La infraestructura de IA se ha convertido en una decisión estratégica para los laboratorios que operan modelos de frontera. Además de diseñar modelos, necesitan asegurar aceleradores, memoria, energía y capacidad de fabricación suficientes para atender la demanda. Desde allí es donde parte la idea de un chip propio de IA.
Anthropic está en conversaciones iniciales con Samsung para explorar un chip propio de IA y la posible fabricación con tecnología de 2 nanómetros, según informó The Information. La empresa también contrató a Clive Chan, integrante inicial del equipo de chips de OpenAI. No se ha anunciado un acuerdo definitivo, un diseño terminado ni una fecha de producción.
En síntesis: Los laboratorios de IA exploran la creación de un chip propio de IA para tener más control sobre el costo, la disponibilidad y la arquitectura de sus sistemas. Además, los chips a medida prometen ajustar el hardware a las necesidades de cada laboratorio y diversificar el suministro.
En esta entrega sobre la supercarrera por el chip propio de IA encontrarás
¿Por qué alquilar GPUs de Nvidia dejó de ser suficiente para los laboratorios de frontera?
Para las empresas que sirven millones de consultas, depender de un proveedor dominante expone sus costos y capacidad a precios, calendarios de entrega y disponibilidad ajenos. Diseñar otro acelerador a través de un chip propio de IA puede añadir alternativas, pero no garantiza menor costo ni elimina la dependencia de fundiciones, memoria y redes.
Un cálculo publicado por The Information estima que Nvidia tiene el 74% del mercado de chips para inferencia, es decir, procesadores que ejecutan modelos ya entrenados. Es una estimación de ese segmento, no una cuota de todas las GPU ni de todo el mercado de IA. Su concentración ayuda a explicar el incentivo de diversificar, aunque por sí sola no prueba que Nvidia fije precios sin competencia. (The Information)
Adaptar el chip al modelo y al servicio
Las GPU son procesadores paralelos de propósito amplio que pueden ejecutar distintas tareas. Esa flexibilidad resulta útil para entrenar modelos y para cargas de trabajo cambiantes con un chip propio de IA, pero un laboratorio puede buscar un circuito especializado para ciertas operaciones de inferencia.
La latencia es el tiempo que transcurre entre una solicitud y la respuesta del sistema; en una conversación, también importa cuánto tarda en aparecer cada fragmento de texto. La arquitectura, la memoria, la red y el software influyen en ese tiempo. Un chip propio podría reducir ciertos retrasos si está bien integrado, aunque no se puede inferir una mejora sin pruebas comparables.
El costo por token estima cuánto cuesta procesar o generar cada unidad de texto. Depende del acelerador, pero también de su utilización, consumo eléctrico, memoria, ancho de banda, infraestructura y eficiencia del modelo. Un chip más eficiente puede ayudar a reducirlo cuando opera a gran escala; el gasto de diseñar y fabricar el chip propio de IA también debe recuperarse.
Reducir cuellos de botella y repartir el riesgo
La escasez de aceleradores puede retrasar la ampliación de centros de datos y limitar la capacidad de atender usuarios. Un procesador alternativo puede ofrecer otra fuente de cómputo, pero el suministro de chips avanzados sigue dependiendo de un número reducido de fabricantes, encapsuladores y proveedores de memoria.
Por eso, el chip propio de IA no equivale a independencia tecnológica completa. Si Anthropic eligiera Samsung como fundición, podría diversificar frente a TSMC, pero aún necesitaría asegurar obleas, empaquetado avanzado, memoria de alto ancho de banda y equipos de fabricación. La diversificación redistribuye riesgos; no los borra.
