¿Se convertirá el CPU en el nuevo Santo Grial de la Inteligencia Artificial?

Durante los últimos años, la revolución de la Inteligencia Artificial comenzó a explicarse mediante una narrativa de inversión muy simple. En el centro de esta historia aparecía un único protagonista: el GPU. Los procesadores gráficos se convirtieron en el símbolo de una nueva era tecnológica, y su disponibilidad pasó a determinar directamente qué compañías eran capaces de entrenar los modelos de lenguaje más avanzados y cuáles quedaban rezagadas en la carrera por el futuro de la IA.

Como resultado, el mercado rápidamente aprendió a pensar sobre la Inteligencia Artificial a través de una única métrica: potencia computacional. Más GPUs significaban modelos más grandes, modelos más grandes significaban mejores productos, y mejores productos implicaban una ventaja competitiva.

Con el tiempo, sin embargo, esta narrativa comenzó a volverse más compleja. Se hizo evidente que la potencia computacional bruta no era suficiente si el sistema era incapaz de entregar datos a la velocidad requerida. El cuello de botella dejó de estar únicamente en los GPUs y comenzó a aparecer cada vez más en la memoria, tanto la memoria más cercana al procesador en forma de HBM, como la DRAM tradicional de servidores y toda la infraestructura de almacenamiento y transferencia de datos.

Este fue el primer momento en que los inversionistas comenzaron a entender que la revolución de la IA no es una historia de un único componente, sino de toda una cadena tecnológica: desde el silicio, pasando por la memoria, hasta redes y sistemas de enfriamiento.

Y ahora, justo cuando el mapa de esta revolución parecía relativamente completo, comienza a surgir otro cambio, mucho menos evidente, pero potencialmente tan importante como los anteriores.

Un rol cada vez más importante está siendo asumido por una capa que durante años fue tratada como “infraestructura obvia”: el CPU. En un mundo donde la IA ya no consiste en una sola consulta a un modelo, sino que se asemeja cada vez más a un sistema complejo de agentes autónomos realizando tareas de múltiples pasos, no solo cambia la escala del cómputo, sino principalmente su naturaleza.

En este punto surge una pregunta que hace poco parecía secundaria. ¿Podría el CPU, previamente actuando como coordinador y socio silencioso del GPU, estar convirtiéndose en uno de los componentes clave de toda la arquitectura de IA?

Y si es así, ¿significa esto que estamos entrando en una tercera ola de la revolución de la IA después de GPUs y memoria, donde el factor clave ya no será únicamente la potencia computacional bruta, sino qué tan eficientemente podemos conectar y orquestar el sistema completo?

LA ERA DEL GPU

Al inicio de la revolución de la IA, existían pocas dudas respecto a dónde surgiría su fundamento tecnológico. Con el avance del deep learning y la aparición de modelos de lenguaje cada vez más grandes, rápidamente quedó claro que la principal limitación ya no era el algoritmo en sí, sino la escala de cómputo necesaria para entrenarlo.

En ese momento, los procesadores gráficos pasaron al primer plano. Su arquitectura, originalmente diseñada para renderizar gráficos y manejar operaciones paralelas sobre imágenes, resultó perfectamente adaptada al tipo de cálculos requeridos por las redes neuronales. En lugar de un único núcleo extremadamente rápido, los GPUs ofrecen miles de unidades de procesamiento más simples capaces de ejecutar operaciones en paralelo sobre enormes volúmenes de datos.

Esto convirtió a los GPUs en el motor natural de la revolución de la IA. El entrenamiento de modelos de lenguaje, especialmente aquellos basados en arquitecturas transformer, se reduce en gran parte a operaciones matriciales, tareas fácilmente paralelizables. En la práctica, esto significó que mientras más potencia GPU pudiera concentrarse en un sistema, más grande sería el modelo que podría entrenarse.

Como consecuencia, rápidamente surgió un nuevo estándar para la infraestructura computacional. Los centros de datos comenzaron a parecerse a clusters de aceleradores especializados, donde los CPUs cumplían un rol secundario, principalmente responsables de preparar datos, gestionar procesos y coordinar la comunicación entre componentes del sistema. Toda la “matemática pesada” fue trasladada hacia los GPUs.

Esta arquitectura llevó a una fuerte concentración de valor en un único segmento del mercado. A medida que crecía la demanda por potencia computacional, los fabricantes de GPUs capturaron la mayor parte del valor económico de la revolución de la IA. El acceso a GPUs dejó de ser solo una ventaja tecnológica para convertirse también en una restricción estratégica que determina el ritmo de desarrollo de compañías y laboratorios de investigación.

