Anthropic y sus chips propios: qué cambia para la IA

De $9.000M a $30.000M en cuatro meses: por qué ahora tiene sentido

Anthropic triplicó sus ingresos en solo cuatro meses: pasó de un ritmo anualizado de $9.000 millones a finales de 2025 a más de $30.000 millones en abril de 2026. A esa escala, pagar a otros por el recurso más crítico de tu negocio —la computación— deja de ser un gasto operativo normal y se convierte en una vulnerabilidad estratégica de primer orden.

Según fuentes citadas por Reuters y confirmadas por CNBC, la creadora de Claude ha iniciado conversaciones internas y con potenciales socios de fabricación para evaluar si diseñar sus propios chips de IA es viable. Los planes están en fase temprana —sin equipo dedicado ni diseño concreto—, pero la dirección es clara: los grandes laboratorios de IA quieren controlar su propio hardware.

¿Por qué Anthropic depende tanto de chips de terceros?

Hoy, Anthropic obtiene su capacidad de cómputo de tres fuentes principales con intereses propios y a veces contrapuestos:

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Google (TPUs): inversor directo en Anthropic y competidor con Gemini. En 2025, Anthropic firmó un acuerdo para acceder a un millón de TPUs; en 2026 amplió ese pacto —junto a Broadcom— para asegurarse 3,5 GW de capacidad de cómputo desde 2027, tres veces el uso actual de ~1 GW.
Amazon Web Services (chips Trainium): su mayor socio de infraestructura, pero también desarrolla sus propios modelos de IA. La tensión comercial es evidente.
Nvidia (GPUs): dominio de facto en aceleradores de alto rendimiento, con precio y condiciones de suministro que Anthropic no puede negociar en igualdad. Accede a ellas principalmente a través de CoreWeave, que firmó recientemente un nuevo acuerdo con Anthropic.

Ninguno de estos tres actores tiene los mismos intereses que Anthropic. Eso es el problema central.

¿Qué tipo de chip buscaría diseñar Anthropic?

Los chips de IA se especializan en dos grandes tareas: entrenamiento (crear el modelo desde cero) e inferencia (ejecutarlo para generar respuestas). La tendencia del sector apunta a que el verdadero cuello de botella —y el mayor gasto— está en la inferencia: atender a millones de usuarios simultáneos de Claude cuesta más que entrenarlo.

Un chip de inferencia diseñado específicamente para la arquitectura de Claude —sus mecanismos de atención, sus patrones de memoria, sus operaciones matriciales— podría reducir el consumo energético y la latencia de forma significativa. Si los planes avanzan, los primeros prototipos podrían llegar alrededor de 2028, con fabricación en TSMC.

El precedente que más cita la industria es Apple con los chips M1 y sus sucesores: ventajas de rendimiento y eficiencia que solo son posibles cuando hardware y software se diseñan juntos. Google lleva más de una década demostrando lo mismo con sus TPU.

¿Cuánto cuesta y cuánto tarda hacer un chip de IA?

Diseñar un chip de última generación no es un proyecto de fin de semana. Las estimaciones de la industria hablan de unos $500 millones solo en diseño: arquitectura, verificación, licencias de propiedad intelectual y las primeras obleas de prueba en una fundición como TSMC o Samsung Foundry.

El ciclo completo —del inicio del diseño a chips funcionales en producción— es de tres a cuatro años. Para Anthropic, con una valoración de $380.000 millones y más de $30.000 millones en financiación captada, la inversión es asumible. El riesgo no es financiero: es que en cuatro años, el paisaje de la IA habrá cambiado de forma impredecible y los chips diseñados hoy podrían no ser óptimos para los modelos de 2030.

Por eso, una de las opciones sobre la mesa es el codiseño con un socio de hardware, como hace Google con Broadcom para sus TPU. Esto reduce el tiempo y el riesgo, aunque también limita el control.

