CoreWeave

CoreWeave es un proveedor de nube de GPU que cotiza en el Nasdaq (ticker: CRWV) y opera infraestructura diseñada específicamente para el entrenamiento e inferencia de IA a gran escala. Fundada en 2017 como una operación de minería de criptomonedas y reconvertida a la computación en la nube en 2019, CoreWeave ha crecido hasta contar con más de 32 centros de datos y aproximadamente 250,000 GPUs, incluyendo el hardware más reciente NVIDIA Blackwell. La empresa salió a bolsa el 28 de marzo de 2025, recaudando $1.5 billion con una valoración de ~$23 billion, y desde entonces ha asegurado contratos importantes con OpenAI ($12B, 5 años), Meta ($14.2B, firmado en octubre de 2025, ampliado posteriormente a $21B en abril de 2026), IBM, Microsoft y Anthropic. En mayo de 2025, CoreWeave completó la adquisición de Weights and Biases por aproximadamente $1.7 billion, incorporando el seguimiento de experimentos y la monitorización de modelos a su plataforma de infraestructura.

La plataforma de CoreWeave está construida en torno a clústeres de GPU bare-metal nativos de Kubernetes, conectados a través de redes InfiniBand, lo que está diseñado para minimizar la sobrecarga de comunicación durante el entrenamiento distribuido en múltiples nodos. La oferta de GPUs abarca NVIDIA A100, L40, L40S, H100, H200, GH200 y la generación Blackwell (GB200 NVL72, HGX B200, HGX B300, GB300 NVL72). Los precios van desde $10/hr para nodos L40 de 8 GPUs hasta $68.80/hr para HGX B200 bajo demanda, con contratos de reserva comprometida que ofrecen hasta un 60% de descuento en plazos de varios años. La plataforma no es de autoservicio para cargas de trabajo a escala empresarial: la incorporación requiere gestores de cuentas y la capacidad reservada exige la negociación de un contrato. Las herramientas integradas de Weights and Biases, el almacenamiento de objetos gestionado y Kubernetes gestionado completan la oferta.

Lo que realmente hace CoreWeave en 2026

El producto principal de CoreWeave es el alquiler de grandes clústeres de GPU, pero llamarlo un servicio de alquiler subestima su arquitectura. La plataforma aprovisiona nodos de GPU bare-metal, omitiendo la capa del hipervisor que añade latencia en las máquinas virtuales estándar de la nube. Los nodos se comunican a través de InfiniBand a velocidades de hasta 400Gb/s, lo cual es crucial para operaciones colectivas como all-reduce en el entrenamiento distribuido, donde el ancho de banda entre GPUs suele ser el verdadero cuello de botella en ejecuciones de múltiples nodos. La orquestación nativa de Kubernetes gestiona la programación, el escalado automático y la gestión de cargas de trabajo sin la sobrecarga de tener que construir esa capa por cuenta propia.

El catálogo de GPUs abarca desde los caballos de batalla (A100 8x a $21.60/hr) hasta la vanguardia: nodos HGX B200 (8 GPUs, 180GB VRAM) a $68.80/hr bajo demanda, y configuraciones GB200 NVL72 (4 superchips, 186GB cada uno) a $42.00/hr. Para los GB300 NVL72 y HGX B300 es necesario contactar con ventas, lo que significa que CoreWeave es uno de los pocos proveedores con acceso a la generación de hardware más reciente de NVIDIA a escala de producción. Las instancias de inferencia H100 de una sola GPU están disponibles a $6.16/hr para equipos que no necesitan el clúster completo.

Tras la adquisición, Weights and Biases (W&B) se integra directamente en la plataforma para el seguimiento de experimentos, barridos de hiperparámetros, control de versiones de modelos y evaluación. Más de 1,400 organizaciones utilizaban previamente W&B como una herramienta independiente; ahora se incluye de forma nativa dentro del entorno gestionado de CoreWeave. CoreWeave también ofrece AI Object Storage (anunciado en el mismo periodo), redes gestionadas y volúmenes persistentes dedicados, lo que hace posible ejecutar todo el flujo de entrenamiento sin necesidad de almacenamiento externo en la nube.

"CoreWeave nos ha ayudado a construir clústeres de computación a gran escala que llevaron a la creación de algunos de los modelos por los que somos más conocidos." -- Sam Altman, CEO, OpenAI (casos de éxito en coreweave.com)

Dónde se sitúa CoreWeave frente a Lambda Labs y Crusoe

Estos tres proveedores ocupan nichos diferentes en el mercado de la nube de GPU. Las diferencias mecánicas van mucho más allá del "precio" o la "escala".