Dentro de este esquema, el mercado comenzó a pensar sobre IA de forma extremadamente lineal. Más GPUs significaban más cómputo, más cómputo implicaba modelos más grandes, y modelos más grandes generaban mejores productos. La lógica de esta revolución parecía relativamente simple y ampliamente comprendida.

Solo con el tiempo comenzaron a aparecer las primeras señales de que esta visión estaba incompleta.

LA MEMORIA COMO SEGUNDA OLA

A medida que los modelos de IA crecieron desde millones hasta miles de millones y posteriormente cientos de miles de millones de parámetros, surgió un problema que inicialmente no parecía tan evidente como la falta de capacidad computacional. Se descubrió que simplemente aumentar la cantidad de GPUs no solucionaba todas las limitaciones del sistema si los datos no podían fluir suficientemente rápido a través de toda la arquitectura computacional.

En este punto, la memoria comenzó a ganar protagonismo. Tanto la memoria directamente conectada a los GPUs en forma de HBM, como la DRAM tradicional de servidores y toda la capa de almacenamiento y transferencia de datos dentro de los centros de datos. La memoria pasó a convertirse en el factor determinante de la velocidad con la cual podían entrenarse y ejecutarse modelos cada vez más grandes.

En la práctica, esto significó que incluso los GPUs más avanzados eran incapaces de utilizar completamente su potencial si no estaban correctamente “alimentados” con datos. El cuello de botella dejó de ser únicamente el cómputo, y pasó a ser la capacidad del sistema para mantener un flujo constante de información entre memoria, redes y aceleradores.

Este fue el momento en que la revolución de la IA comenzó a transformarse desde un problema puramente computacional hacia un problema sistémico. En lugar de un único componente dominante, comenzamos a observar una dependencia cada vez más compleja entre distintas capas de infraestructura.

La memoria, previamente tratada como un elemento secundario, empezó a desempeñar un rol estratégico. Soluciones de alto ancho de banda como HBM se transformaron en uno de los principales habilitadores del escalamiento moderno de modelos, mientras los fabricantes de memoria comenzaron a ocupar posiciones mucho más importantes dentro de la cadena de valor de la revolución de la IA.

Es importante destacar que esta etapa no reemplazó a los GPUs, sino que reveló sus limitaciones naturales. A medida que los modelos escalaban, quedó claro que la capacidad computacional no tiene valor si no está respaldada por suficiente velocidad de transferencia de datos. Como resultado, el mercado gradualmente comenzó a comprender que la IA no es únicamente una carrera por construir el procesador más poderoso, sino un sistema complejo donde cada componente de infraestructura puede transformarse en un potencial cuello de botella.

Fue entonces cuando comenzó a surgir una visión más completa de la IA como ecosistema, donde junto a GPUs aparecen memoria, redes e infraestructura de datos desempeñando roles esenciales.

CPU Y EL ASCENSO DE LA IA AGÉNTICA

Durante mucho tiempo, el rol de los CPUs dentro de la revolución de la IA parecía relativamente estable y claramente definido. Eran responsables de la gestión del sistema, preparación de datos y coordinación del trabajo de los aceleradores GPU, encargados del trabajo computacional pesado. Dentro de este esquema, el CPU actuaba como un operador silencioso de infraestructura, invisible desde la perspectiva del usuario final y prácticamente sin cambios en su función.

Este panorama está comenzando a cambiar con la aparición de una nueva clase de aplicaciones de IA, conocidas cada vez más como agentic AI.

A diferencia de los modelos tradicionales de lenguaje que responden a una sola consulta, los sistemas basados en agentes están diseñados para ejecutar tareas complejas de múltiples pasos, requiriendo no solo generar respuestas, sino también ejecutar acciones dentro de entornos digitales.

En la práctica, esto significa que en lugar de una única consulta y una única respuesta, ahora enfrentamos cadenas completas de operaciones. Un agente puede comenzar analizando un problema, dividirlo en pasos más pequeños, ejecutar consultas hacia sistemas externos, bases de datos o APIs, procesar la información obtenida y solo posteriormente producir un resultado final.

Cada uno de estos pasos requiere operaciones independientes del sistema, comunicación con diferentes fuentes de datos y gestión continua del estado completo del proceso.

Dentro de este nuevo modelo, la carga computacional comienza a desplazarse. El modelo de lenguaje ejecutándose sobre GPUs se convierte únicamente en una parte de un sistema mucho más amplio, responsable de la generación e interpretación de lenguaje. El resto, lógica de control, gestión de tareas, comunicación entre sistemas y manejo de herramientas externas, recae cada vez más sobre el CPU.

