El 22 de abril, Google marcó un punto de inflexión fundamental en la era de la IA: dividió su procesador insignia, diseñado a medida, en dos chips: el TPU 8t para entrenar grandes modelos de lenguaje (como el propio modelo Gemini de Google) y el TPU 8i para impulsar aplicaciones de IA «agentes» que se basan en la inferencia para completar tareas de varios pasos.

Por sutil que pueda parecer, creemos que la decisión de Google puede marcar un punto de inflexión crucial para los inversores: A medida que el grupo de los “7 Magníficos” ha comenzado a fragmentarse, han empezado a tomar forma temas más específicos dentro del panorama de la IA.

Más concretamente, creemos que el cambio del entrenamiento de modelos de agentes de IA ya está impulsando un cambio fundamental en la infraestructura subyacente de la IA y marcando el comienzo de una expansión significativa del mercado potencial en toda la cadena de suministro de hardware.

Entre bastidores: entrenamiento de modelos frente a IA agéntica

El entrenamiento de modelos de IA requiere chips ultrarrápidos, denominados unidades de procesamiento gráfico (GPU). Estos chips pueden ejecutar múltiples tareas en paralelo, lo que acelera el proceso de entrenamiento. (Las GPU se desarrollaron inicialmente para renderizar gráficos para videojuegos, de ahí su nombre).

La IA agéntica requiere un tipo diferente de potencia: cuando un agente de IA responde a una consulta, no se limita a realizar una serie de cálculos; en cambio, analiza el problema, consulta bases de datos y se coordina con otros agentes. Las GPU no se diseñaron para ese tipo de coordinación. Esos pasos que requieren una gran cantidad de decisiones —que representan hasta el 90 % del tiempo total de respuesta de un agente— son el ámbito de las unidades centrales de procesamiento (CPU). Y la demanda de estas está aumentando.

Por ejemplo, la última «plataforma» para centros de datos Rubin de Nvidia —un conjunto integrado de componentes con diversos procesadores, chips de memoria y conmutadores— combina una CPU por cada dos GPU. (En una configuración de entrenamiento de modelos, se consideraba suficiente una CPU por cada cuatro u ocho GPU). La consejera delegada de AMD, Lisa Su, duplicó recientemente la estimación de la empresa sobre el mercado total potencial de las CPU para servidores hasta más de 120.000 millones de dólares para 2030, lo que supone una tasa de crecimiento anual compuesta del 35%, impulsada principalmente por la IA agéntica. Sin embargo, la oferta de CPU no ha seguido el ritmo de las expectativas, y puede que haya llegado un momento de renacimiento para las CPU: Desde marzo de 2026, Intel y AMD han subido los precios de las CPU para servidores hasta un 20%, con plazos de entrega que se alargan hasta los seis meses.

Retos de escalar la IA agéntica

En la era del entrenamiento de modelos, las redes eran un asunto relativamente sencillo. En una red típica, los clústeres de chips de entrenamiento se concentran y se conectan mediante los enlaces de corto alcance más rápidos posibles. Dentro de un clúster, el tráfico de datos era tan ordenado y predecible como una flota de Ferraris circulando a toda velocidad por un circuito cerrado: rápido y fluido.

La IA agéntica es mucho más caótica. Una sola consulta puede recorrer centros de datos y ciudades, con cada paso regulado por un sistema diferente: uno que busca información, otro que realiza cálculos y un tercero que ensambla la respuesta. El tráfico es aleatorio, intermitente y sensible al tiempo: un retraso de milisegundos (aceptable durante una sesión de entrenamiento de modelos) puede romper toda la cadena de razonamiento de un agente. Con la IA agéntica, la calidad del circuito se ha vuelto tan crítica como el motor del Ferrari.

Esa vía también cuenta con múltiples niveles, cada vez más exigentes: El nivel de «ampliación vertical» implica conexiones entre chips dentro de un mismo servidor, donde el ancho de banda ya está pasando de 800 gigabits por segundo a 1,6 terabits por segundo; el nivel de «ampliación horizontal» incluye conexiones entre servidores dentro de un centro de datos que gestionan volúmenes crecientes de tráfico de agentes impredecible; y el más difícil de todos, el nivel de «ampliación transversal», regula las conexiones entre centros de datos a través de edificios, ciudades e incluso continentes.

Ahí es donde entra en juego la conectividad óptica, incluidos los cables de fibra que transportan datos entre centros de datos. Creemos que la fibra óptica es uno de los cuellos de botella de infraestructura más importantes —y un objetivo de inversión— en la era de la IA. Corning, uno de los principales fabricantes de fibra óptica, firmó en enero de 2026 un acuerdo de suministro plurianual por valor de 6.000 millones de dólares con Meta, y a principios de este mes cerró una alianza estratégica adicional de 500 millones de dólares con Nvidia para construir tres nuevas plantas, lo que multiplicará por diez la fabricación de soluciones de conectividad óptica de Corning en Estados Unidos.

Pero, en nuestra opinión, Corning no será el único beneficiario: a medida que el tráfico de IA se dispare y las conexiones se multipliquen, creemos que el mercado del cable óptico podría estar entrando en una fase de crecimiento lo suficientemente amplia como para llenar las carteras de pedidos durante los próximos dos años, incluso para proveedores de segundo nivel como la japonesa Furukawa, la india Sterlite y la china YOFC.

Los cables ópticos más largos y densos también exigen una gestión de la señal más sofisticada. De ahí la creciente demanda de chips de procesamiento de señales digitales (DSP) de última generación de empresas como Broadcom y Marvell. Los DSP descodifican, limpian y recodifican las señales ópticas que pueden distorsionarse a largas distancias. A medida que las redes se amplían, las conexiones entre ellas requerirán un manejo más inteligente de la luz que transporta los datos, lo que supone un importante impulso para el mercado de los DSP.

La oportunidad de inversión: reconstruir la pista de carreras

Creemos que ofrecer IA autónoma a gran escala requerirá una pista de carreras de la información nueva y mejorada, una transformación que podría impulsar un ciclo de actualización de hardware de varios años, incluyendo CPU, DSP, fibra óptica y una variedad de equipos de red.

Para los inversores, creemos que la decisión de Google de fabricar dos chips cuando uno bastaba no fue una simple nota al pie en la historia de la IA. Fue el pistoletazo de salida de una nueva carrera de hardware.