Los agentes de inteligencia artificial obligan a rediseñar los servidores y refuerzan el papel de las CPU frente al dominio de las GPU.
Durante los últimos años, la carrera por la inteligencia artificial ha tenido un protagonista indiscutible: la GPU. La demanda de estos aceleradores ha transformado los centros de datos y ha colocado a fabricantes como NVIDIA en el centro de la industria tecnológica. Pero la siguiente fase de la IA está cambiando las reglas del juego.
La expansión de la inteligencia artificial agéntica, capaz de planificar tareas, utilizar herramientas digitales y ejecutar procesos con distintos grados de autonomía, está aumentando la necesidad de procesadores tradicionales. Las CPU vuelven a ganar peso en una infraestructura que hasta ahora se había diseñado, en buena medida, para maximizar el rendimiento de las GPU.
El cambio no significa que los aceleradores gráficos vayan a perder su relevancia. Significa que la IA necesita algo más que potencia para ejecutar modelos: también requiere capacidad para coordinar agentes, consultar bases de datos, ejecutar código, gestionar permisos y verificar resultados.
Esta transformación puede alterar el diseño de los centros de datos, las decisiones de inversión de las grandes tecnológicas y la competencia entre fabricantes como AMD, Intel, NVIDIA y Arm. También abre una pregunta económica: ¿cuánto costará mantener una infraestructura capaz de ejecutar miles de agentes de IA de manera simultánea?
De los chatbots a los agentes autónomos: por qué cambia la infraestructura
La primera gran expansión comercial de la IA generativa se apoyó en un funcionamiento relativamente sencillo. El usuario formulaba una pregunta, el sistema procesaba la petición mediante un modelo y generaba una respuesta.
En ese escenario, las GPU desempeñaban un papel fundamental porque están diseñadas para realizar grandes cantidades de operaciones matemáticas en paralelo. Este tipo de procesamiento resulta esencial tanto para entrenar modelos de inteligencia artificial como para ejecutar muchas de sus operaciones de inferencia.
Las CPU, por su parte, se encargaban de gestionar el sistema, distribuir tareas, administrar la memoria y coordinar la comunicación entre componentes.
La llegada de la IA agéntica amplía considerablemente ese trabajo. Un agente no tiene por qué limitarse a responder una pregunta: puede dividir un objetivo en pasos, consultar información, utilizar aplicaciones, ejecutar código y comprobar si ha conseguido el resultado esperado.
Ese proceso puede repetirse varias veces antes de completar una tarea.
Por ejemplo, un agente encargado de elaborar un informe empresarial podría tener que recuperar documentos, consultar una base de datos, ejecutar cálculos, contrastar cifras y generar un archivo final. El modelo de lenguaje es una parte del sistema, pero el resto de las operaciones exige coordinación, acceso a datos y ejecución de software.
Cuanto más complejo es el flujo de trabajo, mayor importancia adquiere el procesamiento que rodea al modelo. Esa es una de las razones por las que las CPU vuelven a ocupar un lugar estratégico en los planes de infraestructura para inteligencia artificial.
Las CPU recuperan protagonismo frente al dominio de las GPU
La industria empieza a revisar el equilibrio tradicional entre procesadores centrales y aceleradores gráficos.
En los despliegues centrados en modelos de IA, algunas arquitecturas han utilizado aproximadamente una CPU por cada cuatro a ocho GPU. Esa relación no es una norma universal: depende del tipo de carga de trabajo, del diseño de los servidores y de la configuración de cada centro de datos.
Con los agentes de IA, el equilibrio puede desplazarse hacia configuraciones con más capacidad de CPU. La orquestación de tareas, la gestión de llamadas a herramientas, el acceso a bases de datos y la ejecución de aplicaciones pueden convertirse en cuellos de botella si los procesadores no tienen suficiente capacidad.
La firma de análisis TrendForce ha identificado esta tendencia y plantea que las arquitecturas de IA agéntica pueden acercarse a relaciones de una CPU por cada una o dos GPU en determinados despliegues. Se trata de una previsión para configuraciones concretas, no de una proporción que deba aplicarse automáticamente a todos los centros de datos.
El motivo es sencillo: una GPU muy potente no puede compensar por sí sola una infraestructura incapaz de preparar, coordinar y alimentar correctamente el trabajo que debe ejecutar.
Si los procesadores centrales tardan demasiado en completar las operaciones auxiliares, los aceleradores pueden quedarse esperando. En ese caso, parte de la capacidad de cálculo instalada no se aprovecha plenamente, mientras aumentan los costes por tarea completada.
El nuevo mercado de los procesadores para servidores
El cambio tecnológico está modificando también las expectativas comerciales de los fabricantes.