Aquí aparece un cambio fundamental de perspectiva. Previamente, el CPU era tratado como una capa secundaria cuya tarea principal consistía en “no interferir” con el trabajo de los GPUs. En el mundo de la agentic AI, sin embargo, el CPU comienza a actuar como un coordinador activo que no solo administra el flujo de datos, sino que también participa en el proceso de toma de decisiones del sistema.

Y lo más importante: esto no representa un cambio cosmético, sino estructural.

Cada agente de IA ejecuta no una, sino múltiples operaciones computacionales y operativas, generando un fuerte incremento en las tareas realizadas fuera del GPU. Como resultado, la importancia de la infraestructura CPU aumenta significativamente, ya que debe manejar enormes cantidades de consultas, procesos e interacciones en tiempo real de forma paralela.

En este punto comienza a hacerse visible el primer gran cambio arquitectónico dentro de los sistemas de IA. En lugar de un modelo centrado en un único tipo de cálculo, nos estamos moviendo hacia sistemas multicapa donde distintos componentes son responsables de diferentes funciones operativas.

Los GPUs realizan operaciones matriciales, la memoria administra almacenamiento y flujo de datos, mientras los CPUs se convierten crecientemente en la capa encargada de orquestar todo el proceso.

CAMBIO EN LA ARQUITECTURA DEL SISTEMA

Con el creciente rol de la agentic AI, no solo está cambiando la forma en que se utilizan los modelos, sino toda la arquitectura de los sistemas de IA. La división tradicional, donde los GPUs manejaban el cómputo y los CPUs cumplían un rol secundario, se está volviendo cada vez más insuficiente para el funcionamiento real de las aplicaciones modernas de IA.

En lugar de un único proceso computacional, cada vez más nos enfrentamos a sistemas que se asemejan a complejas redes de capas cooperativas. El modelo de lenguaje continúa siendo el núcleo de “razonamiento”, pero alrededor de él crece una extensa infraestructura responsable de memoria, flujo de datos, comunicación con herramientas y ejecución en tiempo real.

Dentro de este esquema, el CPU deja de ser simplemente una capa de soporte técnico para el GPU y pasa a convertirse en el integrador de todo el sistema. Ahora asume una parte cada vez mayor de responsabilidades relacionadas con orquestación, gestión de estados y manejo de procesos complejos basados en agentes.

Como resultado, la IA deja de ser un único modelo y comienza a convertirse en un sistema operativo para procesos inteligentes, donde distintos tipos de hardware desempeñan funciones especializadas pero interdependientes.

ECONOMÍA DEL CAMBIO

El cambio más importante que está ocurriendo en toda la infraestructura de IA no se relaciona con cómo se construyen los sistemas, sino con cómo se distribuye la demanda de recursos computacionales. Durante mucho tiempo, el principal punto de referencia fue la relación CPU-GPU, que en los clusters tradicionales de IA estaba fuertemente inclinada hacia aceleradores.

Con el auge de la agentic AI, este equilibrio está cambiando gradualmente. En lugar de arquitecturas donde los CPUs tienen un rol marginal y los GPUs dominan el sistema, nos movemos hacia un modelo más equilibrado donde los procesadores de propósito general asumen una proporción creciente de cargas relacionadas con orquestación, gestión de herramientas y procesamiento de múltiples pasos.

Este cambio tiene consecuencias económicas directas. A medida que más operaciones salen del GPU, aumenta la demanda de potencia CPU en los centros de datos, lo que genera una mayor cantidad de núcleos requeridos por acelerador. Como resultado, la infraestructura de IA se vuelve más intensiva en recursos no solo en términos de GPUs, sino también de capacidad computacional general.

Desde una perspectiva sistémica, esto conduce a un cambio estructural en la demanda dentro de la cadena de valor. El CAPEX que anteriormente se concentraba principalmente en GPUs y memoria de alto ancho de banda ahora comienza a extenderse hacia el segmento CPU. Esto genera presión sobre cadenas de suministro, incrementa la utilización de capacidad productiva y gradualmente modifica las expectativas para el mercado de CPUs de servidores.

En este contexto, el CPU deja de verse como un segmento maduro y estable para transformarse en uno de los componentes clave de la infraestructura de IA, cuya importancia aumenta junto con la complejidad de los sistemas basados en agentes.

EL MERCADO CPU Y LOS PRINCIPALES ACTORES

El cambio en el rol de los CPUs dentro de la arquitectura de IA está redefiniendo el panorama competitivo de la industria de semiconductores. Durante muchos años, el mercado de CPUs para servidores fue relativamente estable y dominado por un solo actor, pero con la llegada de la era de la agentic AI, vuelve a convertirse en un espacio de intensa competencia tecnológica.

