Crusoe

Crusoe es una empresa de infraestructura de IA que opera clústeres de nube de GPU impulsados por fuentes de energía renovable y excedentes energéticos. Fundada en 2018 por Chase Lochmiller y Cully Cavness, la empresa comenzó capturando gas natural quemado en campos petroleros y convirtiéndolo en electricidad para centros de datos modulares. Tras la explosión en la demanda de computación de IA impulsada por ChatGPT, Crusoe dio un giro completo hacia la infraestructura de nube para IA, vendiendo su división original de mitigación de quema digital (Digital Flare Mitigation) y minería de Bitcoin a NYDIG en marzo de 2025. La empresa cerró una Serie D de $686M en diciembre de 2024 con una valoración de $2.8B, liderada por Founders Fund y con la participación de NVIDIA, Fidelity y Mubadala. Para octubre de 2025, la valoración de Crusoe alcanzó los $10B tras una Serie E de $1.375B.

Crusoe Cloud ejecuta clústeres NVIDIA H100, H200, B200 y GB200 NVL72 junto con hardware AMD MI300X, cubriendo cargas de trabajo de entrenamiento, ajuste fino (fine-tuning) e inferencia. Los precios bajo demanda están disponibles para H100 ($3.90/hr), H200 ($4.29/hr) y MI300X ($3.45/hr), con contratos de capacidad reservada que ofrecen mayores descuentos para cargas de trabajo sostenidas. La plataforma es utilizada por Windsurf (anteriormente Codeium), Decart, BosonAI, Pixelcut y Together AI. Crusoe también es el desarrollador principal del campus insignia Stargate en Abilene, Texas, una iniciativa de infraestructura de IA de $500 mil millones respaldada por OpenAI, Oracle y SoftBank que entró en funcionamiento en septiembre de 2025.

Lo que realmente hace Crusoe en mayo de 2026

Crusoe Cloud proporciona clústeres de GPU virtuales y bare-metal para cargas de trabajo de IA. Eliges un tipo de GPU, aprovisionas un nodo o clúster a través de la consola web o la API, y ejecutas tu stack de entrenamiento o inferencia en contenedores sobre él. No hay una capa administrada, ni un entorno de ML preconstruido, ni seguimiento de experimentos integrado. La plataforma se encarga de la confiabilidad del hardware, las redes y la energía; tu equipo maneja todo lo que está por encima del sistema operativo.

Línea actual de GPU bajo demanda:

• NVIDIA H100 SXM 80GB: $3.90/hr bajo demanda

• NVIDIA H200 HGX 141GB: $4.29/hr bajo demanda

• AMD MI300X 192GB: $3.45/hr bajo demanda

• NVIDIA B200 / GB200 NVL72: contactar a ventas

• NVIDIA A100 SXM 80GB: $1.95/hr bajo demanda, $1.30/hr spot

• NVIDIA L40S 48GB: $1.00/hr bajo demanda, $0.50/hr spot

Los contratos de capacidad reservada permiten a los equipos asegurar volúmenes específicos de GPU por períodos definidos con mayores descuentos. Estos requieren una conversación con el equipo de ventas; no hay un nivel de compromiso de autoservicio. La API sigue las convenciones estándar de REST y se integra con capas de orquestación basadas en Kubernetes, aunque los equipos deben aportar su propia infraestructura de contenedores y herramientas de orquestación.

El abastecimiento de energía de Crusoe lo distingue de cualquier otra nube de GPU. Los centros de datos funcionan con gas natural excedente capturado (a través de su tecnología Digital Flare Mitigation, que ha reutilizado más de 21 mil millones de pies cúbicos de gas excedente desde 2018), energías renovables detrás del medidor y campus híbridos eólicos/solares. El campus insignia de Abilene, Texas, funciona a 1.2GW. Las expansiones en Islandia y Noruega están en marcha. Esta historia energética es auditable, no solo marketing: Crusoe publica públicamente sus cifras de emisiones evitadas y CO2.

"Las GPU NVIDIA H100 Tensor Core de Codeium en Crusoe han sido increíblemente confiables con un tiempo de actividad del clúster del 99.98%." - Varun Mohan, cofundador y CEO, Windsurf (anteriormente Codeium), diciembre de 2024

Dónde se sitúa Crusoe frente a CoreWeave y Lambda Labs

El mercado de la nube de GPU tiene tres niveles distintos. CoreWeave ocupa la posición empresarial a hiperescala, Lambda Labs atiende a equipos de investigación y startups en etapa de crecimiento con un acceso de autoservicio más simple, y Crusoe se sitúa entre ellos: mayor escala y mejores garantías de capacidad reservada que Lambda, con precios de H100 más bajos que las tarifas bajo demanda publicadas por CoreWeave, y una diferenciación energética que ninguno de sus competidores ofrece.

