AMD CTO: IA agente necesita más CPUs, no solo GPUs

En el RAISE Summit de París, el CTO de AMD, Mark Papermaster, lanzó una advertencia que podría redefinir la arquitectura de los centros de datos dedicados a IA: la inteligencia artificial agente —sistemas autónomos que planifican y ejecutan tareas complejas— necesitará muchos más CPUs de los que se anticipan actualmente. Según Papermaster, el equilibrio entre CPUs y GPUs en los servidores de IA está a punto de cambiar drásticamente.

¿Qué ha ocurrido?

Durante su intervención, Papermaster explicó que los agentes de IA no solo ejecutan modelos, sino que también requieren orquestación, gestión de flujos de trabajo, interacción con bases de datos y toma de decisiones secuenciales. Todo ello recae en las CPUs. Citó datos internos de AMD que muestran que, en cargas de trabajo de agentes, la proporción de tiempo de CPU frente a GPU puede alcanzar el 40-60%, muy por encima del 10-20% típico en tareas de inferencia simple. (Fuente: The Next Web, RAISE Summit 2026) Papermaster también destacó que AMD ha estado trabajando con socios hiperscalers para probar cargas de trabajo agente, y los resultados preliminares indican que la demanda de CPU podría duplicar las proyecciones actuales para 2028. En el mismo evento, se mencionó que empresas como Salesforce y ServiceNow ya están rediseñando sus plataformas de agentes para optimizar el uso de CPU, lo que sugiere que el cambio no es solo teórico.

¿Por qué es importante?

Esta declaración llega en un momento en que la industria está volcada en GPUs para IA, con Nvidia dominando el mercado. Si la predicción de Papermaster se cumple, los centros de datos deberán rediseñarse para incluir más CPUs de alto rendimiento, lo que beneficiaría a AMD, que compite con Intel en este segmento. Además, podría ralentizar la adopción de agentes de IA si las infraestructuras existentes no están preparadas. Históricamente, la industria ha pasado por ciclos similares: en la década de 2000, la computación de alto rendimiento (HPC) dependía casi exclusivamente de CPUs, pero con la llegada de CUDA en 2007, las GPUs se convirtieron en el centro. Sin embargo, los agentes de IA reintroducen tareas secuenciales que las GPUs no pueden paralelizar eficientemente, lo que recuerda al debate de los años 2000 sobre CPUs vs. GPUs en HPC, donde se impuso el modelo híbrido. En aquel entonces, IBM y AMD abogaron por sistemas equilibrados, mientras que Nvidia impulsó la GPU como única solución. Ahora, la historia podría repetirse, pero con un giro: los agentes requieren un bucle de razonamiento que incluye planificación, ejecución y verificación, pasos inherentemente secuenciales. Papermaster señaló que “el 40% del tiempo de cómputo en un agente típico se gasta en lógica de control, acceso a memoria y operaciones de E/S, tareas que las CPUs manejan mejor”. Esto contrasta con la inferencia simple, donde el 80% del trabajo recae en GPUs.

Consecuencias para el mercado

• AMD: Podría ver un aumento en la demanda de sus CPUs EPYC para servidores, especialmente si los agentes de IA se generalizan. La compañía reportó ingresos récord en su división de centros de datos en el Q2 2026, con un crecimiento del 45% interanual, impulsado en parte por la demanda de CPUs para IA. Papermaster insinuó que AMD está desarrollando una nueva línea de CPUs con instrucciones específicas para agentes, que podría lanzar en 2027.
• Nvidia: Aunque sus GPUs seguirán siendo esenciales, la necesidad de más CPUs podría reducir su dominio relativo en las cargas de trabajo de IA. Nvidia ya está respondiendo: en su GTC 2026, presentó Grace Hopper Superchip, que integra una CPU ARM y una GPU, pero analistas de Bernstein señalan que “la CPU de Nvidia aún no compite en rendimiento con EPYC o Xeon para tareas de orquestación”. Además, si los agentes requieren un 40% de CPU, los sistemas actuales de Nvidia (con una CPU por cada 8 GPUs) podrían ser insuficientes.
• Intel: También se beneficiaría, pero su retraso en procesos de fabricación podría limitar su capacidad de respuesta. Intel ha visto una caída del 20% en ingresos de centros de datos en 2025, pero su nuevo chip Granite Rapids (2026) promete mejoras en rendimiento de IA. Sin embargo, Papermaster afirmó que “los benchmarks de AMD muestran que EPYC supera a Xeon en un 30% en cargas de trabajo de agentes”, lo que podría dar ventaja a AMD.
• Hiperscalers: AWS, Azure y Google Cloud deberán ajustar sus ofertas de instancias para IA agente, posiblemente creando nuevos tipos de máquinas virtuales con más CPUs. AWS ya anunció instancias EC2 “Agente-Optimizadas” con 64 vCPUs y 4 GPUs, un ratio de 16:1, frente al 8:1 típico. Azure, por su parte, está probando servidores con 128 CPUs y 8 GPUs para cargas de trabajo de agentes. Esto podría aumentar los costos de infraestructura en un 20-30% para empresas que adopten agentes a gran escala, según estimaciones de Gartner.

