La postura general de NVIDIA: todo pasa por la IA

Antes de ir tecnología por tecnología, hay que entender el lente con el que NVIDIA mira el mundo. Jensen Huang tiene un único mensaje central: los datos centers ya no son instalaciones de IT sino «fábricas de IA», sistemas industriales diseñados para convertir electricidad en tokens. «Los tokens son la nueva commodity», dijo en el GTC 2026. Todo lo que no encaja en esa visión, NVIDIA lo ignora. Lo que sí encaja, lo abraza. Data Center Frontier

IoT — Aquí sí están metidos a fondo

IoT es el territorio donde NVIDIA tiene más presencia concreta. Su apuesta se llama Jetson, la familia de computadoras de borde para IA industrial.

La serie Jetson de NVIDIA es la plataforma dominante para inferencia de IA de alto rendimiento en el borde, con el Jetson AGX Orin entregando 275 TOPS, posicionado como el módulo de IA en el borde de mayor rendimiento disponible actualmente, orientado a robótica, vehículos autónomos y sistemas de visión industrial. E&ICT Academy

En el Computex 2026, NVIDIA anunció JetPack 7.2 y soporte de NemoClaw en Jetson, haciendo la plataforma «agentic-ready» para robótica, inspección y automatización industrial. NVIDIA Blog

Los casos de uso reales ya están desplegados: inspección de fábricas con visión artificial, cámaras inteligentes en retail, monitoreo en tiempo real de infraestructura de salud, agricultura inteligente y vehículos autónomos. Socios como ABB, KUKA, Caterpillar y Medtronic ya usan Jetson en sus productos.

La visión de NVIDIA para IoT es clara: no le interesa el IoT de sensores baratos que mandan datos a la nube. Le interesa el IoT con IA embebida en el borde, donde el dispositivo mismo procesa, razona y actúa. Eso requiere sus chips.

RFID — Silencio total

Este es el dato más revelador. NVIDIA no habla de RFID. En ningún anuncio, keynote, blog post ni comunicado oficial de 2025/2026 Jensen Huang o algún ejecutivo de NVIDIA menciona la tecnología de identificación por radiofrecuencia.

¿Por qué? Porque RFID es una tecnología de identificación pasiva, de bajísimo cómputo, que no necesita GPUs ni IA sofisticada para funcionar. Es el opuesto de lo que NVIDIA vende. Para NVIDIA, si un sistema de logística usa RFID para trackear pallets, la parte interesante no es el RFID — es el modelo de IA que analiza los patrones de movimiento, predice demanda o detecta anomalías. El RFID es infraestructura previa que simplemente alimenta datos a sus sistemas.

En la visión de NVIDIA, RFID es un sensor más en el ecosistema de datos que sus plataformas consumen. No es un competidor ni un aliado — es invisible.

Blockchain y crypto — Una relación peculiar

Acá la postura es interesante y un poco esquiva. En ningún momento durante el earnings call ni en el GTC 2026 Huang hizo referencia a blockchain, criptomonedas o activos digitales. Crypto Briefing

Sin embargo, hay dos conexiones indirectas que el mercado crypto aprovecha permanentemente:

1. Las GPUs de NVIDIA son la infraestructura de minería. La empresa nunca lo promueve activamente, pero sus chips son los que mueven una parte del ecosistema crypto. Huang una vez describió el bitcoin mining como «tomar energía excedente y almacenarla en una nueva forma llamada moneda» — una descripción técnica neutral, no un endoso. The Cool Down

2. La IA descentralizada lo entusiasma más. En el podcast All-In, Huang comparó a Bittensor — una red de entrenamiento de IA descentralizada en blockchain — con «una versión moderna de folding@home», el proyecto de computación distribuida para investigación científica. Dentro de las 48 horas del episodio, el sector de tokens de IA saltó un 40% en un solo día. Fue el comentario más cercano a un endoso que jamás dio sobre crypto. Phemex

Lo que sí quedó claro en el GTC 2026 es que cuando Huang habla de «tokens» no habla de blockchain: habla de unidades de output de modelos de IA. «Los tokens son ahora rentables» declaró en la conferencia de resultados — refiriéndose a que las empresas cobran más por la inferencia de IA de lo que les cuesta generarla. Crypto Briefing

La postura real de NVIDIA sobre blockchain: no le importa la tecnología en sí. Le importa si usa sus GPUs. El mining lo acepta sin entusiasmo. La IA descentralizada sobre blockchain le parece fascinante porque requiere exactamente lo que vende.