CoreWeave vs. Lambda Labs: En el mismo hardware H100 SXM, CoreWeave cobra aproximadamente $6.16/hr por GPU frente a los $3.29/hr de Lambda, una prima del 87%. En GH200, la diferencia alcanza el 184% ($6.50 frente a $2.29). Lambda cobra menos porque cambia InfiniBand por una estructura estándar de interconexión de nodos NVLink/Ethernet. Para trabajos que se ejecutan en un solo nodo de 8 GPUs, esa diferencia rara vez importa. Para trabajos que abarcan docenas o cientos de nodos (entrenar un modelo de más de 70B de parámetros desde cero, ejecutar ajustes finos distribuidos por lotes grandes), la estructura InfiniBand de CoreWeave reduce de manera medible el tiempo de comunicación all-reduce. El punto fuerte de Lambda es su precio accesible, cuadernos Jupyter con un solo clic, frameworks preinstalados y una interfaz de autoservicio transparente que no requiere hablar con ventas. Lambda es la opción correcta para equipos de investigación y startups; CoreWeave es la opción adecuada cuando has superado las limitaciones de un solo nodo.

CoreWeave vs. Crusoe: La característica definitoria de Crusoe es su modelo energético: la empresa utiliza fuentes de energía varadas y desperdiciadas, incluyendo gas de combustión y excedentes de energías renovables, para alimentar sus centros de datos a través de una arquitectura de energía a la nube integrada verticalmente. CoreWeave utiliza instalaciones estándar conectadas a la red eléctrica sin un posicionamiento específico de energía limpia. Para las organizaciones con mandatos estrictos de ESG o sostenibilidad, Crusoe tiene una ventaja estructural que CoreWeave no puede replicar fácilmente. En cuanto a costes, el H100 de Crusoe comienza en aproximadamente $1.71/hr, casi la mitad de la tarifa comparable de CoreWeave. En escala y redes, CoreWeave gana claramente: más de 250,000 GPUs en más de 32 centros de datos globales frente a la huella más pequeña de Crusoe, principalmente en EE. UU. Crusoe no ofrece InfiniBand; su red es Ethernet estándar, lo que lo limita a cargas de trabajo donde no se requiere un acoplamiento estrecho entre GPUs. Si necesitas entrenar un modelo fundacional en 1,000 GPUs con comunicación colectiva de baja latencia, Crusoe no puede igualar la arquitectura de CoreWeave. Si necesitas inferencia a escala media en estado estable o ajustes finos con informes ESG, Crusoe tiene más sentido. Ambos son preferibles a los hyperscalers en cuanto a costes, pero atienden a diferentes enfoques de diseño.

Para los equipos que realizan inferencia en lugar de entrenamiento, RunPod y Modal ofrecen acceso a GPU serverless y bajo demanda sin la sobrecarga de comprometerse con un clúster. Para APIs de inferencia gestionadas en lugar de computación en bruto, AWS Bedrock, Azure OpenAI y Groq se encargan del aprovisionamiento y el escalado internamente.

Cómo es la realidad del clúster en el día a día

Los clientes empresariales firman contratos de reserva que suelen durar de dos a cuatro años, con precios bloqueados en dólares por GPU por hora durante ese periodo. El descuento del 60% por compromiso es real, pero requiere comprometerse con esa tasa de gasto mensual independientemente de la utilización real. La duración media ponderada de los contratos a diciembre de 2024 era de aproximadamente cuatro años. Para una organización que sabe que entrenará de forma continua, esto es racional. Para un equipo con demanda variable, supone un riesgo financiero significativo.

El acceso bajo demanda existe sin compromiso, pero al precio de lista completo. Un nodo completo 8x H100 HGX cuesta $49.24/hr bajo demanda. Ejecutarlo continuamente durante un mes cuesta aproximadamente $35,000. La mayoría de los clientes empresariales reservan capacidad y tratan el uso bajo demanda como un desbordamiento por picos de trabajo. Las instancias spot existen en un conjunto limitado de hardware (RTX PRO 6000 Blackwell a $9.24/hr spot frente a $20.00/hr bajo demanda), pero el hardware insignia más reciente de Blackwell no tiene nivel spot.

La arquitectura nativa de Kubernetes ofrece ventajas reales para los equipos que pueden utilizarla. Los nodos de GPU bare-metal significan que no hay sobrecarga del hipervisor, lo que se refleja en los benchmarks como un rendimiento considerablemente mayor para cargas de trabajo intensivas en computación. La estructura InfiniBand permite operaciones colectivas que son genuinamente más rápidas que las alternativas Ethernet a escala de múltiples nodos. El aumento de rendimiento del 80% documentado por IBM en el entrenamiento de modelos corrobora esto. El inconveniente es la complejidad operativa: gestionar Kubernetes a esta escala requiere ingenieros que sepan lo que hacen. CoreWeave no es una plataforma en la que simplemente sueltas un cuaderno Jupyter; es una plataforma sobre la que construyes un pipeline de ML en producción.