CoreWeave opera más de 32 centros de datos en EE. UU. y Europa con aproximadamente 250,000 GPU implementadas. Su valoración posterior a la salida a bolsa de $65B (marzo de 2025) refleja que mantiene contratos a hiperescala a largo plazo con Microsoft (para la computación de OpenAI), Meta y Cohere. CoreWeave ejecuta infraestructura nativa de Kubernetes, lo que se adapta a los equipos que ya ejecutan cargas de trabajo K8s. Los precios de H100 comienzan alrededor de $4.25/hr solo para GPU, o aproximadamente $6.15/GPU cuando se agrupan en nodos HGX completos con CPU/RAM. CoreWeave ofrece hasta un 60% de descuento en contratos anuales comprometidos, pero los tamaños mínimos de contrato tienden a ser grandes. Crusoe tiene un pipeline total de GPU más grande (946K GPU, 3.4GW) concentrado en instalaciones menos numerosas pero más grandes, y su tarifa H100 bajo demanda de $3.90/hr es inferior a la tarifa publicada por CoreWeave solo para GPU. Para los equipos que se preocupan por las credenciales de sostenibilidad, Crusoe tiene una historia energética publicada; CoreWeave no comercializa ninguna.

Lambda Labs lista la H100 SXM bajo demanda a $3.29/hr, una ventaja del 18.5% sobre los $3.90/hr de Crusoe para la misma clase de chip. Lambda también incluye frameworks de ML preinstalados (PyTorch, TensorFlow, controladores CUDA) en sus imágenes de VM, lo que hace que sea más rápido comenzar con pequeños experimentos. La contrapartida: las H100 y H200 de Lambda frecuentemente tienen listas de espera porque el inventario disponible de la empresa es menor. El modelo de capacidad reservada de Crusoe garantiza la disponibilidad de GPU para los equipos que pueden comprometerse con el volumen. Lambda también es más adecuado para desarrolladores individuales o equipos que ejecutan trabajos más pequeños de un solo nodo. La arquitectura de Crusoe está diseñada para clústeres de entrenamiento de múltiples nodos y cargas de trabajo sostenidas de alta utilización. Si tu equipo planea ejecutar el entrenamiento de un modelo de 70B de parámetros durante 30 días, la garantía y la estructura de precios de Crusoe son más apropiadas. Si necesitas un solo nodo H100 para dos días de experimentación, el modelo de autoservicio de Lambda es más simple. Para los equipos que exploran RunPod o Modal como puntos de entrada, esas plataformas ofrecen un acceso a GPU de autoservicio aún más accesible con facturación por segundo y capas de inferencia administradas que Crusoe no proporciona.

"Con Crusoe, escalamos nuestra capacidad cinco veces en cuestión de horas para atender a todos nuestros usuarios de Oasis en toda Europa." - Dean Leitersdorf, CEO y cofundador, Decart, anuncio de la Serie D, 12 de diciembre de 2024

Cómo es realmente ejecutar cargas de trabajo en Crusoe

Crusoe es infraestructura pura. Tú aportas tu propio stack en contenedores. El proceso de incorporación para un equipo típico de entrenamiento de IA es el siguiente: contactar a ventas para obtener capacidad reservada, negociar un número de nodos y un período de compromiso, recibir credenciales de API, aprovisionar nodos a través de la consola de Crusoe o la API REST, y luego implementar tu contenedor de entrenamiento con tu propia orquestación (Kubernetes, SLURM o scripts personalizados). Crusoe se encarga de las fallas de hardware, la estructura de red y la continuidad de la energía. Tu equipo maneja todo desde el sistema operativo hacia arriba.

La calidad del soporte es una verdadera fortaleza. Crusoe publica sus propias métricas de éxito del cliente: tiempo promedio de primera respuesta de 6 minutos, puntuación de satisfacción del cliente del 100% desde junio de 2024, tiempo promedio de resolución de 23.6 horas. Para una nube de GPU, donde un nodo bloqueado puede detener una ejecución de entrenamiento de varios días, ese tiempo de respuesta es importante. El equipo de Pixelcut señaló: "Todos nuestros modelos de machine learning internos han sido entrenados en Crusoe Cloud", un respaldo a la confiabilidad para el ML en producción, no solo para uso de evaluación.

Vale la pena destacar la opción AMD MI300X a $3.45/hr para cargas de trabajo intensivas en ancho de banda de memoria. La MI300X tiene 192GB de memoria HBM3 por tarjeta, frente a los 80GB de la H100, lo cual es importante para servir grandes ventanas de contexto o ejecutar modelos muy grandes sin paralelismo de modelos. Los equipos que evalúan el costo por token de inferencia en trabajos de contexto largo han encontrado que la MI300X es competitiva con la H100 a tarifas por hora más bajas, particularmente con frameworks nativos de JAX o ROCm. La contrapartida es una comunidad más pequeña y menos tutoriales específicos de Crusoe para ROCm en comparación con el ecosistema CUDA.

