Anthropic se alía con MatX para crear su propio chip de IA

Anthropic evalúa aliarse con MatX para fabricar un chip propio

Anthropic está negociando una alianza estratégica con MatX, una startup estadounidense especializada en el diseño de aceleradores para IA, con el objetivo de reducir su dependencia de los chips de Nvidia que hoy dominan el entrenamiento y la inferencia de modelos de lenguaje. Según reportó Reuters y recogió Infobae, las conversaciones comenzaron con una posible compra cercana a los US$7.000 millones, pero evolucionaron hacia un acuerdo de asociación que, al cierre de esta nota, todavía no estaba cerrado.

MatX no es un actor menor: fue fundada en 2022 por Reiner Pope y Mike Gunter, dos ex ingenieros de Google que trabajaron en el desarrollo de los Tensor Processing Unit (TPU). Esa experiencia en software para modelos de lenguaje, diseño de lógica de chips y aceleradores la convierte en una socia atractiva para Anthropic, que hoy entrena y sirve a millones de usuarios de Claude sobre hardware alquilado en su mayoría a Nvidia, AWS, Google y AMD.

Por qué Anthropic decide salir del "solo Nvidia"

El movimiento responde a un problema estructural que cualquier founder de IA conoce: el costo y la disponibilidad de las GPU. Los chips de Nvidia se han vuelto uno de los recursos más demandados del sector tecnológico, pero su precio elevado, los cuellos de botella en la cadena de suministro y la dependencia de fabricantes como TSMC complican los planes de cualquier compañía que escala modelos grandes.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Diseñar un acelerador a medida le permitiría a Anthropic tres cosas concretas que hoy no controla:

Optimizar el silicio para Claude, en lugar de adaptar sus modelos a un hardware de propósito general.
Asegurar capacidad de cómputo en un mercado donde la demanda sigue creciendo más rápido que la oferta.
Repartir cargas entre entrenamiento e inferencia con hardware ajustado a cada etapa, no con un único chip generalista.

La propia compañía fue explícita al respecto: en un comunicado recogido por Business Insider y replicado por TechRepublic, Anthropic describió esta apuesta como parte de una estrategia "multi-chip" que complementará —no reemplazará— su uso actual de AWS, Google, Nvidia y AMD. El mensaje es claro: nadie abandona a Nvidia, pero ya nadie quiere depender solo de ella.

Anthropic también construye un equipo interno de silicio

La decisión va más allá de MatX. Anthropic está armando un equipo interno de diseño de chips y, según las ofertas laborales publicadas, busca ingenieros con experiencia real llevando diseños de semiconductores "desde la investigación hasta la producción". El rango salarial publicado para estos roles —entre US$320.000 y US$485.000 anuales— muestra la prima que el laboratorio está dispuesto a pagar por talento especializado.

Para reforzar esa línea, la compañía incorporó a Amir Salek, un veterano del diseño de chips que pasó por Google y, desde 2022, estaba vinculado a Cerberus Capital Management. En paralelo, Anthropic evalúa desde junio una posible colaboración con Samsung Electronics para fabricar el procesador, según reportó The Information.

Otro punto técnico destacado por SiliconANGLE: Anthropic planea usar a Claude para automatizar parte de la verificación de sus propios chips, creando simulaciones en las que el modelo aprende a testear nuevos diseños —una aplicación práctica de la IA sobre la cadena de valor del hardware que la entrena.

La tendencia de los hyperscalers a tener su propio silicio

Anthropic se suma a una fila cada vez más larga. Google lleva años iterando sus TPU (hoy en su octava generación), Amazon desarrolla Trainium e Inferentia, Meta ha apostado por sus propios aceleradores y Microsoft también trabaja en hardware propietario.

El caso más reciente —y el que más ruido ha hecho— es OpenAI, que presentó el 25 de agosto de 2026 su primer chip de inferencia propio, llamado Jalapeño, desarrollado junto a Broadcom. Según los datos publicados por OpenAI y analizados por Yahoo Finance, Jalapeño ofreció 1,5 a 1,9 veces más trabajo de IA por vatio y 1,7 a 3,6 veces menor latencia que los sistemas GB200 y GB300 de Nvidia en modelos como GPT-OSS 120B, DeepSeek R1 y Kimi K2.5 1T. Aun así, OpenAI aclaró en el mismo comunicado que seguirá comprando aceleradores de Nvidia para entrenamiento e inferencia: el mensaje es que el silicio a medida es complemento, no sustituto.

El patrón se repite: los mayores clientes de Nvidia están construyendo alternativas para repartirse la carga, no para romper con su proveedor.

¿Qué significa esto para tu startup?

Que los hyperscalers estén corriendo a controlar su silicio tiene consecuencias prácticas para cualquier founder que construya sobre su infraestructura:

1. Reescribe tu modelo de costos de cómputo a 12-18 meses. Si tu producto depende de APIs o GPUs de Nvidia, asume que el precio por inferencia seguirá bajando a medida que Anthropic, OpenAI y Google diversifiquen su hardware. Acción: negocia contratos con cláusulas de revisión de precio o usa proveedores secundarios (Together, Fireworks, Groq) como hedge.
2. Diseña para ser portable entre chips. Si tu equipo de ML escribe kernels optimizados solo para CUDA, te quedarás atado a un proveedor. Acción: evalúa frameworks y runtimes con buen soporte multi-hardware (vLLM, llama.cpp, MLX) y mantén al menos una ruta de inferencia que no dependa exclusivamente de Nvidia.
3. Piensa en inferencia, no solo en entrenamiento. El foco de casi todos los chips nuevos (Jalapeño, posibles chips de Anthropic) es inferencia, la fase más cara a escala. Acción: mide costo por millón de tokens en producción y busca arquitecturas (speculative decoding, batching, caché semántica) que reduzcan esa factura.

La carrera por el silicio propio ya empezó y, como pasó con la nube, primero la ganarán los grandes —pero los beneficios en precio y disponibilidad bajarán hacia el ecosistema entero.