Anthropic arma equipo propio para diseñar chips de IA personalizados

Anthropic confirmó a TechCrunch que está formando un equipo para diseñar sus propios chips de inteligencia artificial. La compañía, creadora de Claude, planea co-diseñar hardware y modelos para que su tecnología corra más rápido y de forma más eficiente. La noticia fue anticipada por Business Insider y luego verificada directamente con la empresa.

Según una oferta laboral publicada, Anthropic busca ingenieros con experiencia en diseño de chips para su "custom silicon team". En julio, The Information había reportado que la compañía estaba sondeando a Samsung como potencial socio de fabricación para estos procesadores.

Por qué ahora

La decisión llega en un momento de demanda creciente por Claude y presión sobre la infraestructura disponible. Anthropic tiene acuerdos vigentes con AWS, Google, Nvidia y AMD para acceder a hardware de cómputo AI, pero claramente depender solo de terceros dejó de ser suficiente para escalar al ritmo que el negocio requiere.

Las compañías de IA están peleando cada deal de infraestructura disponible. Diseñar chips propios es la apuesta para desacoplar el roadmap técnico de la disponibilidad externa y optimizar la pila completa: desde el modelo hasta el silicio que lo ejecuta.

No es la única

Anthropics se suma a una tendencia que ya marcaron sus competidores directos. En junio, OpenAI presentó su chip Jalapeño, construido con Broadcom y diseñado específicamente para cargas de inferencia. Google DeepMind lleva años usando las TPU de Alphabet para entrenar y ejecutar sus modelos. Meta desarrolla sus propios aceleradores MTIA para workloads de IA.

La lógica es similar en todos los casos: cuando tu negocio central depende de ejecutar modelos a escala masiva, el costo, la disponibilidad y la performance del hardware se vuelven ventajas competitivas directas.

Por qué importa

Que Anthropic entre en la carrera del silicio custom señala que el mercado de infraestructura para IA está llegando a un punto de inflexión. Las empresas que lideran en modelos ya no pueden darse el lujo de esperar que los fabricantes generalistas les resuelvan los cuellos de botella.

Para cualquier compañía que esté adoptando IA en serio, esto refuerza una realidad: la infraestructura no es un tema secundario. La velocidad de inferencia, el costo por token y la disponibilidad de cómputo determinan qué casos de uso son viables y cuáles no. Entender cómo las empresas que construyen los modelos están resolviendo esos problemas te da una idea más clara de dónde va a estar la frontera técnica en los próximos 18 meses.