Quantum computing — Presente pero todavía lejos

En el GTC 2026, quantum computing apareció en el programa como vertical propio, con sesiones específicas sobre computación cuántica y su intersección con IA. NVIDIA está desarrollando NVQLink para conectar GPUs con QPUs (unidades de procesamiento cuántico) en sistemas híbridos. No es el centro de su negocio hoy, pero lo están monitoreando de cerca. NVIDIA Corporation

El patrón de fondo

NVIDIA tiene una regla no escrita muy consistente: si una tecnología necesita sus GPUs para escalar, la abraza. Si no, la ignora. IoT con IA en el borde: sí. Telco con AI-RAN: sí. Robots, autos autónomos, digital twins: sí. RFID, blockchain sin IA, sensores pasivos, bases de datos tradicionales: indiferencia total.

Jensen Huang lo resume en una frase que repite constantemente: «La IA está redefiniendo la computación e impulsando la mayor construcción de infraestructura de la historia de la humanidad.» Todo lo que no es parte de esa construcción, sencillamente no está en su radar.

El formato Agent Skills, creado por Anthropic y liberado como estándar abierto en diciembre de 2025, se convirtió en cuestión de meses en la manera dominante de darle memoria procedimental a los agentes de inteligencia artificial. Más de 35 herramientas lo adoptaron, el ecosistema creció de cero a más de 500.000 skills disponibles en menos de seis meses, y gigantes como Google, Microsoft, OpenAI y Elastic ya lo integraron en sus plataformas. La pregunta que define el trabajo con IA en 2026 ya no es «¿puede el modelo hacer esto?», sino «¿sabe el modelo cómo hacerlo de la forma correcta para mi contexto?».

El problema que Agent Skills vino a resolver es uno que cualquier persona que trabaje con herramientas de IA reconoce de inmediato: cada vez que abrís una conversación, empezás de cero. Tenés que volver a explicar quién sos, qué hacés, cómo querés las cosas, cuál es el formato de salida esperado. La IA produce algo brillante. Y al día siguiente, amnesia total. Este ciclo de repetición constante no es solo frustrante: tiene un costo económico real. Cuando se paga por uso de API en dólares, cargar el mismo contexto una y otra vez significa tokens tirados a la basura antes de que el agente haga nada productivo. Un servidor MCP con muchas herramientas puede consumir más de 50.000 tokens solo en definiciones al inicio de cada sesión. Los skills resolvieron esto con una lógica elegante que la industria abrazó a una velocidad inusual.

La mecánica es simple al punto de parecer obvia en retrospectiva. Un skill es una carpeta con un archivo obligatorio llamado SKILL.md, que contiene metadatos mínimos (nombre y descripción) e instrucciones sobre cómo ejecutar una tarea específica. Opcionalmente puede incluir subcarpetas con scripts ejecutables, documentación de referencia, templates y otros recursos. Lo central del diseño es el concepto de «progressive disclosure»: los agentes no cargan el contenido completo de todos los skills al arrancar, sino que en la etapa de descubrimiento solo leen el nombre y la descripción de cada skill disponible, lo que consume apenas entre 30 y 50 tokens por skill inactivo. Cuando una tarea coincide con la descripción de un skill, recién entonces el agente carga el SKILL.md completo al contexto, con instrucciones de entre 500 y 5.000 tokens. Esto permite tener decenas de skills instalados sin que el costo de contexto explote. La comparación con el enfoque anterior es contundente: un desarrollador puede tener 40 skills disponibles con un impacto mínimo en el contexto cuando no son relevantes, algo que antes era estructuralmente imposible.

