Los operadores de red empiezan a cortar energía a data centers para evitar apagones masivos
El grid no da más: la demanda de IA fuerza a elegir entre estabilidad del sistema o computación continua.
El operador de la red eléctrica más grande de Estados Unidos acaba de confirmar que puede implementar cortes temporales de energía a data centers para prevenir apagones generalizados. No es una contingencia teórica: es la primera vez que un grid operator de esta escala formaliza la potestad de interrumpir suministro a infraestructura cloud crítica. La declaración llega cuando la construcción acelerada de centros de datos para IA ya sobrepasó la capacidad de generación disponible, y mientras Amazon firma contratos de cómputo por $410 millones con startups como Recursive Superintelligence. El cuello de botella de la IA dejó de ser el capital o los chips: ahora es la energía eléctrica. Y eso cambia quién puede escalar, dónde, y bajo qué términos.
El grid ya no aguanta la demanda de cómputo
La decisión del operador de red no es aislada. Desde mediados de 2025, utilities en Virginia, Ohio y Texas vienen advirtiendo que la demanda de data centers crece más rápido que la capacidad de transmisión y generación. La construcción de centros para entrenar modelos de lenguaje y sistemas de IA generativa se aceleró en 2024-2025, pero los proyectos de generación (nuclear, gas, renovables) tienen lead times de 3 a 7 años. El desajuste temporal es estructural: la construcción de data centers avanza a ritmo frenético, pero la infraestructura de generación no puede seguir el paso. El resultado es que los operadores de red ahora priorizan estabilidad sistémica sobre uptime de cómputo. En términos prácticos, eso significa que un data center puede perder energía en horas pico si la alternativa es un apagón residencial o industrial en la región.
La magnitud del problema se ve en los números de demanda. Un solo centro de datos de hiperescala puede consumir entre 100 y 300 megavatios —equivalente al consumo de una ciudad mediana—. Multiplicá eso por las decenas de proyectos anunciados solo en 2025-2026, y el déficit se vuelve inevitable. Los hyperscalers apostaron a que la energía seguiría siendo un commodity elástico; descubrieron que el límite de la IA ya no es el dinero sino la luz y el suelo.
El segundo orden: SLAs rotos y migración de cargas críticas
Si los data centers no pueden garantizar uptime continuo, los Service Level Agreements enterprise empiezan a romperse. Un contrato cloud típico promete 99.9% o 99.99% de disponibilidad; un corte de energía no programado viola esa garantía. Para cargas de trabajo críticas —transacciones financieras, sistemas de salud, infraestructura de telecomunicaciones— esa incertidumbre es inaceptable. El efecto de segundo orden es una migración: las empresas que no pueden tolerar interrupciones van a buscar alternativas fuera de la hiperescala pública.
Las opciones son tres. Primero, on-premise: volver a operar infraestructura propia con generación dedicada (diésel, gas, baterías). Segundo, edge computing: distribuir cargas en centros más pequeños, más cerca del consumo, con menor huella energética individual. Tercero, colocación en regiones con exceso de generación (Islandia, Noruega, Quebec, ciertos estados de LATAM con hidroeléctrica sobredimensionada). Cada una tiene trade-offs de costo, latencia y complejidad operativa, pero todas comparten una premisa: salir de la dependencia de grids congestionados.
Para hyperscalers como AWS, Azure y Google Cloud, esto es un problema de modelo de negocio. Su ventaja competitiva histórica fue economías de escala en capex y opex; si no pueden garantizar energía, esa ventaja se erosiona. Amazon acaba de comprometer $410 millones en cómputo con Recursive Superintelligence, pero ese contrato asume disponibilidad continua. Si el grid corta energía, el contrato no se cumple, y Amazon paga penalidades o pierde el cliente.
Quién gana: quien controla la generación
La escasez de energía redistribuye poder. Los ganadores son actores con acceso directo a generación: utilities integradas verticalmente, operadores de nuclear (si logran acelerar permisos), y hyperscalers que invirtieron temprano en energía dedicada. Microsoft, por ejemplo, firmó acuerdos de compra de energía (PPAs) con desarrolladores de renovables desde 2023; Google hizo lo mismo con geotérmica y nuclear modular. Esos contratos ahora valen más que el hardware.
También ganan regiones con exceso estructural de generación. Paraguay, con Itaipú, tiene capacidad ociosa; Islandia y Noruega, con geotérmica e hidroeléctrica, pueden ofrecer energía barata y estable. LATAM, en particular, tiene margen para capturar inversión en data centers si logra ofrecer certidumbre regulatoria y contratos de energía a largo plazo. El riesgo es que los gobiernos no vean la ventana: si no simplifican permisos y garantizan suministro, la oportunidad migra a otras geografías.
Los perdedores son hyperscalers sin energía asegurada, y startups de IA que asumieron que el cómputo sería infinitamente elástico. Recursive Superintelligence apostó todo su presupuesto a cómputo, automatizando desarrollo de producto en lugar de contratar talento. Si Amazon no puede cumplir el contrato por falta de energía, Recursive no tiene plan B. Esa fragilidad se va a replicar en decenas de startups que construyeron sobre la premisa de cloud ilimitado.
Qué mirar: cláusulas de energía y pricing separado
La predicción falsable es esta: en los próximos 12 meses, los contratos cloud enterprise nuevos van a incluir cláusulas explícitas de energía garantizada, separando el riesgo de disponibilidad del riesgo de cómputo. Hasta ahora, los SLAs cubrían uptime agregado; ahora van a especificar garantías de suministro eléctrico, con penalidades diferenciadas.
El segundo indicador es si algún hyperscaler empieza a cotizar energía como line item separado del cómputo. Hoy, el precio de una instancia EC2 o una VM de Azure incluye energía implícita; si AWS o Azure desagregan el costo y cobran energía aparte (como un commodity con precio variable), confirma que el constraint es real y permanente. Eso cambia la economía de la IA: el costo marginal de entrenar un modelo ya no baja con escala, sube con escasez.