source gane
Aquí es donde el análisis se pone interesante. Nvidia no es un actor neutral en este debate: cada modelo open-weight que se ejecuta en local vende más GPUs. Cada startup que decide no depender de la API de OpenAI y montarse su propio stack en on-premise compra RTX 6000, H200, GB200 o GB300.
Un mercado dominado por modelos cerrados y APIs concentra el gasto en GPU en un puñado de hyperscalers: Microsoft para OpenAI, Google para Gemini, AWS para Anthropic. Un mercado dominado por modelos abiertos reparte ese gasto entre miles de empresas, laboratorios universitarios, agencias públicas y desarrolladores independientes. La segunda foto es infinitamente mejor para Nvidia — más clientes, más márgenes, menos dependencia de tres o cuatro cuentas monstruosas.
Además, Nvidia tiene un problema publicitario: los modelos open source más famosos del mundo — DeepSeek, Qwen, Kimi — se han entrenado con hardware Nvidia, pero el marketing narrativo pertenece a los laboratorios. Ser dueña de un modelo abierto propio (aunque sea vía licencia) le da a Nvidia una voz en la conversación que hoy no tiene.
Impacto para desarrolladores españoles y startups nacionales
Para el ecosistema español el movimiento es una buena noticia — con matices. Los puntos que importan:
- Modelo open-weight propio y competitivo: si Nvidia entrega, los devs españoles tendrán una alternativa «made in Occidente» para desplegar en on-premise sin las incertidumbres legales que rodean a los pesos chinos en contratos con administración pública o sanidad.
- Cumplimiento del AI Act: un modelo abierto con documentación completa (model cards, evaluaciones, datasets citados) simplifica el análisis de conformidad para casos de uso de riesgo limitado — el terreno donde juegan la mayoría de startups españolas.
- Coste: correr Laguna XS o el futuro Nemotron-Poolside en una workstation con una RTX 6000 Ada bajo el escritorio sale infinitamente más barato que millones de tokens al mes por API. Para consultoras y agencias con volúmenes altos, la ecuación cambia radicalmente.
- Contexto legal: la reciente pausa de OpenAI en Astra por preocupaciones de ciberseguridad refuerza el argumento de que los modelos cerrados están cada vez más regulados y menos predecibles. Un open-weight bien mantenido es una vía de escape.
El matiz importante: si el nuevo Nemotron-Poolside acaba solo corriendo bien en hardware Nvidia — con optimizaciones exclusivas que castiguen AMD o Apple Silicon — el cristal por el que veas la operación cambia de color. La comunidad open source ya está mirando con lupa cuánto tardará el equipo en publicar checkpoints ejecutables en llama.cpp sin acrobacias.
Hardware doméstico para correr modelos abiertos en local
Si vas a montar tu propio setup para ejecutar modelos como Laguna XS 2.1 (o el próximo Nemotron-Poolside en su variante ligera), el hardware manda. Recomendaciones para 2026:
CPU y memoria
El AMD Ryzen 9 9950X3D es la referencia para workstation de IA local — Ver precio actual en Amazon. Sus 16 núcleos Zen 5 con 3D V-Cache resuelven bien los cuellos de botella en preprocesado, tokenización y offloading parcial de capas a CPU cuando la GPU se queda corta.
Para la memoria del sistema, 64 GB DDR5 es el mínimo cómodo para cargar cuantizaciones Q4/Q5 de modelos de 30-70B parámetros sin tirar de swap. El kit de Corsair Vengeance 64 GB DDR5 6000 CL30 — Ver precio actual en Amazon — es la combinación de latencia/frecuencia que mejor casa con las plataformas AM5 actuales.
Almacenamiento para pesos y datasets
Los modelos abiertos ocupan. Un checkpoint de 70B en FP16 pasa fácilmente de los 140 GB; en cuantización 4-bit baja a 40 GB, pero si acumulas varias familias (Laguna, DeepSeek, Qwen, Nemotron) los TB se van rápido. Opciones probadas:
- WD_BLACK SN850X 2TB — la opción segura y contrastada. Ideal como disco secundario dedicado a pesos. Ver precio actual en Amazon.
- Samsung 990 Pro 2TB — la alternativa clásica de gama alta con controladora eficiente y calor bajo control. Ver precio actual en Amazon.
- Crucial T705 2TB Gen5 — PCIe 5.0 nativo si tu placa lo soporta; la carga inicial de modelos grandes se nota. Ver precio actual en Amazon.
GPU: el eterno cuello de botella
Si tu presupuesto llega, RTX 6000 Ada, RTX 5090 o esperar al ciclo Blackwell doméstico. Si te apañas con Laguna XS o modelos con ~7-8B activos, una RTX 4070 Ti Super de 12 GB corre razonablemente bien con cuantización Q5. Para más contexto sobre el uso de estas máquinas en flujos con IA local, la guía de ComfyUI y Flux para 2026 cubre la parte de generación de imagen con el mismo hardware.
¿Open source o cerrado? El nuevo enfrentamiento
La pregunta que sobrevuela el sector no es solo geopolítica — es filosófica. Durante 2025 y buena parte de 2026 el consenso era que los modelos frontera vivirían tras APIs cerradas por seguridad, alineamiento y coste. Los últimos lanzamientos de Anthropic, OpenAI y Google han reforzado esa lectura.
El movimiento de Nvidia tiende un puente: hace posible que el mismo actor que fabrica el hardware apueste por el open source como estrategia de mercado — no por convicción ideológica. Y eso puede acabar arrastrando a otros. Si xAI, Meta o incluso Google deciden volver a liberar pesos porque el ecosistema abierto pesa demasiado como para ignorarlo, el equilibrio del sector cambia de raíz.
