Añadir Estrategias de Inversión en Google

Ahora llega la IA «en el dispositivo». En esta configuración, todo el cálculo se realiza en el chip integrado en un ordenador de sobremesa, un portátil o un teléfono, sin necesidad de realizar un largo recorrido hasta un centro de datos. Mientras que la nube está diseñada para entrenar grandes modelos de lenguaje (LLM por sus siglas en inglés) a gran escala, los dispositivos suelen estar pensados para ofrecer acceso constante, privacidad y velocidad.

La consecuencia: a medida que la implantación de la IA pasa del entrenamiento de grandes modelos de lenguaje en la nube a su ejecución en dispositivos locales, el hardware subyacente debe rediseñarse para satisfacer nuevas y mayores exigencias computacionales.

Este cambio se está acelerando con el auge de la IA agentiva. En la feria Computex celebrada en junio, Nvidia presentó el RTX Spark, un chip que proporciona a los ordenadores personales la potencia suficiente para ejecutar agentes de IA. Días más tarde, Apple anunció una revisión fundamental de Siri, que pasa de ser un asistente de voz que se limita a buscar respuestas a uno capaz de coordinar tareas entre aplicaciones sin necesidad de conexión a la nube.

En nuestra opinión, estas no fueron simples actualizaciones incrementales de los productos. Más bien, creemos que marcaron el inicio de una reconstrucción arquitectónica más profunda que aborda tres límites estructurales para una implantación más amplia de la IA:

•    Latencia. A medida que los pedidos de los bots superan a los comandos generados por humanos, es posible que los servidores de centros de datos lejanos no puedan seguir el ritmo, lo que ralentiza los tiempos de respuesta. Cloudflare, una empresa de infraestructura de Internet que ayuda a que los sitios web funcionen más rápido y de forma más segura, estima que el 57% de las consultas de búsqueda en línea las inician ahora los bots, frente al 43% de los humanos. (Para ponerlo en contexto, un humano puede visitar cinco sitios web antes de realizar una compra, mientras que un servicio de IA puede visitar 5.000).

•    Privacidad. Los agentes necesitan acceso continuo a datos confidenciales que las organizaciones quizá no deseen transmitir a un proveedor de nube externo.

•    Coste. Los agentes consumen tokens a un ritmo geométrico. Ejecutar tareas de las agentes relativamente sencillas en dispositivos específicos, en lugar de en la nube, podría reducir los costes de IA para los clientes. En la nube, los usuarios pagan por cada tarea que realiza un agente; en un dispositivo, pagan por adelantado por la potencia de procesamiento, sin que se acumule una factura de IA desorbitada.

Creemos que para aliviar estas limitaciones estructurales fundamentales será necesario mejorar el hardware de las dos capas computacionales que se sitúan por encima de la nube: la capa de «periferia» y la capa de dispositivos.

La capa "edge"

La infraestructura de la capa de borde (edge) se aloja en instalaciones regionales situadas entre los centros de datos y los usuarios de los dispositivos, lo que acorta la distancia que deben recorrer las solicitudes de IA y ayuda a coordinar los comandos más rápido de lo que cualquier dispositivo individual puede gestionar. Existen dos grandes tipos de actores dentro de la capa edge:

•    Redes de distribución de contenidos. Estas empresas, como Akamai y Cloudflare, aceleran los tiempos de carga de los sitios web mediante el funcionamiento de miles de servidores locales en todo el mundo. Ahora pretenden reutilizar esa misma infraestructura para acelerar los tiempos de respuesta de la IA.

•    Proveedores de GaaS. Estas empresas, como DigitalOcean, alquilan potencia de cálculo para IA por horas. Este modelo de «GPU como servicio» (GaaS) tiene como objetivo adaptarse al uso de la IA, que suele ser intermitente y estar impulsado por máquinas. A medida que las empresas implementen más agentes de IA, creemos que buscarán las soluciones más rápidas y económicas, ya sea alquilando una GPU cercana o añadiendo potencia de cálculo a sus dispositivos locales.

La capa de los dispositivos

Cada vez más, los cálculos de IA se realizan en dispositivos específicos en lugar de en la nube. En el segmento de alto rendimiento, las estaciones de trabajo «agénticas» —ordenadores personales con suficiente potencia de procesamiento y memoria para ejecutar modelos de IA— están surgiendo como una nueva categoría de productos. La gestión de cargas de trabajo enormes en el propio dispositivo requiere más potencia de procesamiento, memoria y capacidad de almacenamiento, así como un «diseño» preciso que integre todos estos elementos.

Procesadores

Los diseños tradicionales se crearon para ejecutar tareas de uso general de una en una, no para gestionar ejércitos de agentes de IA que funcionan a un ritmo constante y frenético. La solución consiste en añadir unidades de procesamiento dedicadas a la IA: circuitos diseñados exclusivamente para cálculos de IA, distintos de los núcleos de uso general que se encargan de otras tareas.

Creemos que la creciente demanda de mayor potencia de procesamiento en los propios dispositivos está impulsando un nuevo ciclo de hardware de varios años, que los líderes del mercado están abordando desde diferentes ángulos:

•    Nvidia y MediaTek ofrecen la plataforma RTX Spark: la base combinada de chip y software sobre la que se construyen otros productos.

•    Arm Holdings proporciona la columna vertebral arquitectónica: el plano subyacente a partir del cual se construyen los chips supereficientes.

•    Qualcomm se especializa en el diseño de consumo ultrabajo: chips que ofrecen rendimiento de IA a la vez que consumen muy poca batería, algo esencial para los dispositivos que están siempre encendidos.

Memoria y almacenamiento

La memoria es el espacio de trabajo rápido y a corto plazo que utiliza un chip mientras procesa información; el almacenamiento es el espacio más lento y a largo plazo que conserva los archivos cuando el dispositivo está apagado. La IA agéntica exige mucho más de ambos, de ahí el impresionante repunte del índice PHLX Semiconductor, que se disparó casi un 300% entre abril de 2025 y finales de junio de 2026, impulsado por líderes en memoria como SK Hynix, Samsung Electronics y Micron Technology, y líderes en almacenamiento como SanDisk y Kioxia. (Varias de estas empresas fabrican tanto chips de memoria como de almacenamiento).

Preocupados por la posibilidad de que algunos fabricantes de chips estuvieran aumentando demasiado su capacidad, los inversores pisaron el freno en julio, lo que provocó que el PHLX cayera un 15% desde su máximo. Sin embargo, creemos que aún nos encontramos en las primeras fases de este ciclo de actualización y que la demanda de memoria y almacenamiento seguirá superando el crecimiento de la oferta, que tardará al menos unos años en ponerse en marcha.

Encapsulado

El «encapsulado» conecta los chips dentro de un dispositivo. Su elemento central es el sustrato de circuitos integrados: una capa base que une el chip de silicio a la placa de circuito mediante miles de minúsculas conexiones eléctricas. Se prevé que el mercado mundial de sustratos de circuitos integrados —liderado por proveedores clave como Ibiden Unimicron, SEMCO y AT&S— crezca un 6,8% anual y alcance los 20 600 millones de dólares en 2033.

Aumento de la demanda, oferta limitada

Los mismos fabricantes de componentes que abastecen la expansión de los centros de datos son los que ahora se enfrentan al reto de equipar también la expansión de la IA en los propios dispositivos. Esas dos oleadas de demanda que chocan contra una base de suministro limitada están provocando un aumento histórico en los precios del hardware.

A medida que el cálculo de la IA se desplaza de la nube hacia el perímetro y a los dispositivos locales, seguimos con atención el sector que hace posible ese cambio.