¿Anthropic va sola? El patrón que se repite en toda la industria

No. Meta ya tiene chips MTIA en producción desde 2023 para sus modelos Llama, e incluso planifica fábricas propias. OpenAI tiene conversaciones en curso para silicio personalizado, aunque todavía depende de Nvidia a través de Microsoft. Google lleva una década de ventaja con sus TPU v5.

El patrón es el mismo para todos: cuando el coste de la computación se convierte en tu mayor partida operativa y los proveedores tienen intereses estratégicos propios, controlar el hardware pasa de ser un lujo de ingeniería a una necesidad de negocio.

Para Nvidia, esta convergencia es una amenaza real a medio plazo. Si sus principales clientes —grandes labs y hyperscalers— siguen reduciendo su dependencia de GPUs externas, la demanda podría estabilizarse o caer, afectando las valoraciones que ha alcanzado en los últimos años.

¿Qué significa esto para tu startup?

Si estás construyendo una startup de IA o usando infraestructura cloud para correr modelos, este movimiento te afecta directamente, aunque no lo parezca a primera vista.

El acceso a cómputo barato se va a complicar. Cuando los grandes labs firman acuerdos exclusivos de capacidad con Google, Amazon o CoreWeave, la disponibilidad en el mercado para el resto se reduce. La escasez sube precios. Las startups sin poder de negociación —es decir, casi todas— pagan el coste marginal más alto.

Acciones concretas que puedes tomar hoy:

Audita tu dependencia de cómputo. ¿Cuánto de tu coste operativo va a GPUs o TPUs en cloud? Si supera el 30-40% de tus costes totales, tienes un riesgo estratégico que debes gestionar activamente, no solo optimizar.
Evalúa proveedores alternativos antes de necesitarlos. CoreWeave, Lambda Labs, Vast.ai o incluso opciones regionales en España y LATAM (como Gcore con nodos en Europa) pueden ofrecer precios más competitivos que AWS o GCP para cargas de inferencia. Compara ahora, no cuando estés bajo presión.
Apuesta por la eficiencia de modelo, no solo por más cómputo. Técnicas como quantización, destilación o el uso de modelos más pequeños y especializados pueden reducir tu factura de infraestructura en un 40-70% con impacto mínimo en calidad. Cada dólar que ahorras en cómputo es un dólar que no depende de decisiones de Nvidia, Google o Amazon.
Sigue de cerca los avances en chips de inferencia. Si Anthropic avanza en este camino y eventualmente ofrece acceso a su infraestructura a través de su API a menor coste, puede abrirse una ventana competitiva relevante frente a otros proveedores.

La carrera por el hardware propietario de IA es, en el fondo, una carrera por márgenes. Las empresas que controlen su pila de cómputo podrán ofrecer precios más bajos o reinvertir más en producto. Las que no lo hagan seguirán transfiriendo una parte significativa de su valor a sus proveedores de infraestructura.

Para un founder hispano construyendo en IA hoy —con menos capital que sus contrapartes en Silicon Valley— entender esta dinámica no es opcional. Es la diferencia entre construir sobre terreno firme o sobre arena.

Conclusión

Anthropic no ha decidido fabricar chips propios. Pero el hecho de que lo esté explorando seriamente, con ingresos anualizados de $30.000 millones y un ecosistema donde Meta, OpenAI y Google ya han tomado ese camino, dice todo sobre hacia dónde va la industria.

La integración vertical del hardware de IA no es una moda pasajera: es la respuesta lógica de cualquier empresa que haya llegado a la escala donde depender de terceros para su recurso más crítico es un riesgo inaceptable. El ciclo que Apple completó con los chips M en el mundo del hardware de consumo, la IA lo está completando ahora en el mundo del software inteligente.

Como founder, el mensaje es claro: el cómputo es el nuevo petróleo, y quienes controlen las refinerías tendrán una ventaja estructural. No puedes construir las tuyas, pero sí puedes optimizar cuánto usas, de quién dependes y a qué precio.