La alianza Anthropic-Samsung: proceso de 2 nanómetros y disputa entre fundiciones
Anthropic y Samsung mantienen conversaciones exploratorias sobre el diseño y la posible fabricación de este chip propio de IA. Los reportes vinculan la evaluación con el proceso SF2 de Samsung, de clase 2 nm, y con la incorporación de Clive Chan desde el equipo de chips de OpenAI. Por ahora, la información describe una posibilidad temprana, no un contrato confirmado. (The Information, Samsung Foundry)
Qué significa fabricar en 2 nm
Los “2 nanómetros” identifican una generación de fabricación; no describen una dimensión física única del transistor. La tecnología de proceso puede permitir más densidad y mejoras de rendimiento o consumo, pero el resultado depende del diseño, la memoria, el empaquetado y las condiciones de operación en este posible chip propio de IA.
Samsung presenta SF2 como un proceso de nueva generación para computación avanzada. Eso no permite anticipar cuánto rendiría un eventual chip de Anthropic: no hay especificaciones publicadas ni pruebas que comparen ese hipotético procesador con aceleradores disponibles. (Samsung Foundry)
OpenAI, Google, Amazon y Meta ya recorren rutas propias
Anthropic no sería la primera empresa tecnológica en apostar por aceleradores diseñados para sus propias cargas de trabajo. Google desarrolla TPU; Amazon ofrece Trainium e Inferentia; Meta ha creado la familia MTIA para cargas de recomendación e IA. Cada plataforma combina hardware, software y centros de datos de forma distinta. (Google Cloud, Amazon, Meta)
OpenAI y Broadcom presentaron en junio de 2026 el procesador Jalapeño, diseñado para inferencia de modelos de lenguaje. OpenAI señaló que el chip se diseñó alrededor de sus modelos, kernels y sistemas de servicio; la compañía dijo que publicaría un informe técnico detallado más adelante. (OpenAI, Broadcom)
Estos casos muestran que el movimiento va más allá de una sola empresa. También ilustran que “chip propio” puede abarcar distintos grados de colaboración: la compañía usuaria define requisitos y arquitectura, mientras un socio especializado contribuye con diseño físico, fabricación, integración o empaquetado.
La ronda de financiación y el atractivo para Samsung
Anthropic anunció en mayo una ronda Serie H de 65.000 millones de dólares. Micron, Samsung y SK Hynix participaron como socios estratégicos de infraestructura, con tecnologías vinculadas a memoria, almacenamiento y lógica. La participación en la ronda respalda la relación financiera, pero no confirma por sí misma que Samsung vaya a fabricar un procesador para Anthropic. (Anthropic)
Para Samsung, sumar a un laboratorio de IA de alto perfil como cliente de fundición reforzaría su posición frente a TSMC en el mercado de chips avanzados. Para Anthropic, evaluar más de una fundición podría ampliar sus opciones de suministro. El beneficio dependería de que Samsung pueda cumplir los requisitos técnicos, de rendimiento y volumen del proyecto.
Alquiler de GPU frente a silicio propio a medida
La comparación depende de la carga de trabajo, los volúmenes y el grado de madurez del hardware. Las GPU alquiladas ofrecen capacidad disponible y flexibilidad; un acelerador a medida podría ser más eficiente para tareas estables y repetitivas, si los ahorros superan los costos de diseño y despliegue.
| Factor de cómputo | Alquiler de GPU de Nvidia | Chip propio de IA a medida. |
|---|---|---|
| Costo por token | Costos ligados al precio de alquiler, la utilización y la eficiencia del modelo. La infraestructura disponible permite comenzar sin diseñar un chip. | Podría bajar a gran escala si el chip mejora el rendimiento por vatio y se utiliza mucho. El diseño, la fabricación y el software elevan la inversión inicial. |
| Latencia de inferencia | Depende del acelerador, la memoria, la red y el servicio. La flexibilidad permite atender cargas variadas. | Podría optimizarse para operaciones concretas del modelo. No hay mejora garantizada sin mediciones publicadas. |
| Control de precios | La empresa depende de precios, disponibilidad y condiciones de proveedores de GPU o nube. | Da más control sobre decisiones de arquitectura y planificación; sigue sujeto al costo de fabricación y a los proveedores externos. |
| Riesgo geopolítico | Expuesto a restricciones comerciales y a cuellos de botella en chips y centros de datos. | Puede diversificar fabricante y cadena de suministro, pero continúa expuesto a fundiciones, memoria y empaquetado concentrados. |
| Tiempo de implementación | Puede iniciarse cuando hay capacidad disponible y compatibilidad de software. | Requiere diseñar, validar, fabricar e integrar el chip; el proceso puede tomar años. |
Impacto en los desarrolladores y usuarios: ¿bajarán los costos de los modelos de IA?