Anthropic publicó la especificación como estándar abierto el 18 de diciembre de 2025, replicando el mismo movimiento que había hecho con el Model Context Protocol (MCP), que también fue donado como estándar abierto a la Agentic AI Foundation bajo la Linux Foundation junto con OpenAI y Block. La reacción del ecosistema fue inmediata y masiva. En las primeras 24 horas del lanzamiento, un repositorio de skills en GitHub pasó de 85 a más de 250 entradas. Vercel Labs publicó skills oficiales de Next.js y React el mismo día. En las semanas siguientes, Google adoptó el formato en Gemini CLI y en su IDE Antigravity, construido sobre el equipo de Windsurf que adquirió por 2.400 millones de dólares. Microsoft lo integró nativamente en VS Code y GitHub Copilot. OpenAI, competidor directo de Anthropic, adoptó una arquitectura idéntica en ChatGPT y Codex CLI, replicando la estructura de archivos y metadatos de forma exacta. Hoy el formato es compatible con más de 35 herramientas, entre ellas Claude Code, Cursor, Gemini CLI, GitHub Copilot, Roo Code, Goose, Amp, Tabnine, Letta, OpenHands, Spring AI, Laravel Boost, Kiro, Factory, Qodo, Databricks Genie Code, Snowflake Cortex Code y varias más. La ruta más compatible entre agentes es .claude/skills/, que reconocen Cursor, OpenCode y GitHub Copilot además de su propio directorio nativo.

La dimensión empresarial del formato es donde el impacto se vuelve más tangible. En la mayoría de los equipos de desarrollo, el conocimiento sobre «cómo hacemos las cosas acá» vive en la memoria de las personas: convenciones no escritas, decisiones de arquitectura tomadas años atrás, criterios de code review que varían según quién los aplica. Cuando alguien se va, se lleva sus prompts. Cuando alguien nuevo entra, empieza de cero. Los skills permiten externalizar ese conocimiento en artefactos versionables y compartibles que el agente aplica automáticamente. Un desarrollador nuevo puede instalar el set de skills de la empresa y tener acceso inmediato a los estándares y convenciones vigentes sin que ningún colega tenga que explicárselos. Elastic, por ejemplo, lanzó un conjunto de skills bajo licencia Apache 2.0 que cubre cinco áreas del Elastic Stack, desde interacciones con la API de Elasticsearch hasta la gestión de dashboards en Kibana, y lo publicó bajo el argumento de que «el conocimiento de los agentes debe ser abierto». La comunidad de ciberseguridad, por su parte, ya cuenta con un repositorio de 754 skills en producción repartidas en 26 dominios, que incluyen desde Cloud Security y Threat Hunting hasta Web Application Security, todas siguiendo la especificación abierta de agentskills.io y compatibles con Claude Code, Codex CLI, Cursor y OpenCode.

El uso práctico demuestra hasta dónde puede llegar el formato cuando está bien implementado. Un skill correctamente escrito permite pedirle al agente que entre a Stripe, recopile datos de un trimestre completo y genere automáticamente los importes para las declaraciones impositivas con el detalle por casilla, o que limpie y deduplique un dataset de scraping en JSON y produzca un informe Excel listo para presentar, o que siga el proceso interno de code review del equipo sin que el desarrollador tenga que volver a explicarlo. Las únicas reglas que la comunidad identificó como críticas para que un skill funcione bien son dos: la descripción tiene que ser específica sobre qué hace y cuándo se activa (una descripción genérica como «ayuda con datos» confunde al agente), y no puede haber dos skills con descripciones superpuestas dentro del mismo proyecto. Un skill mal escrito no solo no ayuda: consume tokens sin aportar valor y puede producir resultados inconsistentes. La especificación recomienda que el SKILL.md completo no supere los 5.000 tokens para mantener el balance entre riqueza de instrucciones y eficiencia de contexto. Para instalar skills desde repositorios externos, el ecosistema cuenta con una CLI que se ejecuta con npx skills y detecta automáticamente qué agentes están instalados en el sistema para colocar los archivos en el lugar correcto sin intervención manual.

