Anthropic trasladó Claude a AMD en 3 días en lugar de 6 a 12 meses con ayuda de la IA

Si alguna vez has intentado ejecutar código escrito para CUDA en cualquier otra cosa, conoces la sensación: en teoría todo es posible, pero en la práctica son seis meses de trabajo. Esa barrera ha protegido a Nvidia durante años más que los propios chips. Ahora Anthropic dice que ha aprendido a sortearla con su propio modelo.

Qué afirmó exactamente Anthropic

Según el cofundador y director de computación Tom Brown, la empresa entrena y ejecuta Claude en las cuatro grandes familias de chips: AWS Trainium, Google TPU, GPU de Nvidia y GPU de AMD. Cada una requiere su propio software y su propio stack de inferencia, lo cual es caro y lento. Anthropic apostó pronto por una estrategia multichip, cuando la mayor parte de la industria la consideraba un esfuerzo que no merecía la pena. Desde entonces, la compañía lleva años invirtiendo en esta ingeniería y, según Brown, se ha vuelto «increíblemente buena» en ella.

El ejemplo más concreto es AMD. Este año Anthropic utilizó por primera vez GPU de AMD y encargó el trabajo a su modelo de vanguardia, Mythos. Según la compañía, Claude funcionó en AMD en tres días casi sin intervención humana. El modelo escribió o portó casi el 100 % de los kernels. Los kernels son programas de bajo nivel que realizan los cálculos directamente en la GPU, y suelen ser lo que ata el código a un hardware concreto. Tradicionalmente, un lanzamiento así requiere de seis a doce meses de decenas de ingenieros. Las cifras de la presentación se refieren al procesamiento de prompts de un modelo de Anthropic en GPU AMD MI355X.

Por qué importa más allá de Anthropic

Imagina una aplicación atada al SDK de una sola nube. Cada migración supone reescribir cientos de integraciones, así que nadie migra. Si la IA hace esa migración en un fin de semana, la dependencia del proveedor deja de ser un muro y pasa a ser una partida de gasto más. Con CUDA ocurre lo mismo: retiene a los desarrolladores no por su calidad, sino por el coste de salir.

Si el panorama es correcto, las empresas podrán elegir chips por precio y disponibilidad, no por compatibilidad. Con escasez de capacidad de cómputo, es una ventaja seria. Además, unos chips se adaptan mejor al entrenamiento y otros a la inferencia. El margen de Nvidia supera el 70 %, algo inusualmente alto para hardware, y la reducción del coste de cambio le afecta directamente.

Anthropic habla también de «multiplicadores de cómputo»: técnicas de investigación que sacan más partido al mismo hardware físico. Además, la compañía desarrolla el programa Anthropic Direct: alquila chips y los opera ella misma en centros de datos construidos específicamente, para reducir el coste total de propiedad. A futuro, Claude debería encontrar por sí mismo esos multiplicadores. Sería la automejora recursiva que tanto se debate en la industria, pero que nadie ha demostrado todavía.

Salvedades y dinero

La principal salvedad: todas las cifras proceden de una presentación para inversores y no se han verificado de forma independiente. Es material de una empresa que se prepara para una salida a bolsa. Su solicitud S-1/A se presentó ante la SEC el 10 de noviembre de 2026. Además, «tres días» significa alcanzar un nivel de rendimiento funcional, no necesariamente la paridad con kernels optimizados a mano para CUDA. Y se trata del modelo cerrado de vanguardia Mythos en manos de un equipo que lleva años construyendo infraestructura multichip. A los equipos corrientes nadie les promete un resultado así en tres días.

Hay también un contexto que conviene recordar: las dos empresas de GPU están vinculadas financieramente con Anthropic. En noviembre de 2025, dentro de un acuerdo de 45.000 millones de dólares con Microsoft, Nvidia prometió invertir hasta 10.000 millones. También participa en una colocación privada condicional de 26.000 millones de dólares, en la que siete empresas tecnológicas compran acciones al precio de la salida a bolsa. En julio de 2026, AMD anunció inversiones estratégicas de hasta 5.000 millones de dólares. A cambio, Anthropic planea desplegar hasta dos gigavatios de GPU Instinct MI455X en racks Helios, y el primer gigavatio debería arrancar en la primera mitad de 2027.

Qué hacer con esto en la práctica

Para los ingenieros que trabajan en inferencia, la conclusión principal es esta: merece la pena probar el porteo de kernels con un agente de IA al menos en uno o dos de los operadores más críticos. Antes, un experimento así parecía una locura; ahora puede amortizarse ya en un piloto.

Los equipos de producto y los fundadores deberían incluir la multiplicidad de proveedores en sus planes y contratos, sobre todo si sus gastos de cómputo crecen más rápido que los ingresos. La posición negociadora frente a proveedores de hardware y de nube mejora notablemente cuando se dispone de una alternativa creíble.

Aun así, no conviene esperar milagros: «funciona» y «funciona tan rápido y barato como en CUDA» son cosas distintas. Mientras no haya mediciones independientes, es una afirmación contundente, no un hecho demostrado. Pero el cambio ya es visible: la IA empieza a romper la dependencia del hardware en la que se apoyaba parte del poder de mercado de Nvidia.