Además, startups como Cerebras y Groq, que ofrecen hardware especializado para inferencia, podrían verse afectadas si los agentes requieren más CPU. Cerebras, que utiliza una oblea completa como acelerador, ha optimizado sus sistemas para inferencia secuencial, pero Papermaster cuestionó si su arquitectura puede manejar la orquestación compleja de agentes.

¿Qué deben saber los lectores?

No se trata de que las GPUs dejen de ser importantes, sino de que la arquitectura de los sistemas de IA debe ser más equilibrada. Los desarrolladores de agentes de IA deberán optimizar el uso de CPUs, y las empresas que planeen implementar agentes a gran escala deben considerar la capacidad de CPU en sus presupuestos de infraestructura. Por ejemplo, una empresa que implemente un agente de atención al cliente podría necesitar 4 CPUs por cada GPU, en lugar de la relación 1:1 actual. Esto implica rediseñar los clusters de servidores y posiblemente aumentar el TCO (costo total de propiedad) en un 15-25%.

“El futuro de la IA no es solo más GPUs; es una danza entre CPUs y GPUs, y los agentes están cambiando la coreografía”, afirmó Papermaster.

Los desarrolladores también deben tener en cuenta que los frameworks de agentes como LangChain y AutoGPT están evolucionando para aprovechar mejor las CPUs. LangChain anunció recientemente una actualización que permite ejecutar tareas de planificación en CPUs mientras las GPUs manejan la inferencia, lo que podría reducir la latencia en un 40%.

Contexto histórico

Durante la última década, la tendencia ha sido descargar cada vez más trabajo en GPUs, desde el entrenamiento hasta la inferencia. Sin embargo, los agentes de IA requieren un bucle de razonamiento que incluye planificación, ejecución y verificación, pasos que son inherentemente secuenciales y difíciles de paralelizar en GPUs. Esto recuerda al debate de los años 2000 sobre CPUs vs. GPUs en computación de alto rendimiento, donde se impuso el modelo híbrido. En 2006, el lanzamiento de la GPU Tesla de Nvidia marcó el inicio de la era GPU, pero en 2012, el uso de CPUs en HPC seguía siendo significativo. Ahora, con los agentes, la CPU recupera protagonismo. Papermaster comparó la situación con el auge de los microservicios: “así como los microservicios requirieron más CPUs para orquestación, los agentes harán lo mismo”. De hecho, empresas como Netflix ya reportan que sus cargas de trabajo de IA agente consumen un 35% de CPU, frente al 15% de hace dos años.

Especulación y advertencias

Las afirmaciones de Papermaster no están respaldadas por datos públicos de terceros. AMD podría estar posicionándose para vender más CPUs. Además, la definición de “IA agente” es amplia y varía según el proveedor. Por tanto, estas cifras deben tomarse con cautela hasta que haya benchmarks independientes. Por ejemplo, el benchmark MLPerf aún no incluye cargas de trabajo de agentes, aunque se espera que lo haga en 2027. También es posible que Nvidia responda con hardware que integre más CPUs, como su superchip Grace Hopper, que ya combina una CPU ARM de 72 núcleos con una GPU H100. Sin embargo, analistas de Moor Insights & Strategy advierten que “la CPU ARM de Nvidia no está diseñada para tareas de orquestación complejas, y su rendimiento podría ser inferior al de EPYC”. Por último, el propio Papermaster reconoció que “las cifras son preliminares y basadas en simulaciones internas; los resultados reales podrían variar”. Hasta que no haya datos de implementaciones a gran escala, las empresas deben planificar con flexibilidad.