El equipo de Claude Code en Anthropic, que desarrolló el formato originalmente, tiene hoy cientos de skills en uso activo interno y lo describe como el punto de extensión más utilizado de la herramienta. La especificación vive en agentskills.io, con documentación pública que cubre el quickstart, la especificación completa del formato, buenas prácticas de escritura, evaluación de calidad de output, optimización de descripciones para activación confiable, uso de scripts dentro de skills, y una guía para desarrolladores que quieren integrar el formato en sus propios agentes. El código fuente y la comunidad se concentran en github.com/agentskills/agentskills, con un servidor de Discord activo para discusión y soporte. En menos de seis meses, lo que empezó como una feature de Claude Code se convirtió en el estándar de facto para darle expertise de dominio a los agentes de IA, independientemente de qué modelo o herramienta se use.

Fuentes:

Agent Skills (sitio oficial): https://agentskills.io/home

Neuronic — Guía definitiva Agent Skills 2026: https://neuronic.com.ar/blog/agent-skills-guia-definitiva

Web Reactiva — Agent Skills para Claude Code, Codex, Cursor y OpenCode: https://www.webreactiva.com/blog/skills-programadores-agentes-ia

Ecosistema Startup — Agent Skills el estándar abierto: https://ecosistemastartup.com/agent-skills-el-estandar-abierto-ia-para-startups-tech/

AI Mafia Substack — Skills: guía definitiva: https://aimafia.substack.com/p/skills-ia

Tacos de Datos — Agent Skills: más poder, menos tokens: https://www.tacosdedatos.com/p/agent-skills-mas-poder-menos-tokens

Elastic Labs — Agent Skills para Elastic: https://www.elastic.co/search-labs/es/blog/agent-skills-elastic

Web Reactiva — 754 skills de ciberseguridad: https://www.webreactiva.com/blog/skills-ciberseguridad

onext — Skills para agentes de IA, guía práctica: https://www.onext.es/es/insights/skills-ia-agentes-guia-practica-equipos-desarrollo/

OpenReplay — Capacidades reutilizables con skills.sh: https://blog.openreplay.com/es/capacidades-reutilizables-agentes-ia-skills-sh/

La inteligencia artificial dejó de ser solo un asunto de gigantescos centros de datos. En 2026, NVIDIA y AMD lanzaron sus propias supercomputadoras compactas para escritorio, capaces de correr agentes de IA autónomos y modelos de lenguaje de hasta 200 mil millones de parámetros sin depender de la nube. Con precios que arrancan en los 3.999 dólares, estos equipos marcan el inicio de una nueva categoría de hardware que promete cambiar el modo en que investigadores, desarrolladores y empresas trabajan con inteligencia artificial.

La apuesta no es menor: durante décadas, el poder de cómputo necesario para entrenar y correr modelos de IA estuvo reservado a servidores que ocupaban habitaciones enteras y costaban millones de dólares. Hoy, esa potencia cabe en una caja metálica que entra en un escritorio. NVIDIA fue la primera en mover ficha con la DGX Spark, lanzada en octubre de 2025, seguida de cerca por AMD con el Ryzen AI Halo, que llegó al mercado a mediados de junio de 2026. Ambas máquinas incorporan 128 GB de memoria unificada, son capaces de ejecutar localmente modelos como GPT-OSS de 120 mil millones de parámetros y vienen preconfiguradas con todo el software necesario para que el usuario pueda ponerse a trabajar desde el primer encendido. La era de la IA de escritorio llegó, y llegó con todo.

