La prueba secreta de Samsung: por qué Claude acaba de entrar en la guerra del diseño de chips

El cuello de botella que se come la mitad de la vida de un chip

La verificación del diseño de chips es el asesino silencioso de los plazos en la industria de semiconductores. Es la fase en la que los ingenieros pasan meses analizando código de pruebas, cazando defectos que podrían convertir un tapeout de miles de millones de dólares en un peso de papel. Esta fase por sí sola consume más de la mitad de la duración de un proyecto de diseño. Por eso la decisión de Samsung de integrar Claude en este flujo de trabajo concreto importa mucho más que un titular sobre una herramienta de inteligencia artificial.

En mayo de 2026, la división System LSI de Samsung comenzó en silencio un ensayo de tres meses ejecutando Claude Code contra sus propias tareas de verificación de diseño. Los resultados no han sido divulgados formalmente por Samsung, pero lo poco que ha surgido pinta el retrato de una compañía que apuesta a que los agentes basados en modelos de lenguaje grandes pueden automatizar un trabajo que tradicionalmente requería ejércitos de ingenieros senior con conocimiento íntimo de los lenguajes de descripción de hardware.

Qué ocurrió realmente en esos tres meses

Según reportes citados por Wccftech, los investigadores de Samsung utilizaron el modelo para construir entornos de verificación, generar automáticamente escenarios de prueba y señalar posibles defectos de diseño. La salida no se confió ciegamente: cada resultado aún requería la aprobación de un ingeniero humano. Pero la arquitectura del flujo de trabajo cambió. En lugar de escribir test benches a mano, los ingenieros ahora revisaban y refinaban código generado por IA. Ese es un trabajo distinto, y transforma quién necesita estar en el equipo.

Choi Ki-young, representante de Anthropic en Corea, describió el esfuerzo como un primerizos en la industria. Dijo que nadie había automatizado previamente esta área del diseño de semiconductores con IA, y que las capacidades de razonamiento de Claude lo hacían particularmente adecuado para la tarea. Esa afirmación generó resistencia. La publicación señaló reportes sobre una alianza entre OpenAI y Broadcom para diseñar su propio chip de inferencia, el inédito Habanero, en solo nueve meses usando modelos no revelados. Si el equipo de silicona propio de OpenAI puede iterar tan rápido, ¿realmente una implementación aislada de Claude es la jugada exclusiva?

El problema mayor es que la afirmación de Choi se refería específicamente a la verificación, no al diseño completo de chips. Verificación y diseño no son lo mismo. Una es el cuello de botella de control de calidad; la otra es el acto creativo. Confundirlas simplifica la historia de más.

La señal de precios debajo del experimento

Mientras Samsung ejecutaba su ensayo, Anthropic lanzó Fastral 5.1 junto con el modelo base Mirus 5.1. La estructura de precios dice qué está optimizando la compañía.

El costo por token de entrada se mantuvo plano en $10 por millón. Los tokens de salida permanecieron en $50 por millón. Pero el precio de lectura en caché se desplomó un 75 por ciento: de $1 por millón bajó a $0,25 por millón. Esto no es un cambio cosmético. Es una señal directa sobre el tipo de carga de trabajo que Anthropic espera dominar.

Las cargas de trabajo de verificación son intensivas en caché. Ingenieros y agentes alimentan repetidamente las mismas especificaciones de diseño, bibliotecas de restricciones y resultados de pruebas previas en el modelo. Una caída del 75 por ciento en el costo de caché hace que exactamente ese patrón sea dramáticamente más barato. Anthropic está fijando precios para el tipo de repetición industrial que exige la verificación de chips, no para tareas creativas puntuales.

Los métricas de rendimiento respaldan la apuesta. En el Artificial Analysis Intelligence Index, Fastral 5.1 obtuvo cuatro puntos por encima de su predecesor y, según se reportó, superó al GPT-5.6 Sol de OpenAI en múltiples benchmarks. Pero el rendimiento es solo la mitad de la ecuación. El costo promedio ponderado por tarea compleja subió un 58 por ciento: de $2,34 a $3,69. Razonamiento más capaz cuesta más. Para una tarea tan costosa, las cuentas solo cierran si los ahorros en tiempo son reales y sustanciales.

Quién gana y quién pierde

Samsung gana si el ensayo comprime los ciclos de verificación sin introducir nuevas tasas de escape de defectos. Un solo porcentaje de reducción en el tiempo de comercialización de un chip de vanguardia se traduce en cientos de millones de dólares en ingresos. La compañía no está gastando billones en esto: está gastando llamadas a la API del modelo y horas de ingenieros contra un problema que ya absorbe los mismos recursos.

Anthropic gana al convertirse en la capa de inferencia predeterminada para las cadenas de herramientas EDA de semiconductores. Si el ensayo de Samsung resulta sólido y escala, todas las compañías fabless coreanas y la mayoría de los proveedores globales de EDA enfrentarán la misma presión para adoptar la tecnología. Anthropic ya está estructurando sus precios para este vertical exacto. La reducción en el precio de caché no fue un descuento: fue una invitación.

OpenAI pierde en este carril específico. La compañía ha apostado fuerte por silicona personalizada y pilas integradas: el chip Habanero, la estrecha vinculación con Broadcom, hardware propietario. Esa es una estrategia distinta, optimizada para entrenamiento e inferencia autoalojada, no para despliegue flexible dentro de flujos de trabajo EDA existentes. El ensayo de Samsung sugiere que el modelo ganador podría no ser el del chip personalizado más rápido, sino el que se integra de manera limpia en las herramientas que los ingenieros ya usan.

Los equipos de ingeniería enfrentan el desenlace más complicado. La automatización que realmente funciona reduce el trabajo mecánico pero eleva el piso de habilidades. Revisar código de pruebas generado por IA no es más fácil que escribirlo desde cero: requiere un entendimiento más profundo tanto del diseño como de los modos de falla del modelo. Los ingenieros que prosperen serán aquellos capaces de detectar cuándo Claude está erróneamente seguro.

Por qué esto resuena mucho más allá de Corea

La cadena de suministro de semiconductores funciona con talento especializado, y ese talento está concentrado en un puñado de países. Corea, Taiwán y Estados Unidos dominan el diseño; la manufactura es más estrecha. Cualquier ganancia de productividad en verificación se propaga por cada nodo. Una fundición en Taiwán que vea a Samsung comprimir su línea de tiempo de verificación incluso un diez por ciento exigirá la misma compresión de sus propios clientes.

El ensayo también revela un cambio estructural. La adopción de IA en semiconductores se ha mantenido mayormente dentro del software: generación de código, documentación, asistencia en depuración. Mover la IA al pipeline de diseño físico, donde los errores cuestan decenas de millones por iteración, es cualitativamente distinto. Es la diferencia entre usar IA para escribir un memorándum y usar IA para evitar que un puente se derrumbe. Los estándares de confiabilidad, auditabilidad y seguridad cambian por completo.

Samsung no ha anunciado un lanzamiento comercial. No se han publicado términos contractuales. El ensayo podría fallar. El modelo podría introducir errores que se filtren hacia el tapeout. Las restricciones de seguridad podrían limitar qué tan profundamente Claude puede integrarse con herramientas de diseño propietarias. Todo esto sigue siendo posible.

Pero la dirección está clara. La carrera armamentista de IA ya no compite solo por usuarios de chat y dólares en la nube. Está entrando en la cadena de suministro física, tarea de verificación tras tarea de verificación. Las compañías que traten esto como una historia de software perderán de vista la manufacturera.