La carrera por abaratar la inteligencia artificial ya no se juega solo en los modelos. También se libra en los chips que permiten ejecutarlos cada vez que un usuario escribe una pregunta, genera una imagen o pide a un agente que complete una tarea.
Etched, una startup estadounidense fundada en 2022, acaba de colocarse en el centro de esa pelea. Según publicó TechCrunch, la compañía ha cerrado financiación hasta alcanzar una valoración de 5.000 millones de dólares y asegura contar con más de 1.000 millones en contratos para sus primeros sistemas de inferencia.
El punto importante está en la palabra inferencia. Entrenar un gran modelo consume enormes cantidades de cómputo, pero ejecutarlo millones de veces al día también se ha convertido en uno de los mayores costes para las empresas de IA. Cada respuesta de un chatbot, por ejemplo, pasa por esa fase.
Etched quiere atacar ese cuello de botella con una propuesta de hardware más especializada que una GPU generalista. La empresa llama a su producto frontier inference clusters: racks completos que combinan chips propios, software, sistemas de refrigeración y diseño de fabricación para acelerar cargas de IA avanzadas.
La propia compañía afirma que su primer silicio A0 ya salió de fabricación en TSMC N4P y que está validando el producto con clientes. También dice haber levantado 800 millones de dólares en cuatro financiaciones no anunciadas y haber iniciado producción para cubrir más de 1.000 millones en contratos.
Las cifras clave de la operación son estas:
- 5.000 millones de dólares de valoración posmoney.
- 500 millones en la última ronda, cerrada en diciembre.
- 800 millones levantados desde su fundación.
- Más de 1.000 millones en demanda contractual para sus primeros racks.
La tesis de Etched es clara: si los modelos de IA van a operar a escala masiva, no bastará con comprar más GPUs. Hará falta hardware diseñado para los patrones concretos de inferencia, desde modelos con billones de parámetros hasta cargas con contexto largo y sistemas de agentes.
La compañía habla de dos piezas técnicas centrales. La primera es Low Voltage Inference, una arquitectura que busca operar los bloques matemáticos del chip a menor voltaje para mejorar densidad de cómputo y limitar problemas térmicos. La segunda es Cluster Scale Memory, un diseño híbrido de memoria que intenta reducir latencia al mover datos entre chips.
Ese enfoque todavía necesita una lectura prudente. Etched no ha publicado benchmarks completos verificados por terceros, y la propia empresa dice que dará más detalles de rendimiento y hoja de ruta durante el verano. En chips de IA, las promesas técnicas importan, pero la producción, el rendimiento real y la disponibilidad pesan igual o más.
El contexto explica por qué los inversores están mirando esta categoría con tanta atención. Nvidia sigue siendo la referencia dominante en aceleradores de IA, pero el mercado se está llenando de alternativas: desde chips internos de Amazon, Google y Microsoft hasta compañías como Groq, Cerebras o proyectos a medida con Broadcom.
Para los clientes, el incentivo es sencillo. Si una empresa puede reducir el coste por respuesta sin sacrificar latencia, puede servir más usuarios con el mismo presupuesto de infraestructura. Esa diferencia se nota en productos cotidianos como asistentes de programación, buscadores con IA o herramientas de atención al cliente.
Etched aún tiene que demostrar que puede pasar de la validación inicial a entregas sostenidas. Pero su nueva valoración muestra algo más amplio: el mercado ya no ve los chips de IA como una categoría secundaria, sino como una pieza estratégica para decidir quién controla el coste real de la inteligencia artificial.