El producto que abrió el juego fue el NVIDIA DGX Spark. Presentado originalmente como «Proyecto Digits» en el GTC 2025 de NVIDIA, se lanzó con el nombre definitivo DGX Spark en octubre de 2025 a un precio de 3.999 dólares. Sin embargo, la demanda superó ampliamente las proyecciones y una crisis global de suministro de memoria LPDDR5X forzó a NVIDIA a elevar su precio oficial hasta los 4.699 dólares en febrero de 2026, un aumento del 18% que se aplica en todas las regiones del mundo. El corazón del equipo es el superchip GB10 Grace Blackwell, que combina CPU ARM y GPU de arquitectura Blackwell en un único chip con 128 GB de memoria unificada y un rendimiento pico de 1 petaFLOP en precisión FP4, el formato de bajo consumo que NVIDIA desarrolló específicamente para cargas de trabajo de inteligencia artificial. El sistema funciona exclusivamente con Linux bajo el DGX OS, el sistema operativo propio de NVIDIA, y viene preinstalado con toda la pila de software de la compañía: CUDA, TensorRT, contenedores listos para usar y NemoClaw, la herramienta de código abierto que permite desplegar agentes de IA autónomos con controles de seguridad y privacidad. La máquina mide apenas 15 x 15 x 5 cm y se consigue a través de los socios autorizados de NVIDIA: Acer, ASUS, Dell, Gigabyte, HP, Lenovo y MSI, además del sitio oficial de la compañía y Amazon.

AMD respondió con el Ryzen AI Halo, un mini PC anunciado en el CES 2026 y disponible para pedidos anticipados desde junio de 2026 a través de Micro Center en Estados Unidos. El precio de lanzamiento se fijó también en 3.999 dólares, lo que le da una ventaja de alrededor de 700 dólares frente al DGX Spark actual, y la compañía lo presentó oficialmente en su AI DevDay en San Francisco como la plataforma de desarrollo de IA local más accesible del mercado. El corazón del equipo es el procesador Ryzen AI Max+ 395, basado en la arquitectura Zen 5, con 16 núcleos y 32 hilos, GPU integrada Radeon 8060S con 40 unidades de cómputo y una NPU dedicada de 50 TOPS para acelerar tareas de inteligencia artificial. Al igual que la DGX Spark, cuenta con 128 GB de memoria LPDDR5X unificada y puede correr modelos de hasta 200 mil millones de parámetros en local. La diferencia clave que AMD puso en el centro de su discurso comercial es la compatibilidad: el Ryzen AI Halo funciona tanto con Windows 11 Pro como con Linux, algo que la DGX Spark de NVIDIA no ofrece, ya que está atada a su propio sistema operativo basado en Linux. La disponibilidad inicial es solo en Micro Center para retiro en tienda, con envíos esperados a partir del 10 de julio de 2026, y AMD ya confirmó una variante de mayor potencia con 192 GB de memoria para el tercer trimestre del año.

La pelea entre ambas plataformas no se libra solo en especificaciones, sino también en ecosistemas de software, y ahí la diferencia es sustancial. NVIDIA lleva décadas construyendo CUDA, el lenguaje de programación para GPUs que se convirtió en el estándar de facto de toda la industria de IA. PyTorch, vLLM, TensorRT-LLM, ComfyUI y prácticamente todas las herramientas relevantes del ecosistema open source están optimizadas primero para CUDA, lo que hace que en la DGX Spark todo funcione desde el primer día sin fricciones. AMD, en cambio, apuesta por ROCm, su propio framework para computación en GPU, que ha mejorado notablemente con las versiones 7.2 y 7.2.2 lanzadas en 2026 pero que aún arrastra cierta reputación de inestabilidad frente a CUDA. En benchmarks recientes, el Ryzen AI Halo mostró entre un 4% y un 14% más de velocidad en generación de tokens sobre el DGX Spark en modelos como GPT-OSS 120B y Qwen 3.5 122B, diferencia que AMD atribuye a optimizaciones específicas en el ancho de banda de memoria. Sin embargo, en la fase de procesamiento de prompts, donde entra en juego la potencia pura del tensor core de arquitectura Blackwell, el DGX Spark es entre 2 y 3 veces más rápido según pruebas publicadas por The Register y compute-market.com.