AMD sostiene que la expansión de la IA agéntica elevará de forma estructural la demanda de CPU para servidores. En un artículo corporativo publicado el 7 de mayo de 2026, la compañía afirmó que esperaba que el mercado potencial de estos procesadores creciera a un ritmo superior al 35 % anual y superase los 120 000 millones de dólares en 2030.
La cifra debe interpretarse correctamente: es una estimación de mercado formulada por AMD, una empresa interesada directamente en vender procesadores para centros de datos. No constituye una previsión independiente ni una garantía de que la demanda vaya a materializarse en esos términos.
Aun así, la tesis empresarial refleja una tendencia que también aparece en análisis de la industria: los centros de datos necesitan más capacidad de procesamiento general a medida que los sistemas de IA pasan de generar respuestas a ejecutar flujos de trabajo complejos.
La oportunidad comercial afecta a varios segmentos:
- CPU de alta densidad: procesadores con muchos núcleos para ejecutar numerosas tareas simultáneas.
- CPU de alto rendimiento por núcleo: importantes para aplicaciones sensibles a la latencia y operaciones que no se pueden paralelizar fácilmente.
- Servidores de orquestación: sistemas que gestionan agentes, herramientas, permisos y comunicaciones entre servicios.
- Infraestructura de datos: equipos que facilitan el acceso a bases de datos, almacenamiento y memoria.
- Redes y sistemas de seguridad: componentes necesarios para conectar las distintas capas y controlar las acciones de los agentes.
El crecimiento de estas necesidades no elimina la importancia de las GPU. Amplía el mercado de hardware necesario para desplegar sistemas de inteligencia artificial a gran escala.
AMD, Intel, NVIDIA y Arm se disputan una nueva fase de la IA
La evolución de la IA agéntica está intensificando la competencia en el mercado de los procesadores para centros de datos.
AMD dispone de su familia EPYC para servidores y defiende que los agentes aumentarán las necesidades de cómputo general. Su estrategia consiste en ofrecer procesadores capaces de gestionar cargas paralelas, operaciones de infraestructura y tareas de coordinación que acompañan a la ejecución de modelos.
Intel mantiene su posición en el mercado de CPU para servidores y compite mediante sus familias Xeon. El aumento de las cargas de trabajo agénticas puede abrir oportunidades para sus procesadores, aunque la capacidad de aprovecharlas dependerá del rendimiento, el consumo, el precio y la compatibilidad con las plataformas utilizadas por los clientes.
NVIDIA, conocida especialmente por sus GPU, también está ampliando su presencia en el procesamiento central. La compañía ha impulsado su plataforma de CPU Grace y la familia Vera, con el objetivo de ofrecer soluciones que integren o complementen el procesamiento general con sus aceleradores.
Arm ocupa una posición diferente. Su arquitectura se utiliza mediante licencias en procesadores de distintos fabricantes y también ha avanzado hacia diseños propios para centros de datos. Su propuesta pone el foco, entre otros factores, en la eficiencia energética y la capacidad de integrar muchos núcleos.
Esta competencia demuestra que el mercado de la IA ya no se decide únicamente por quién fabrica el acelerador más potente. El rendimiento del conjunto, el consumo eléctrico, la disponibilidad de componentes y la facilidad de integración son factores cada vez más importantes.
Los centros de datos podrían incorporar nuevos racks de CPU
Una de las consecuencias más relevantes es que algunas empresas podrían dejar de concentrar toda la infraestructura de IA en servidores dominados por GPU.
En determinados despliegues, puede resultar más eficiente mantener una capa de aceleradores para ejecutar modelos y otra de servidores de CPU para gestionar la actividad de los agentes.
La arquitectura distribuida permitiría asignar recursos diferentes a tareas diferentes:
- Racks de GPU: destinados al entrenamiento y a la ejecución intensiva de modelos.
- Racks de CPU: orientados a la coordinación de agentes, el procesamiento de datos y la ejecución de herramientas.
- Infraestructura de red: responsable de comunicar los distintos sistemas con la latencia y el ancho de banda necesarios.
- Sistemas de almacenamiento y memoria: encargados de facilitar el acceso a documentos, bases de datos y otros recursos.
- Capa de gestión y seguridad: responsable de supervisar las operaciones, aplicar permisos y registrar las acciones ejecutadas.
No todas las empresas necesitarán separar físicamente estas funciones en racks distintos. La decisión dependerá del volumen de actividad, de las aplicaciones y de los requisitos de rendimiento. Sin embargo, el planteamiento muestra que la infraestructura debe diseñarse para el flujo de trabajo completo y no únicamente para el modelo de IA.
La cuestión central pasa a ser cómo equilibrar los recursos para evitar que un componente permanezca infrautilizado mientras otro limita el rendimiento.
