Anthropic confirmó que está contratando un equipo para diseñar chips AI personalizados. El objetivo declarado es co-desarrollar hardware y modelos para ejecutar Claude más rápido y eficiente. Business Insider fue el primero en dar la noticia; Anthropic la confirmó a TechCrunch.

El mes pasado The Information reportaba que Anthropic buscaba a Samsung como socio de producción. La empresa ya tiene acuerdos de compute con AWS, Google, Nvidia y AMD, pero comprar GPUs ajenas ya no es suficiente.

No es un movimiento aislado. En junio OpenAI presentó Jalapeño, su chip para inferencia construido con Broadcom. Google usa TPU desde hace años, Meta desarrolla los aceleradores MTIA. La competencia entre laboratorios se desplaza de los pesos al silicio.

Para quienes construyen agentes, el efecto indirecto es sobre el costo por tarea. Cuando un laboratorio diseña el silicio junto con el modelo, las optimizaciones apuntan a operaciones específicas: inferencia más rápida, contextos más amplios a menor costo, uso de herramientas más eficiente. Es la misma lógica por la que, como contábamos el 28 de julio, Anthropic indicaba los controles sobre chips como la principal palanca de gobernanza. Ahora quiere tener esa palanca en casa.

La historia está en sus primeros días: hay anuncios de contratación, no chips. Pero la dirección es clara, y quienes confían en las API de Claude para agentes en producción deberían observar cómo evoluciona la infraestructura subyacente.

En detalle

Hasta ahora los laboratorios de IA jugaban la partida del compute comprando la mayor cantidad posible de GPUs de Nvidia. Anthropic tiene acuerdos con AWS, Google Cloud, Nvidia y, desde julio, una inversión de 5 mil millones de AMD para 2 gigavatios de GPU MI450. La carrera por el compute se convirtió en el factor discriminante: quien tiene más silicio entrena modelos más grandes y atiende más usuarios.

Pero comprar GPUs a otros tiene un límite estructural. Los chips de propósito general de Nvidia deben servir a muchos clientes con cargas distintas. Un chip diseñado para un único modelo puede optimizar las operaciones que ese modelo realiza más: la matriz de atención, el decodificación de tokens, el enrutamiento en modelos MoE. Google lo hace con TPU desde hace años, y en parte es la razón por la que Gemini tiene costos de inferencia que los competidores luchan por igualar.

La palabra clave es co-design. Anthropic habla de diseñar hardware y modelos juntos, y las decisiones sobre cómo funciona uno y otro se toman en paralelo, no secuencialmente. Si sabes que tu modelo usa una cierta estructura de atención, construyes el silicio para hacerla funcionar bien, en lugar de adaptar el modelo a un chip que ya existe.

OpenAI hizo la misma elección en junio con Jalapeño, el chip para inferencia construido con Broadcom. Meta tiene sus MTIA. Google tiene los TPU. La tendencia es clara: los laboratorios frontera quieren controlar el stack completo, de los pesos al silicio.

Para quienes construyen agentes, el efecto concreto es sobre el precio y la latencia. Si Anthropic logra optimizar el silicio para las operaciones que Claude realiza más (leer contextos largos, llamar herramientas, razonar por pasos), el costo por tarea desciende. Es la dirección que el mercado tomó hace semanas: cuando el rendimiento converge, el precio por tarea decide, y los laboratorios buscan bajarlo también desde el hardware.

Los límites son evidentes. Hay anuncios de contratación y un aviso de empleo, no chips funcionales. El ciclo de desarrollo de un chip personalizado requiere años, y Anthropic está comenzando. La asociación con Samsung está en fase de exploración, según reporta The Information, no de producción. Y hay una pregunta abierta: si cada laboratorio controla su silicio, la portabilidad de modelos y los estándares abiertos se vuelven más frágiles. Anthropic creó MCP, el protocolo para conectar agentes a sistemas externos, pero la verticalización en hardware añade un nivel de lock-in que el protocolo no resuelve.