ASUS amplía en México su línea de PCs para agentes de IA

ASUS lleva a México equipos para ejecutar agentes de IA en local

Para 2029 habrá más de 1.000 millones de agentes de IA operando en el mundo, unas 40 veces más que en 2025, y consumirán 3,7 billones de tokens y llamadas a API cada día, según proyecciones de IDC recogidas por Forbes Argentina. Ese volumen no se sostiene solo con créditos en la nube: cada llamada a un modelo tiene un costo. Con ese telón de fondo, ASUS dio a conocer en México un portafolio de Agent Computer, equipos diseñados para llevar la IA local a las empresas y ejecutar agentes en entornos locales, híbridos o en la nube.

Qué es una ASUS Agent Computer

Una ASUS Agent Computer es un equipo construido para soportar agentes inteligentes capaces de planificar y ejecutar tareas de forma autónoma. Su capacidad de procesamiento, memoria y arquitectura permiten integrar estas tecnologías en las operaciones de una empresa según sus necesidades de rendimiento, administración de datos y escalabilidad.

La diferencia con un asistente conversacional no es de matiz. Un agente verifica sus propios resultados, consulta fuentes, reintenta cuando algo falla y encadena varios pasos antes de entregar una respuesta. Cada uno de esos pasos es una llamada a un modelo, y cada llamada se paga.

Marc Bolitho, director ejecutivo de Tensordyne, estima que los agentes de IA consumen entre cinco y diez veces más tokens que los chatbots tradicionales, e incluso pueden superar esa proporción, según declaraciones recogidas por Forbes Argentina. Para una startup que armó su presupuesto de IA en la era de los chatbots, esa cifra es la advertencia más útil del año.

Los cuatro equipos del portafolio, de menos a más potencia

El portafolio cubre distintos niveles de carga, desde automatización empresarial hasta desarrollo e inferencia de modelos avanzados.

• ASUS NUC 16 Pro: formato compacto para ejecutar modelos de lenguaje localmente en entornos Windows y x86. Integra un procesador de hasta Intel Core Ultra X9 (Serie 3), gráficos Intel Arc B390 y una NPU de 50 TOPS, con un rendimiento de hasta 180 TOPS de IA en toda la plataforma XPU. Es la puerta de entrada para aplicaciones empresariales y Edge AI.
• ASUS Ascent QN10: pensado para esquemas híbridos. Integra un procesador Snapdragon X2 Elite y una NPU de hasta 80 TOPS, lo que permite acelerar cargas de IA compatibles directamente en el dispositivo y combinar recursos locales con servicios en la nube.
• ASUS Ascent GX10: orientado a desarrollo e investigación. Incorpora la plataforma NVIDIA GB10 Grace Blackwell y 128 GB de memoria unificada, suficiente para desarrollar, experimentar y ejecutar modelos localmente, además de hacer tareas de inferencia desde un equipo de escritorio. Su configuración con 1 TB de almacenamiento volvió a estar disponible en inventario.
• ASUS ExpertCenter Pro ET900N G3: el escalón más alto. Integra el superchip NVIDIA GB300 Grace Blackwell Ultra Desktop, 748 GB de memoria coherente y el conjunto de software NVIDIA AI, para empresas que necesitan trabajar con modelos de gran tamaño.

La lectura para un founder es directa: ya no hay un único punto de entrada. Puedes arrancar con un mini PC para automatizar tareas internas y escalar a una estación de trabajo cuando el caso de uso lo justifique.

¿Por qué la IA local cambia la ecuación de costos?

En cualquier proyecto de IA hay dos etapas con lógicas financieras opuestas. El entrenamiento es una inversión inicial que puede repetirse al actualizar los modelos. La inferencia, en cambio, genera un costo cada vez que el sistema entra en funcionamiento: analizar un pedido, verificar un requisito, resolver una consulta.