La electricidad se convierte en un factor decisivo
El consumo energético es uno de los principales condicionantes de la expansión de los centros de datos. Los aceleradores de IA requieren grandes cantidades de energía, pero los procesadores centrales, la memoria, las redes y los sistemas de refrigeración también contribuyen al consumo total.
Añadir CPU sin estudiar el conjunto podría incrementar los costes y la demanda eléctrica sin mejorar proporcionalmente el rendimiento. Por eso, la eficiencia debe medirse en función del trabajo completado y no solo de la potencia teórica de cada componente.
Las empresas necesitan responder a varias preguntas: cuántas tareas puede completar un servidor por unidad de energía, cuánto tarda en terminar un flujo de trabajo y qué coste tiene mantenerlo en funcionamiento.
El número de núcleos, por sí solo, no ofrece una respuesta completa. También importan la arquitectura del procesador, el acceso a memoria, el software, la concurrencia y la comunicación con las GPU.
La disponibilidad de electricidad y de capacidad de refrigeración puede convertirse, además, en una limitación para la construcción de nuevos centros de datos. En ese contexto, mejorar la utilización de los equipos instalados puede resultar tan importante como adquirir procesadores más potentes.
Más agentes no significa automáticamente más productividad
La expansión de los agentes de IA plantea una oportunidad, pero también obliga a evaluar sus costes reales.
Un agente que consulta varias herramientas, ejecuta procesos y verifica resultados puede consumir más recursos que un chatbot que responde a una pregunta sencilla. Si la tarea requiere numerosas llamadas a modelos y operaciones intermedias, el coste computacional puede crecer con rapidez.
El objetivo de una infraestructura bien diseñada consiste en evitar ese gasto innecesario y mantener bajo control la latencia, la seguridad y la fiabilidad.
También es necesario considerar los riesgos operativos. Los agentes pueden ejecutar acciones sobre sistemas empresariales, manejar información sensible o activar procesos automatizados. Por eso, las verificaciones de permisos, la supervisión y los mecanismos para detener operaciones incorrectas forman parte del diseño técnico.
La CPU puede desempeñar un papel importante en esas tareas, pero no garantiza por sí sola que un agente sea seguro. La protección depende de la arquitectura completa, las políticas de acceso, la calidad del software y los controles aplicados.
Las empresas que adopten esta tecnología deberán evaluar si los beneficios obtenidos justifican los recursos consumidos y los riesgos asumidos.
Qué significa este cambio para las empresas
La transición hacia la IA agéntica obliga a revisar la planificación tecnológica. Comprar servidores con muchas GPU puede ser insuficiente si las aplicaciones necesitan ejecutar numerosos procesos auxiliares.
Los responsables de tecnología deben estudiar, entre otros aspectos:
- La carga de trabajo real: qué parte corresponde al modelo y qué parte a las herramientas externas.
- La relación entre CPU y GPU: cuánta capacidad necesita cada componente para evitar cuellos de botella.
- La eficiencia energética: qué recursos consume cada tarea completada.
- La seguridad: cómo se autorizan, supervisan y registran las acciones autónomas.
- El coste total: cuánto cuesta adquirir, operar y mantener la infraestructura.
- La escalabilidad: cómo responderá el sistema si aumenta el número de agentes y de tareas simultáneas.
Esta evaluación es especialmente importante para las empresas que quieren pasar de proyectos piloto a sistemas utilizados de forma permanente. La infraestructura debe responder a la demanda efectiva, no únicamente a las expectativas comerciales sobre la inteligencia artificial.
La nueva batalla tecnológica no se librará solo con GPU
El auge de la IA agéntica está ampliando el papel de los procesadores centrales y obligando a revisar el diseño de los centros de datos. La GPU seguirá siendo fundamental para ejecutar los modelos, pero la CPU gana relevancia en la coordinación de las tareas, el acceso a herramientas y la gestión de los procesos que permiten convertir una respuesta en una acción.
AMD, Intel, NVIDIA y Arm tienen incentivos para aprovechar este cambio, aunque sus oportunidades dependerán de la evolución de la demanda, de la eficiencia de sus productos y de la capacidad de los clientes para desplegar sistemas rentables.
Las previsiones de crecimiento del mercado deben leerse con cautela, especialmente cuando proceden de fabricantes que buscan ampliar sus ventas. La tendencia técnica, sin embargo, es clara: la IA agéntica exige evaluar la infraestructura como un sistema completo.
La próxima fase de la inteligencia artificial no dependerá exclusivamente de tener más GPU, sino de combinar procesadores, memoria, redes y software para ejecutar tareas complejas con eficiencia y seguridad. Esa transformación puede devolver a las CPU un protagonismo que habían perdido durante la primera gran expansión de la IA generativa.
Ahora mismo no se pueden mostrar productos de esta tienda.