ARM le gana la partida a x86 en los servidores de IA, según el último reporte de IDC

Durante años, cuando alguien pensaba en un servidor para correr inteligencia artificial, la imagen mental era casi siempre la misma: un procesador Intel o AMD (arquitectura x86) acompañado de una o varias GPUs. Ese supuesto acaba de cambiar de forma medible. Según el último Worldwide Quarterly Server Tracker de IDC, en el primer trimestre de 2026 los servidores basados en arquitectura ARM superaron por primera vez a los x86 dentro del gasto en servidores acelerados para IA — y no fue un empate técnico: la diferencia ya es de miles de millones de dólares por trimestre.

Para quien no vive pendiente de estos reportes, la relevancia es simple: la arquitectura del chip que corre por dentro de un centro de datos está dejando de ser un detalle técnico invisible para convertirse en una decisión que afecta directamente cuánto cuesta entrenar o correr un modelo de IA, y qué tan rápido se puede escalar esa infraestructura.

Las cifras que da IDC son concretas. En el primer trimestre de 2026, el gasto en servidores ARM llegó a 53.000 millones de dólares, mientras que los servidores x86 se quedaron en 34.600 millones — una caída notable si se compara con los 52.000 millones que x86 todavía manejaba apenas dos trimestres atrás. En total, el gasto en infraestructura acelerada de IA sumó 89.700 millones de dólares en el trimestre, un crecimiento interanual del 33,1%, aunque plano frente al trimestre inmediatamente anterior. IDC además elevó su pronóstico para todo 2026 a 497.000 millones de dólares (un salto de ~56% interanual), con proyecciones de 1,08 billones para 2029 y 1,21 billones para 2030.

¿Por qué ARM está ganando terreno? La explicación de IDC apunta a que los grandes compradores de cómputo se están consolidando alrededor de plataformas de escala de bastidor como NVL72/GB200 de NVIDIA, que integran CPU y GPU en un mismo diseño optimizado — y esas plataformas usan CPUs ARM, no x86 tradicional. En la práctica, esto redistribuye volumen que antes iba a diseños x86 personalizados hacia una arquitectura pensada desde cero para maximizar rendimiento por watt y por dólar en cargas de trabajo de IA.

El cambio no se limita a los aceleradores. Coberturas recientes de Data Center Knowledge muestran que la carrera ya no es solo por GPUs: AWS lanzó instancias basadas en su chip Graviton5 (también ARM), reforzando que las CPUs siguen siendo indispensables incluso en pilas de IA modernas; NVIDIA presentó su sistema operativo DSX OS para orquestar despliegues completos de "fábricas de IA"; y una coalición de la industria advirtió que la expansión acelerada de estas construcciones está tensionando el suministro global de memoria. En paralelo, HPE apostó por un enfoque "networking-first" para reducir la latencia dentro de los clústeres de GPU — otra señal de que el cuello de botella ya no es solo el chip que procesa, sino todo lo que lo rodea.

Regionalmente, Estados Unidos sigue concentrando el grueso del gasto (67.900 millones de dólares, un 75,7% del total global), pero el crecimiento más rápido se dio en Medio Oriente y África (+233% interanual), y China volvió a terreno positivo (+9,3%) tras varios trimestres complicados.

¿Qué significa esto hacia adelante? Que la pregunta "¿qué arquitectura de servidor necesito?" ya no tiene una respuesta única ni obvia. Si estás evaluando montar o escalar tu propia infraestructura de cómputo para correr modelos de IA — ya sea entrenamiento, inferencia a gran escala, o simplemente un modelo propio que quieres controlar sin depender de un tercero — la arquitectura del servidor que elijas hoy va a determinar buena parte de tu costo por los próximos años. Si estás en esa etapa de evaluación, en /planes/servidores-dedicados tenemos opciones pensadas para cargas de trabajo que exigen ese nivel de cómputo dedicado.