Una empresa que contrata un servicio de IA no necesariamente entrena su propio modelo, pero cada uso genera costos de inferencia que el proveedor traslada a sus tarifas. Por eso el hardware importa: procesadores más eficientes pueden reducir costos y facilitar la incorporación de agentes a nuevas tareas, mientras que los menos eficientes pueden eliminar el ahorro esperado.

La ejecución local de modelos de lenguaje pequeños (SLM) puede reducir la dependencia de las API en la nube y el gasto asociado al consumo de tokens, aunque el ahorro depende del volumen de uso, las cargas de trabajo y la infraestructura de cada empresa, según plantea ASUS en su propuesta. Los modelos que corren directamente en el equipo también permiten mantener determinados datos y procesos dentro de la infraestructura propia, en función de la configuración y las políticas de seguridad.

El mercado se mueve en esa dirección. Google presentó en su evento Cloud Next una nueva versión de Gemini Enterprise, una plataforma lanzada en octubre que centraliza la gestión de agentes de IA, y reportó que casi el 75% de sus clientes de Google Cloud usa esta tecnología para impulsar su negocio, según El Periódico. La compañía también anunció su octava generación de TPUs, entre ellas la TPU 8i, pensada específicamente para la inferencia que exige la IA agéntica. Google había inventado las TPUs en 2013.

Traducción para quien emprende: las grandes nubes están optimizando la inferencia porque ahí está el gasto. Pero que la inferencia sea más barata para un proveedor no significa automáticamente que lo sea para ti.

¿Qué significa esto para tu startup?

Tres movimientos concretos.

1. Mide el costo por tarea completada, no por token. Doug Levin, investigador ejecutivo de Harvard Business School, propone criterios contables más claros para evaluar inversiones en IA, resumidos en cinco preguntas: en qué partida del presupuesto se registran los gastos de IA, cuánto cuesta completar cada tarea de manera satisfactoria, quién supervisa esos gastos, qué implementaciones requieren autorización previa y con qué frecuencia el comité de auditoría recibe informes de costos. Dividir el costo operativo total entre el número de tareas completadas correctamente da un número mucho más honesto que dividir entre tokens consumidos.

2. Haz el piloto con los casos difíciles, no con los fáciles. Una implementación económica para gestionar casos rutinarios puede encarecerse mucho cuando también debe resolver situaciones excepcionales que requieren múltiples verificaciones y participación humana. Si el agente solo funciona con los casos simples, el ahorro es una ilusión.

3. Decide local, híbrido o nube según sensibilidad del dato y volumen. Si tu información no puede salir de tu infraestructura, el cómputo local es el único camino viable. Si tu volumen es bajo e intermitente, las API en la nube siguen ganando. El híbrido tiene sentido cuando necesitas latencia baja en tareas sensibles y elasticidad para los picos.

Y si vas a comprar equipos propios, calcula qué proporción de la capacidad instalada vas a usar de verdad. Un equipo de alto rendimiento subutilizado es el peor escenario de costo total de propiedad.

Conclusión

La IA agéntica no es una versión más potente de un chatbot: es otra categoría de gasto. Consume más tokens, exige más verificaciones y castiga a quien presupuesta con las métricas de la etapa anterior. El portafolio de Agent Computer que ASUS presenta en México apunta a esa brecha con una idea simple: si el cómputo es el costo recurrente, conviene decidir dónde se ejecuta.

Para un founder hispanohablante, la decisión no es ideológica entre local y nube. Es una pregunta de costos, control de datos y volumen. La respuesta correcta probablemente sea híbrida, y la única forma de saberlo es medir el costo por tarea completada desde el primer piloto.

Fuentes

• El Economista: ASUS impulsa la productividad empresarial en México con computadoras para agentes de IA
• Forbes Argentina: Por qué los agentes de IA cuestan hasta 10 veces más que los chatbots
• El Periódico: Google lanza una plataforma para acelerar el despliegue de agentes de IA en empresas
• ASUS Agent Computer