Anthropic quiere su chip propio para no depender de Nvidia

Por qué Anthropic quiere dejar de pagar la factura de Nvidia

El movimiento que reporta Reuters lo deja claro: Anthropic exploró comprar MatX por unos US$7.000M y, cuando la adquisición no prosperó, recondujo la conversación hacia un acuerdo de asociación. Mientras tanto, la empresa fundada por Dario Amodei fichó esta semana a Amir Salek, un veterano del diseño de chips que salió de Google en 2022. La jugada es la misma que acaba de ejecutar OpenAI con su chip Jalapeño: dejar de depender del catálogo de Nvidia y construir aceleradores ajustados a las necesidades concretas de los modelos Claude.

El contexto importa. Anthropic planea gastar decenas de miles de millones de dólares en capacidad de cómputo: US$36.000M en chips de Google, un acuerdo de US$45.000M con Nscale para nube de IA, y US$1.250M al mes a SpaceX hasta mayo de 2029 por capacidad en el clúster Colossus 1, que aloja más de 220.000 chips Nvidia (Reuters). Cuando un hyperscaler está escribiendo cheques de ese calibre, el silicio propio deja de ser un capricho y se convierte en cobertura.

MatX: dos ex-TPU de Google con un foco poco habitual

MatX no es una startup genérica de chips. La fundó en 2022 Reiner Pope, que lideró el software de IA de los TPU de Google, y Mike Gunter, diseñador principal del hardware de esa misma familia. Su tesis de producto es estrecha y difícil: un chip optimizado específicamente para entrenamiento de modelos grandes, no para inferencia, que es donde compiten la mayoría de sus rivales y la práctica totalidad de OpenAI con Jalapeño.

🤖 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

La diferenciación explica el interés de Anthropic, que necesita ambos perfiles: entrenamiento para seguir escalando la familia Claude e inferencia para responder al crecimiento de uso. En palabras del reportaje de Reuters recogido por Xataka, mientras OpenAI presume de que su Jalapeño supera a Nvidia en eficiencia energética, MatX está atacando la fase previa del pipeline. Si el acuerdo de asociación se cierra, Anthropic se quedaría con un socio alineado al hueco exacto donde Nvidia tiene menos ofertas dedicadas.

La pregunta de los US$7.000M y los US$4.000M

La cifra de la compra frustrada y la ronda actual dibujan una tensión interesante. Reuters señala que MatX está levantando nueva capitalización a una valoración de unos US$4.000M, mientras que la adquisición que Anthropic llegó a discutir rondaba los US$7.000M. La diferencia, según The Next Web, es el tipo de prima que paga un comprador por conseguir control y, sobre todo, tiempo: comprar un equipo que ya ha tapeado diseños es mucho más rápido que contratarlo desde cero.

Para founders del sector, la lectura es doble. Primero, el precio de los equipos de silicio especializados se está revaluando a velocidad que ningún múltiplo histórico capturaba: comprar talento de diseño de IA ya no es contratar engineers, es comprar una posición en la cadena de suministro. Segundo, la valoración independiente importa: MatX puede ahora levantar como proveedor中立, no como departamento interno de un solo cliente. Los inversores de su Serie B (citada por The Next Web: US$500M liderada por Jane Street y el fondo Situational Awareness de Leopold Aschenbrenner, con Marvell, Spark Capital y los hermanos Collison) apostaron por una empresa independiente, y la estructura final lo respeta.

OpenAI ya puso el listón con Jalapeño

Anthropic no está inventando la categoría. OpenAI presentó en junio de 2026 su primer chip propio, Jalapeño, desarrollado con Broadcom y Celestica, y publicó en agosto sus primeros benchmarks sobre InferenceX (plataforma pública de SemiAnalysis). Según los datos que OpenAI entregó a The Verge y a TechRepublic, Jalapeño entregó entre 1,5x y 1,9x más rendimiento por vatio que sistemas basados en GB200/GB300 de Nvidia, con una latencia de extremo a extremo entre 1,7x y 3,6x menor en pruebas con GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T. En la prueba sobre Kimi K2.5, OpenAI reportó 18.195 tokens mixtos por segundo por kilovatio frente a 11.862 del sistema GB300 usado como referencia.

Tres matices importantes. Primero, son pruebas de OpenAI, no independientes, aunque usaron cargas no propias para evitar el sesgo de catálogo. Segundo, Jalapeño es un ASIC de inferencia y va a complementar, no a reemplazar, las GPUs de Nvidia en la estrategia declarada de OpenAI. Tercero, el despliegue será en "pequeños volúmenes" a finales de 2026 y escalará durante 2027. Es decir: el listón ya existe, pero ningún hyperscaler lo está usando todavía a producción masiva.

El resto del ecosistema ya está haciendo los mismos deberes

La presión sobre Nvidia viene de todas las direcciones:

Google lleva una década con sus TPU, ahora en versiones 8t y 8i, y acaba de cerrar un pedido de US$36.000M de Anthropic para sus chips.
Meta desarrolla la familia MTIA, con el MTIA 300 presentado recientemente.
Amazon cuenta con Trainium e Inferentia.
Microsoft también acelera su propio silicio.

Nvidia, por su parte, advirtió en su última conference call que la oferta de sus procesadores seguirá tensa hasta 2027, según Reuters. Para los hyperscalers eso significa que el cuello de botella no va a aflojar, y diseñar tu propio acelerador deja de ser opcional: pasa a ser un hedge de供应链.

Qué significa esto para tu startup

El primer mensaje es estructural: los costes de inferencia y entrenamiento son ahora una partida geopolítica, no una línea de capex más. Anthropic paga US$1.250M al mes solo a SpaceX. Si tu producto depende de APIs de frontera (Claude, GPT, Gemini), cada decisión arquitectónica de estos hyperscalers — qué chip corre qué modelo — termina afectando latencia, precio y disponibilidad de tu propio producto.

El segundo mensaje es de oportunidad de mercado. The Next Web documenta que Etched levantó US$500M a una valoración de US$5.000M y un grupo de startups de aceleradores captó alrededor de US$1.600M en cinco rondas este año. El capital está fluyendo hacia empresas que prometen superar a Nvidia en una workload concreta, no en benchmarks generalistas. Si tu startup toca cómputo, inferencia, edge o vertical específico (video, agentes, búsqueda), hay dinero y demanda para soluciones especializadas.

Dos acciones concretas para founders hispanohablantes:

Audita tu dependencia de proveedor único de cómputo. Si tu producto corre 100% sobre un solo hyperscaler o una sola familia de GPU, mapea qué pasa si Nvidia retrasa entregas, si tu proveedor sube precios o si una nueva generación como Jalapeño cambia la ecuación de coste. La lección de Anthropic es: ni siquiera los hyperscalers se permiten esa concentración.
Evalúa cargas que podrían salir del camino Nvidia. Inferencia en lote, generación de embeddings, rerankers, transcripción, agentes con latencias blandas: cada vez más startups (Etched, MatX, Groq, Cerebras) compiten por workloads específicos con propuestas de coste/rendimiento radicalmente distintas. Reservar entre el 10% y el 30% de tu capacidad de inferencia en un proveedor alternativo es ahora una decisión prudente, no experimental.