El cuadro se completa con la tercera capa de la estrategia de NVIDIA: más allá del DGX Spark, la compañía presentó en el Computex 2026 la plataforma RTX Spark y la DGX Station for Windows. La RTX Spark es un nuevo superchip que Jensen Huang describió como «la reinvención de la PC con Windows para la era de los agentes de IA», destinado a laptops y minis de escritorio que llegarán al mercado entre septiembre y noviembre de 2026 de la mano de Microsoft Surface, ASUS, Dell, HP, Lenovo y MSI, con precios estimados por encima de los 2.000 dólares. La DGX Station for Windows, por su parte, es la opción para grandes empresas: construida sobre el superchip GB300 Grace Blackwell Ultra con hasta 748 GB de memoria coherente y 20 petaflops de rendimiento FP4, está diseñada para correr literalmente cientos de agentes de IA simultáneos dentro de un entorno Windows manejado por equipos de IT corporativos. La colaboración entre NVIDIA y Microsoft incluye además la integración de OpenShell, una capa de seguridad que aísla cada agente en contenedores independientes para que puedan operar archivos y aplicaciones sin acceder al resto del sistema. El mensaje de fondo de toda esta movida es uno solo: la PC dejó de ser una herramienta para ejecutar programas y se convirtió en una plataforma para que los agentes de IA hagan el trabajo por vos.

Para el lector argentino, el acceso a estos equipos pasa hoy exclusivamente por importación directa o revendedores que operan desde Estados Unidos o Europa. Ninguna de estas plataformas tiene distribución oficial en el país. El DGX Spark, con mayor disponibilidad global por llevar más meses en el mercado, se puede adquirir en Amazon o a través de los socios de canal de NVIDIA, pero hay que sumarle los costos de importación, aranceles y el tipo de cambio vigente, que pueden elevar el precio final muy por encima del valor de lista. El Ryzen AI Halo, por ahora, está restringido a compras presenciales en Micro Center dentro de Estados Unidos.

Fuentes:

NVIDIA DGX Spark (sitio oficial): https://www.nvidia.com/es-la/products/workstations/dgx-spark/

NVIDIA Newsroom — RTX Spark y DGX Station for Windows: https://nvidianews.nvidia.com/news/nvidia-microsoft-windows-pcs-agents-rtx-spark

NVIDIA Newsroom — DGX Station for Windows: https://nvidianews.nvidia.com/news/nvidia-dgx-station-for-windows-puts-a-trillion-parameter-ai-supercomputer-on-every-enterprise-desk

AMD Ryzen AI Halo (sitio oficial): https://www.amd.com/es/products/processors/desktops/ryzen/ryzen-ai-halo.html

Tom’s Hardware — AMD Ryzen AI Halo vs NVIDIA DGX Spark: https://www.tomshardware.com/desktops/mini-pcs/amd-challenges-nvidias-dgx-spark-with-usd3-999-ryzen-ai-halo-with-windows-11-support-strix-halo-desktop-undercuts-nvidia-by-usd700-packs-128gb-of-unified-memory

TweakTown — Ryzen AI Halo lanzamiento en EE.UU.: https://www.tweaktown.com/news/112183/amds-ryzen-ai-halo-ai-mini-pc-launches-in-the-us-with-128gb-memory-and-a-dollars3999-price-tag/index.html

Profesional Review — Subida de precio DGX Spark: https://www.profesionalreview.com/2026/02/27/nvidia-aumenta-de-manera-oficial-el-precio-de-la-dgx-spark-founders-edition/

Compute Market — DGX Spark vs Strix Halo: https://www.compute-market.com/blog/dgx-spark-vs-strix-halo-local-ai-2026

Storage Review — NVIDIA Computex 2026 Keynote: https://www.storagereview.com/news/nvidia-computex-2026-keynote-the-rtx-spark-pc-family-dgx-station-and-physical-ai