Durante este año, Amazon Web Services (AWS) emitió un nuevo mandato urgente a sus ingenieros: conservar al máximo los ciclos de CPU. La empresa ha enfrentado un aumento exponencial en los tiempos de espera para acceder a capacidad de servidores de CPU, impulsado por el auge de las cargas de trabajo de inteligencia artificial. Aunque inicialmente la atención se centró en GPUs y memoria, las demandas por CPUs han resurgido con fuerza, especialmente por el crecimiento de la IA agente, un modelo que permite que los sistemas operen de forma autónoma mediante la creación de múltiples agentes.

La clave está en la arquitectura de estos agentes. A diferencia de los modelos tradicionales de IA que dependen en gran medida de GPUs para procesar datos en paralelo, los sistemas agenteicos generan una red compleja de sub-agentes que ejecutan tareas secuenciales y requieren un procesamiento intensivo de lógica, parseo de información y comunicación entre componentes. Según Matt Kimball, vicepresidente de Moor Insights & Strategy, para 2026 la demanda de CPU podría aumentar drásticamente. Un agente puede spawnear cientos de miles o incluso millones de sub-agentes, cada uno consumiendo recursos de CPU para realizar operaciones como llamadas a APIs, análisis de datos o interacción con otros agentes a través de protocolos como el de Anthropic. Esta escalabilidad plantea un desafío único: los GPUs, aunque eficientes para cálculos paralelos, no son óptimos para gestionar la lógica controladora y las tareas de coordinación que requieren CPUs.

Souvik Kundu, científico de investigación en Intel, explica que muchas funciones de la IA agente son inherentemente CPU-dependientes. Por ejemplo, cuando un modelo de lenguaje de gran tamaño (LLM) decide usar una herramienta externa para completar una tarea, como acceder a un archivo en un escritorio o navegar por internet, ese proceso de toma de decisiones y ejecución se realiza en la CPU. 'La CPU no solo parsea la salida del modelo, sino que también decide qué herramienta invocar y cómo estructurar las solicitudes', señala Kundu. Esta dependencia es crítica porque, aunque la inferencia del modelo inicial puede ocurrir en un acelerador de IA, las operaciones posteriores generan una carga computacional significativa en la CPU.

El impacto de esta tendencia es profundo para la infraestructura en la nube. AWS no está sola: otras plataformas enfrentan desafíos similares al intentar escalar servicios que combinan IA agente con herramientas de software. La problemática no solo es la cantidad de CPU necesaria, sino también la eficiencia con que se puede optimizar su uso. Las empresas que adoptan IA agente deben prepararse para una demanda impredecible, donde el número de agentes activos puede crecer exponencialmente en función de las interacciones del usuario. Además, la falta de paralelización inherente a las CPUs en comparación con las GPUs plantea un dilema técnico: ¿cómo equilibrar el costo de los recursos con el rendimiento requerido para aplicaciones críticas?

Este cambio en la dinámica de la computación también tiene implicaciones económicas y estratégicas. Las empresas que invierten en IA agente deben replantear su infraestructura para priorizar CPUs junto con GPUs, algo que antes era una consideración secundaria. Por otro lado, proveedores como Intel y AMD podrían beneficiarse al desarrollar CPUs más especializadas para este tipo de cargas de trabajo. Sin embargo, la competencia por recursos de CPU podría elevar precios o limitar la disponibilidad en el mercado en los próximos años. Para los profesionales de la tecnología, esto representa una oportunidad para innovar en la optimización de algoritmos y la gestión de recursos, asegurando que la IA agente no se convierta en un cuello de botella para la adopción de tecnologías avanzadas.

En resumen, la vuelta de los CPU no es una regresión, sino una evolución natural en la computación. La IA agente exige un enfoque híbrido donde GPUs y CPUs trabajen en conjunto, con la última asumiendo un papel central en la coordinación y ejecución de tareas complejas. La lección clave es que la escalabilidad de la IA no solo depende de la potencia bruta de los aceleradores, sino también de la capacidad de los sistemas para gestionar eficientemente los recursos disponibles. Como advierte Kimball, si no se aborda este desafío, las empresas podrían enfrentar interrupciones de servicio o costos insostenibles en un futuro donde la IA agente se integre en casi todas las operaciones digitales.