"CoreWeave nos ha dado la libertad de pensar en grande y movernos más rápido. Entienden los desafíos de escalar tecnologías innovadoras y nos han respaldado con el tipo de apoyo que nos permite centrarnos en la innovación." -- Naeem Talukdar, Cofundador y CEO, Moonvalley (casos de éxito en coreweave.com)

Para quién está diseñado CoreWeave

El enfoque de diseño de CoreWeave es el laboratorio de IA empresarial. Eso significa organizaciones a escala de OpenAI que entrenan modelos de frontera, divisiones de investigación de IA a nivel de hyperscaler, startups de IA que tienen financiación Serie B+ y necesitan una capacidad de más de 500 GPUs en plazos predecibles, y operadores de inferencia en producción que ejecutan millones de solicitudes al día y necesitan SLAs sólidos. IBM utilizó CoreWeave para el entrenamiento de modelos y reportó una mejora del rendimiento del 80%. Mistral lo utilizó para reducir a la mitad el tiempo de entrenamiento en sus modelos de razonamiento. Estas son organizaciones con equipos de infraestructura dedicados que tratan Kubernetes como una habilidad básica.

La plataforma también se adapta a equipos de investigación con buenos recursos que se han visto afectados por las limitaciones de disponibilidad en los hyperscalers (las colas de GPU en AWS, GCP y Azure son notoriamente difíciles de gestionar a gran escala) y desean capacidad reservada dedicada bajo un SLA. La ventaja de CoreWeave sobre los hyperscalers es un coste entre un 50-80% menor en generaciones de GPU equivalentes, un acceso más rápido al nuevo hardware de NVIDIA y una infraestructura diseñada específicamente para ML en lugar de estar adaptada de una nube de propósito general.

Lo que CoreWeave no es

CoreWeave no es una plataforma para desarrolladores independientes, académicos o equipos pequeños. No hay un nivel gratuito, no hay autoservicio con tarjeta de crédito para cargas de trabajo exploratorias, y no hay una API de inferencia gestionada donde llamas a un endpoint y pagas por token. Si buscas algo en esa dirección, Replicate o RunPod cubren esos casos de uso. Si deseas una capa de inferencia serverless completa sin gestionar clústeres, Modal o Groq son más apropiados.

CoreWeave tampoco es la opción correcta si tu organización tiene requisitos de ESG o sostenibilidad vinculados al abastecimiento de energía. Sus centros de datos funcionan con energía de la red estándar; el modelo de energía varada de Crusoe es un auténtico diferenciador estructural para ese segmento.

Los equipos sin sólidas capacidades de Kubernetes y DevOps deben proceder con precaución. El poder de la plataforma proviene de su orquestación Kubernetes bare-metal, pero esa misma arquitectura crea una gran carga de configuración y operación. El soporte de CoreWeave es de nivel empresarial, pero no es un servicio de ML gestionado que abstraiga las decisiones de infraestructura.

Evita CoreWeave si estás realizando ajustes finos en un solo nodo, construyendo un prototipo, operando con el presupuesto de una startup sin un compromiso de computación de varios años, o si necesitas principalmente infraestructura de inferencia en lugar de entrenamiento. Lambda Labs, RunPod y Modal cubrirán esos casos a una fracción del coste y la sobrecarga operativa.

Frustraciones recurrentes con las que se encuentran los usuarios

La queja más constante en las discusiones y reseñas de la comunidad es la ausencia de una vía de autoservicio. Empezar a usar CoreWeave a cualquier escala significativa requiere interactuar con un gestor de cuentas y, para la capacidad reservada, negociar un contrato. Esto es apropiado para el segmento empresarial, pero es un gran obstáculo para los equipos que desean evaluar la plataforma rápidamente.

Los precios a escala solo son predecibles si tienes un contrato comprometido. Las tarifas bajo demanda se publican abiertamente, pero las cargas de trabajo a escala empresarial se cotizan a medida. Los equipos informan de dificultades para prever los costes mensuales reales sin pasar por el proceso de ventas, lo que crea fricción en los flujos de trabajo de aprobación de presupuestos que necesitan una cifra antes de una reunión.

La disponibilidad de GPUs durante los picos de demanda es una preocupación recurrente, particularmente para el hardware Blackwell más reciente. Los B300 y GB300 NVL72 requieren contactar con ventas sin un cronograma de disponibilidad publicado, lo que significa que los equipos que elaboran planes de capacidad para hardware de vanguardia se enfrentan a la incertidumbre incluso después de firmar contratos.

La barrera de complejidad de Kubernetes hace tropezar a los equipos que subestiman la sobrecarga de DevOps. CoreWeave proporciona infraestructura nativa de Kubernetes, no un entorno de cuadernos gestionado ni una capa de inferencia serverless. Las organizaciones que no han operado clústeres de Kubernetes a escala de GPU se encuentran dedicando un tiempo de ingeniería significativo a la infraestructura en lugar de al trabajo con los modelos.

La amenaza de litigios de valores de finales de 2025 (demanda colectiva por los retrasos en la construcción del centro de datos de Denton, TX, con un impacto de $14 billion en la capitalización de mercado) introduce incertidumbre para los equipos de adquisiciones que tienen en cuenta la estabilidad del proveedor en las decisiones de infraestructura. Las acusaciones de que CoreWeave ocultó retrasos conocidos a los inversores siguen sin resolverse a fecha de abril de 2026.