Un chip propio podría abaratar el servicio si reduce el costo operativo por consulta y si el ahorro supera la inversión necesaria para desarrollarlo. Incluso entonces, que ese ahorro llegue a las tarifas de API o suscripciones dependerá de las decisiones comerciales de cada proveedor.
El calendario es largo porque una iniciativa debe pasar de la arquitectura al diseño físico, las pruebas, la fabricación y la integración en centros de datos. La contratación de especialistas y las conversaciones con una fundición son indicios de trabajo temprano, no una fecha de lanzamiento.
Si a futuro el costo de inferencia cae, las empresas podrían ofrecer más consultas por el mismo precio, aumentar límites de uso o ajustar tarifas. Son escenarios posibles, no compromisos anunciados por Anthropic. También podrían reinvertir el ahorro en modelos más capaces, nuevos productos o capacidad adicional.
Para desarrolladores, la variedad de aceleradores puede significar más opciones de infraestructura y nuevos requisitos de compatibilidad. Migrar puede exigir adaptar kernels, herramientas de servicio y procesos de observabilidad. La existencia de otra familia de chips no hace automáticamente intercambiables los sistemas de software.
La fabricación también introduce un riesgo: desarrollar un chip específico consume tiempo y capital antes de que se demuestre su ventaja operativa. Si la demanda cambia, el modelo evoluciona o la producción rinde menos de lo esperado, el laboratorio podría acabar dependiendo de un acelerador menos flexible. La capacidad de cómputo importa, pero no reemplaza la calidad del modelo ni la utilidad del producto.
El pasado mes de junio reseñamos cómo Nvidia presentó RTX Spark, el superchip que lleva agentes de IA directamente a tu laptop, sin depender de la nube ni de suscripciones. Una forma de decirles a los laboratorios que, les será difícil dejar de depender de la empresa que lidera Jensen Huang.
Preguntas frecuentes
¿Por qué empresas como Anthropic u OpenAI diseñan sus propios procesadores?
Buscan adaptar parte de su infraestructura a sus modelos y servicios, controlar mejor la disponibilidad y diversificar el suministro. Un chip específico podría mejorar la eficiencia en determinadas tareas, pero diseñarlo y desplegarlo requiere inversión, tiempo y soporte de fabricantes externos.
¿El desarrollo de chips propios significa que dejarán de usar GPU de Nvidia de inmediato?
No. El desarrollo de un acelerador propio no implica que sustituya todas las GPU. Los laboratorios pueden operar arquitecturas distintas en paralelo según la tarea, la compatibilidad del software, el suministro y el rendimiento observado.
¿Cómo influye el proceso de 2 nanómetros de Samsung en el rendimiento de los modelos de IA?
El proceso de fabricación influye en la densidad, el consumo y el rendimiento potencial del chip. El número “2 nm” es una denominación de generación, no una medida literal que permita calcular por sí sola la velocidad de un modelo. El rendimiento final también depende del diseño, la memoria, el software y el centro de datos.
¿Cuándo se notará el impacto del silicio propio en las tarifas de API o suscripciones?
No hay una fecha confirmada para Anthropic. Aunque el hardware llegue a producción, cualquier cambio de precio dependerá de su escala, eficiencia y estrategia comercial. Una reducción del costo por consulta no se traduce automáticamente en tarifas menores para los usuarios.