Lo que no cambia es la conclusión operativa: quien controle la infraestructura — GPUs, redes, memoria — controla el juego. Nvidia lo sabe. Por eso ha pagado 7.000 millones sin pestañear.
Preguntas frecuentes
¿Cuánto ha pagado exactamente Nvidia por Poolside?
El paquete asciende a 7.000 millones de dólares: 6.000 millones por una licencia no exclusiva del «Model Factory» de Poolside y 1.000 millones adicionales como inversión directa en la compañía a valoración pre-money de 12.000 millones de dólares. Además, 109 empleados reciben oferta para unirse a Nvidia.
¿Nvidia ha comprado Poolside?
Formalmente no. La carta al accionista de Poolside insiste en que «esto no es una adquisición y no es un acqui-hire». Los tres cofundadores — Eiso Kant, Jason Warner y el tercer socio — siguen al frente de Poolside como compañía independiente y la licencia del Model Factory es no exclusiva. Para la prensa especializada (TechTimes, Forbes) es la tercera «structured non-acquisition» de Nvidia en nueve meses.
¿Qué es el «Model Factory» que Nvidia ha licenciado?
Es el pipeline interno de entrenamiento y despliegue con el que Poolside construye su familia Laguna: orquestación de clusters, recetas de datos, evaluaciones internas y sistema de refinamiento. Nvidia paga por la receta, no por los pesos — los pesos de Laguna XS 2.1, M.1 y S 2.1 ya son públicos bajo licencia OpenMDW-1.1.
¿Puedo descargar y usar los modelos Laguna de Poolside?
Sí. Laguna XS 2.1 (33B MoE, 3B activos por token), Laguna M.1 y Laguna S 2.1 (118B MoE, 8B activos, 1M de contexto) están publicados bajo licencia OpenMDW-1.1 y se pueden ejecutar con Ollama, vLLM o llama.cpp. Laguna XS corre incluso en portátiles con una única GPU dedicada decente.
¿Compite el nuevo Nemotron con DeepSeek, Qwen y Kimi K3?
Esa es la intención declarada. La familia Nemotron existía antes del acuerdo, pero nunca había alcanzado la notoriedad de sus rivales chinos. Con el equipo de Poolside dentro y el Model Factory licenciado, Nvidia quiere entregar en los próximos trimestres una versión que compita cabeza a cabeza con Kimi K3 (2,8 billones de parámetros), DeepSeek V4 y Qwen 3.6 en agentic coding y agentes generalistas.
¿Qué hardware necesito para correr modelos abiertos como Laguna XS 2.1 en local?
Para Laguna XS 2.1 con cuantización Q4/Q5 basta con una GPU dedicada de 12 GB (RTX 4070 Ti Super o superior), 64 GB de RAM y un SSD NVMe rápido para cargar pesos sin cuellos de botella. Para el modelo grande (Laguna S 2.1) o cuantizaciones densas necesitas workstation con RTX 6000 Ada, RTX 5090 o una configuración multi-GPU.
Cierre y disclaimer
La operación Nvidia-Poolside no es la nota anecdótica del verano — es el momento en que Estados Unidos decide que no puede ceder el open source a China por defecto. Habrá que ver qué produce ese matrimonio en los próximos 6-12 meses y si el nuevo Nemotron llega a la altura de Kimi K3, DeepSeek V4 o Qwen 3.6. Mientras tanto, para el desarrollador español el mensaje es sencillo: el open source va a ser la capa donde se libre la próxima ronda de la carrera, y montar un stack local capaz de correr modelos de 30-100B parámetros ya no es un capricho.
Disclaimer: este artículo contiene enlaces afiliados de Amazon. Si compras a través de ellos, Arkaia recibe una pequeña comisión sin coste extra para ti. Las cifras económicas y técnicas provienen de fuentes públicas contrastadas (Bloomberg, Forbes, Quartz, The National CIO Review, TechTimes, VentureBeat, Open Source For You) publicadas entre el 20 y el 26 de agosto de 2026. Este análisis no constituye recomendación de inversión ni consejo financiero.
Lecturas relacionadas
- Carrera de modelos IA: 11 lanzamientos en 20 días
- OpenAI pausa Astra por capacidades cibernéticas críticas
- Análisis de Grok 4.6 vs Grok 4.5
- Claude Opus 5: análisis del mejor modelo de programación
- ComfyUI + Flux: guía completa 2026
Hardware para desarrolladores IA en 2026
La respuesta de Nvidia a la ofensiva open source china pasa por que más desarrolladores puedan iterar modelos en local. Si quieres montar una estación seria para probar modelos open weight (Laguna S 2.1, DeepSeek V4, Qwen 3.8, Kimi K3), estos son componentes verificados por Arkaia.
- AMD Ryzen 9 9950X3D en Amazon — 16 núcleos con 3D V-Cache: mueve compilación, fine-tuning ligero y gaming a la vez.
- Crucial T705 2 TB Gen5 con disipador en Amazon — SSD PCIe 5.0 con 14.500 MB/s, imprescindible cuando cargas pesos de modelos grandes desde disco.
Este artículo contiene enlaces afiliados a Amazon con el tag webmasteroson-21. Si compras a través de estos enlaces, Arkaia puede recibir una comisión sin coste adicional para ti. Nuestra valoración editorial es independiente y no varía según los ingresos por afiliación.
Comentarios
Inicia sesion para dejar un comentario
Acceder
