Tesla fabrica sus propios chips: lo que eso le hace al precio de la inteligencia artificial
El 14 de marzo de 2026, Elon Musk publicó seis palabras en X: "Terafab Project launches in 7 days." Seis palabras para anunciar una inversión de 25 mil millones de dólares, una fábrica diseñada para producir entre 100 y 200 mil millones de chips personalizados al año, y una apuesta que, si se ejecuta correctamente, podría cambiar cómo se calcula el costo de entrenar un modelo de inteligencia artificial.
No es hipérbole. Es aritmética.
Por qué construir una fábrica de chips es una decisión financiera, no tecnológica
La industria de semiconductores opera bajo una lógica que la mayoría de los ejecutivos fuera del sector subestiman: el costo marginal de producir un chip adicional cae de manera pronunciada conforme se escala el volumen, pero el costo fijo de entrada es tan brutal que durante décadas actuó como una barrera infranqueable. TSMC tardó décadas y cientos de miles de millones de dólares en alcanzar su posición dominante. Samsung invirtió a escalas similares. Ninguna empresa privada fuera de ese duopolio había intentado construir una capacidad de fabricación equivalente.
Tesla está intentando producir, desde un solo complejo, el equivalente al 70% de la producción total actual de TSMC. El objetivo de arranque es 100,000 inicios de wafer por mes, con una hoja de ruta hacia un millón mensual. La tecnología de proceso apunta a los 2 nanómetros, el nodo más avanzado disponible comercialmente hoy.
Esto no es un proyecto de I+D. Es una reorganización estructural de la economía de costos de Tesla, y por extensión, del precio del cómputo para inteligencia artificial a nivel global.
La lógica detrás de Terafab no parte de una ambición tecnológica abstracta. Parte de un cálculo concreto: Tesla identificó que incluso bajo el escenario más optimista de sus proveedores actuales, el suministro proyectado no alcanzaría para cubrir la demanda que generarán el programa Cybercab, la línea de producción del robot Optimus, el supercomputador Dojo y la infraestructura de entrenamiento de Grok, el modelo de xAI. Musk lo formuló con una claridad inusual durante la reunión anual de accionistas: "Even when we extrapolate the best-case scenario for chip production from our suppliers, it's still not enough." Cuando el mejor escenario posible con tus proveedores sigue siendo insuficiente, la única salida racional es convertirte en tu propio proveedor.
El momento en que la infraestructura deja de ser un gasto y se convierte en ventaja
Hay una diferencia estructural entre una empresa que compra chips y una empresa que los fabrica. No es solo de costos directos. Es de arquitectura competitiva completa.
Cuando Tesla adquiere chips de TSMC o Samsung, paga no solo el costo de manufactura sino el margen del intermediario, las restricciones de capacidad compartida con otros clientes de alto perfil como Apple, Nvidia o Qualcomm, y los tiempos de ciclo que ningún contrato puede eliminar del todo. Cada dólar de margen que TSMC captura sobre Tesla es un dólar que no puede invertirse en reducir el precio del vehículo autónomo o del robot industrial.
Con Terafab, ese margen desaparece del balance. Pero lo que aparece en su lugar es más interesante: la capacidad de diseñar el chip AI5, la quinta generación del procesador de inteligencia artificial de Tesla, con especificaciones exactamente alineadas a sus propias cargas de trabajo. No chips genéricos optimizados para el mercado. Chips cuya arquitectura combina procesamiento lógico, almacenamiento en memoria y empaquetado avanzado en una sola línea de manufactura verticalmente integrada. La diferencia en eficiencia operativa entre un chip diseñado específicamente para entrenar modelos de conducción autónoma y uno diseñado para el mercado general puede traducirse en un ahorro de entre 20% y 40% en consumo de energía por ciclo de inferencia, según rangos estándar de la industria para optimizaciones de nodo dedicado.
Producción en pequeños lotes en 2026. Volumen en 2027. Si esos plazos se cumplen, Tesla habrá completado en menos de dos años lo que a la mayoría de los actores del sector les toma una década.
El 25% que el CFO no había presupuestado todavía
Aquí es donde el análisis financiero se vuelve más incómodo. El CFO de Tesla, Vaibhav Taneja, reconoció durante la presentación de resultados del 28 de enero de 2026 que el costo total de Terafab, estimado en 25 mil millones de dólares, no está completamente incorporado en la cifra de gasto de capital declarada para 2026, que ya supera los 20 mil millones. Eso significa que el plan de capital para el año ya era ambicioso antes de incluir la mayor inversión en infraestructura que la compañía ha anunciado.
Este es el riesgo de ejecución más concreto del proyecto. La industria de semiconductores no perdona los errores de planificación. Los ciclos de construcción de una planta de fabricación avanzada son largos, el talento especializado es escaso, y las curvas de rendimiento de los nuevos procesos de manufactura son impredecibles. Tesla comenzó a reclutar diseñadores de chips de inteligencia artificial en Corea del Sur en febrero de 2026, buscando ingenieros para lo que describió como los chips de mayor volumen del mundo. Ese reclutamiento, a meses del lanzamiento declarado, sugiere que la organización todavía está construyendo capacidades que normalmente precederían a la operación.
La pregunta no es si Terafab es una buena idea. La pregunta es si el ritmo de ejecución puede sostener las ambiciones del cronograma. Y en manufactura de semiconductores, la distancia entre el anuncio y la producción a escala raramente se mide en meses.
Cuando el costo de producir inteligencia artificial se acerca a cero para quien controla el silicio
Hay un patrón que se repite en cada industria donde la tecnología madura: el costo marginal de producción colapsa para los actores que controlan la capa de infraestructura, mientras que los que dependen de intermediarios quedan atrapados en una estructura de costos que no pueden optimizar.
Apple lo hizo con los chips M-series, pero solo en diseño, no en manufactura. Google construyó sus TPUs para entrenar modelos, pero sigue dependiendo de fundiciones externas. Amazon desarrolló los chips Trainium y Graviton, con la misma dependencia. Tesla está intentando el paso que ninguno de ellos dio: controlar tanto el diseño como la fabricación.
Si Terafab alcanza su objetivo de un millón de inicios de wafer mensuales, Tesla produciría más chips avanzados que cualquier entidad privada fuera de Taiwan y Corea del Sur. El costo marginal de añadir capacidad de cómputo adicional para entrenar nuevas versiones de FSD o para escalar la producción de Optimus se acercaría progresivamente al costo variable puro de energía y materiales, sin el sobrecosto estructural de los contratos con terceros.
Eso no cambia solo la economía de Tesla. Cambia el precio de referencia del cómputo de inteligencia artificial para toda la industria, porque establece un nuevo piso de costos alcanzable para quien tenga la escala y el capital para replicar el modelo.
Los líderes que aún calculan su estrategia de inteligencia artificial asumiendo que el costo del cómputo es una variable exógena que no controlan están tomando decisiones sobre un mapa que ya está siendo redibujado. La ventaja competitiva en los próximos diez años no la tendrán quienes mejor usen los chips disponibles en el mercado, sino quienes hayan construido la infraestructura para producirlos a su propio costo marginal.