Para los equipos que utilizan herramientas relacionadas, los clústeres de Crusoe funcionan bien junto con Together AI para endpoints de inferencia administrados, ya que puedes usar Crusoe para el entrenamiento y la API de inferencia de Together AI para el servicio en producción sin mantener tu propia infraestructura de servicio. Los equipos que ejecutan Lambda Labs para pequeños experimentos a menudo trasladan las cargas de trabajo reservadas a Crusoe cuando se topan con las limitaciones de la lista de espera de Lambda. La combinación es lo suficientemente común como para reflejar un patrón real en el mercado: usar una plataforma más simple para la exploración y luego comprometerse con Crusoe cuando las cargas de trabajo se vuelven lo suficientemente predecibles como para reservar capacidad.

La consola de Crusoe es funcional en lugar de pulida. El aprovisionamiento de nodos y la gestión del acceso con claves SSH toman unos minutos para los ingenieros familiarizados con los flujos de trabajo de infraestructura en la nube. La API REST cubre las mismas operaciones y se integra bien con Terraform para los equipos que administran la infraestructura como código. El monitoreo está disponible, pero no se acerca a la profundidad de AWS CloudWatch o la suite de operaciones de GCP; los equipos que ejecutan inferencia en producción generalmente lo complementan con su propia integración de Prometheus o Datadog.

Para quién está diseñado Crusoe

Crusoe es la opción correcta para equipos con estas características: cargas de trabajo de GPU sostenidas y de alta utilización (ejecuciones de entrenamiento medidas en días o semanas, no en horas); una necesidad de disponibilidad garantizada del clúster en lugar de un esfuerzo óptimo bajo demanda; ingenieros de infraestructura que pueden administrar su propio stack en contenedores; y organizaciones con requisitos de informes de sostenibilidad o ESG que hacen valiosas las credenciales de computación con energía limpia.

Los clientes mencionados abarcan un perfil específico: Windsurf (anteriormente Codeium, más de 700K usuarios desarrolladores), Decart (lanzamientos de productos virales que requieren una escala rápida), BosonAI (entrenamiento de LLM a escala), Pixelcut (ML en producción en aplicaciones de consumo) y Oaklet (procesamiento de registros en tiempo real a través de Crusoe Managed Inference). Estos no son usuarios aficionados. Son equipos con ingenieros de infraestructura dedicados que ejecutan servicios de IA en producción.

El rol en Stargate es una señal sobre su trayectoria. Ser nombrado como el desarrollador principal del campus de computación insignia de OpenAI no es una afirmación de marketing. Refleja que Crusoe puede cumplir a una escala y un nivel de confiabilidad por los que OpenAI, Oracle y SoftBank firmaron contratos. Para las empresas que toman decisiones de infraestructura de GPU de varios años, esa procedencia tiene peso.

Lo que Crusoe no es

Crusoe no es una plataforma de alquiler de GPU de autoservicio para desarrolladores individuales. No hay registro con tarjeta de crédito, ni facturación por segundo, ni nivel gratuito, ni un entorno de Jupyter notebook con un solo clic. Si eres un investigador independiente que necesita una sola H100 para un experimento de dos días, Lambda Labs o RunPod te permitirán comenzar en minutos; Crusoe te pedirá que hables primero con ventas.

Crusoe no incluye infraestructura de ML administrada. No hay seguimiento de experimentos integrado, ni registro de modelos, ni búsqueda automatizada de hiperparámetros, ni capa de servicio administrada. Los equipos que han estado utilizando Google Vertex AI o AWS SageMaker encontrarán que Crusoe se parece más a alquilar un servidor que a usar una plataforma de IA en la nube. Eres dueño de todo el stack desde el sistema operativo hacia arriba.

La cobertura geográfica es una limitación real a principios de 2026. La mayor parte de la capacidad de GPU de Crusoe se basa en EE. UU. (principalmente en Texas). La expansión en Islandia está en marcha; Europa se encuentra en una etapa inicial. Los equipos con requisitos de residencia de datos en la UE o cargas de trabajo de inferencia europeas sensibles a la latencia encontrarán opciones limitadas en comparación con la presencia europea de AWS o CoreWeave. Para las API de inferencia administradas que se ejecutan globalmente sin esta restricción geográfica, Together AI o Modal son mejores opciones. Las cargas de trabajo en ráfagas y esporádicas, donde la utilización de la GPU oscila desde casi cero hasta el pico y viceversa, no encajan bien con el modelo de precios de Crusoe. La tarifa por hora es constante, ya sea que la GPU esté saturada o inactiva.