En el centro de esta competencia aparecen tres grandes fuerzas: AMD, Intel y Arm. Cada una representa un modelo de negocio diferente, una arquitectura distinta y una visión particular sobre cómo debe lucir un procesador moderno en la era de la IA.

AMD es probablemente el beneficiario más directo de los cambios dentro del segmento de servidores x86. Con sus procesadores EPYC, la compañía continúa aumentando participación de mercado ofreciendo alta eficiencia energética y rendimiento competitivo por núcleo. En el contexto del creciente uso de CPUs dentro de sistemas basados en agentes, AMD también se beneficia de su capacidad para ofrecer tanto CPUs como GPUs, construyendo una stack computacional mucho más completa para centros de datos.

Intel, por otro lado, atraviesa una fase de transformación. Tras años perdiendo participación dentro del mercado de servidores, intenta recuperar posicionamiento mediante nuevas generaciones de Xeon y una estrategia enfocada en el avance de procesos de fabricación. Sin embargo, el desafío de Intel no es únicamente tecnológico, sino también estratégico: redefinir su rol dentro de un ecosistema de IA que evolucionó en gran medida fuera de sus fortalezas históricas.

El tercer pilar es Arm, que opera en un nivel diferente de la cadena de valor. En lugar de fabricar chips, Arm proporciona la arquitectura utilizada por hyperscalers para diseñar sus propios procesadores. Como resultado, una creciente parte del crecimiento CPU ya no fluye directamente hacia fabricantes tradicionales, sino hacia ecosistemas cloud que desarrollan silicio personalizado.

Esto conduce a un cambio estructural. El mercado CPU deja de ser un simple duopolio entre Intel y AMD para transformarse en un ecosistema multicapa donde hyperscalers como AWS, Google y Microsoft diseñan procesadores optimizados para cargas de trabajo específicas.

Dentro de este entorno ya no existe un único ganador dominante. En cambio, observamos un mercado donde distintos modelos de negocio y arquitecturas coexisten y compiten por una participación cada vez mayor de la demanda computacional en la era de la IA.

LA TERCERA OLA DE LA IA Y SUS IMPLICANCIAS

Observando toda la revolución de la IA desde una perspectiva de infraestructura, emerge un patrón evolutivo muy claro, donde sucesivas capas del sistema pasan gradualmente desde el fondo hacia el centro de atención. Primero llegó la potencia GPU, habilitando los modelos modernos de lenguaje. Luego la memoria tomó protagonismo, sin la cual el escalamiento habría sido imposible. Ahora, los CPUs comienzan a convertirse en la siguiente capa dentro de esta cadena.

Este cambio no está impulsado por una moda tecnológica, sino por una evolución fundamental en la manera en que operan los sistemas de IA. La transición desde consultas individuales hacia sistemas basados en agentic AI representa el paso desde cálculos simples hacia procesos complejos de toma de decisiones en múltiples pasos. En este entorno, la importancia de la gestión de tareas, comunicación con sistemas externos y manejo de operaciones paralelas aumenta significativamente.

Y son precisamente estas funciones las que comienzan a recaer crecientemente sobre los CPUs, que dejan de ser una capa secundaria para convertirse en un componente integral de operación dentro de los sistemas de IA.

Esto conduce a una importante revisión de expectativas respecto al tamaño futuro del mercado de CPUs para servidores. Las proyecciones que apuntan a un crecimiento superior a 120.000 millones de dólares hacia 2030, e incluso hasta 200.000 millones bajo escenarios más agresivos, sugieren que los CPUs ya no son un segmento maduro y estable, sino un nuevo ciclo de crecimiento impulsado directamente por la IA.

Dentro de esta nueva estructura, no existe un único ganador. AMD se beneficia del aumento de demanda en el segmento x86 y fortalece su posición como actor clave de infraestructura IA. Intel intenta aprovechar el renovado protagonismo de los CPUs para reconstruir su posicionamiento mientras enfrenta desafíos tecnológicos y competitivos. Arm, mientras tanto, captura una participación creciente del crecimiento cloud, donde hyperscalers desarrollan silicio personalizado para cargas específicas.

El punto clave no consiste en identificar un único ganador, sino en comprender que el CPU se está transformando en una tercera ola paralela dentro de la revolución de la IA, junto a GPUs y memoria. Una ola que no reemplaza a las anteriores, sino que las complementa, creando una visión mucho más completa de la infraestructura de IA.

Bajo esta mirada, la revolución de la IA deja de ser la historia de un único avance tecnológico para convertirse en un proceso de múltiples etapas de redistribución de valor dentro de toda la cadena de semiconductores. Y el CPU, durante años tratado como un componente secundario, comienza a ocupar una posición dentro de este sistema que pocos habrían esperado hace no mucho tiempo.