La carrera por desarrollar sistemas de inteligencia artificial cada vez más potentes tiene un límite que empieza a condicionar las decisiones de fabricantes, operadores de centros de datos y empresas: la energía disponible. En ese escenario, AMD acaba de presentar un resultado que adelanta sus propias previsiones.
La compañía informó que alcanzó una mejora estimada de cuatro veces en eficiencia energética para cargas de inteligencia artificial entre 2024 y 2026, superando el aumento de tres veces que contemplaba su hoja de ruta para este punto del proceso. El resultado forma parte de una estrategia más amplia que apunta a multiplicar por 20 la eficiencia energética a escala de rack para entrenamiento e inferencia de IA hacia 2030.
Más que una métrica vinculada únicamente a sostenibilidad, el avance toca uno de los mayores desafíos económicos de la infraestructura de IA: conseguir más capacidad de procesamiento sin que el consumo eléctrico, la refrigeración y los costos operativos crezcan al mismo ritmo.
AMD avanza más rápido de lo previsto
El nuevo dato toma 2024 como año base y mide la cantidad de rendimiento que puede obtenerse por cada watt consumido a nivel de rack.
De acuerdo con AMD, el resultado alcanzado a mediados de 2026 combina datos medidos de productos con estimaciones modeladas allí donde todavía no existían cifras definitivas de rendimiento. Por eso, la compañía presenta el valor de 4x como una estimación y no como una medición definitiva de todos los sistemas disponibles.
Aun con esa aclaración metodológica, el dato supera la trayectoria que AMD había proyectado: para este momento esperaba encontrarse aproximadamente en una mejora de 3x.
El fabricante sostiene además que el ritmo actual representa más del doble de la tendencia histórica de mejora observada para el mismo período y lo considera una señal de que su meta para 2030 avanza por delante de lo esperado.
De optimizar chips a optimizar racks completos
Uno de los cambios centrales de la estrategia de AMD es que la eficiencia ya no se mide solamente sobre un procesador o acelerador.
La nueva metodología analiza el funcionamiento del rack completo, incluyendo procesadores, GPU, memoria, redes, almacenamiento, interconexiones, software y diseño del sistema.
Esto responde a una transformación de la propia infraestructura de inteligencia artificial. Los modelos más grandes requieren cada vez más aceleradores trabajando de manera coordinada y, en consecuencia, una parte creciente del consumo energético depende del movimiento de información entre componentes y no exclusivamente del procesamiento.
AMD busca atacar ese problema mediante mejoras en arquitectura, tecnologías de fabricación, ancho de banda de memoria, interconexiones y codiseño entre hardware y software.
La memoria de alto ancho de banda, caches de mayor capacidad y conexiones más rápidas entre CPU y GPU también juegan un papel relevante: cuanto menos energía se desperdicie trasladando datos y esperando información, mayor puede ser el rendimiento obtenido por watt.
El objetivo: 20 veces más eficiencia para 2030
La meta que AMD estableció para esta nueva etapa es ambiciosa: mejorar 20 veces la eficiencia energética a escala de rack entre 2024 y 2030 para cargas representativas de entrenamiento e inferencia.
La compañía plantea dos formas de dimensionar lo que implicaría alcanzar ese objetivo.
Según sus proyecciones, aproximadamente dos racks AMD de 2030 podrían ofrecer una capacidad de cómputo equivalente a 570 racks configurados con tecnología de 2024, en una carga representativa de entrenamiento. Eso permitiría reducir 20 veces el consumo eléctrico asociado durante el uso y disminuir 28 veces la intensidad de carbono, según el escenario modelado por la empresa.
La lectura inversa es igualmente relevante para centros de datos con capacidad energética limitada: manteniendo un presupuesto energético similar, la infraestructura podría proporcionar hasta 20 veces más operaciones de punto flotante por watt que en 2024.
No significa que todos los centros de datos vayan a experimentar automáticamente esas mejoras. Se trata de proyecciones elaboradas sobre configuraciones y cargas representativas, considerando la evolución prevista del hardware, las redes y los sistemas de AMD.
El consumo energético se convierte en una barrera para escalar la IA
El problema que intenta resolver la industria ya no es únicamente disponer de GPU suficientes.
El crecimiento de los clústeres destinados a entrenar y ejecutar modelos está elevando las necesidades de electricidad, refrigeración, espacio físico e infraestructura de red. AMD reconoce en su último informe de responsabilidad corporativa que el avance de la inteligencia artificial y la computación de alto rendimiento está incrementando la presión sobre energía, agua, terrenos y sistemas de refrigeración.
En ese contexto, la eficiencia energética también empieza a transformarse en una variable financiera.
Un sistema capaz de ejecutar una mayor cantidad de cargas dentro del mismo presupuesto eléctrico puede permitir aumentar la capacidad de procesamiento sin ampliar proporcionalmente la infraestructura eléctrica y térmica del centro de datos.
Para proveedores de nube, hyperscalers y grandes empresas, eso impacta directamente sobre el costo total de propiedad (TCO) de los proyectos de inteligencia artificial.
AMD ya había superado su anterior objetivo
El nuevo desafío 20×30 toma como punto de partida otro objetivo energético que la compañía logró superar.
Entre 2020 y 2025, AMD había planteado mejorar 30 veces la eficiencia energética de nodos destinados a entrenamiento de IA y computación de alto rendimiento.
Finalmente consiguió una mejora de 38x, utilizando como referencia un sistema equipado con cuatro aceleradores AMD Instinct MI355X y un procesador AMD EPYC de quinta generación. Según la compañía, esto equivale a reducir aproximadamente un 97% la energía necesaria para obtener el mismo nivel de capacidad de cómputo respecto del sistema utilizado como referencia en 2020.
El cambio hacia la medición a nivel rack refleja ahora una realidad diferente: en la próxima generación de infraestructura, la competencia no dependerá únicamente de quién fabrique el acelerador más potente, sino de qué arquitectura consiga coordinar mejor procesamiento, memoria, redes y software por cada watt disponible.
Qué significa para empresas y proveedores de infraestructura
Para el ecosistema tecnológico, este avance pone la eficiencia energética en el centro de las decisiones de infraestructura.
Integradores, proveedores de centros de datos, fabricantes de servidores y empresas que estén dimensionando proyectos de IA deberán considerar cada vez más métricas como rendimiento por watt, densidad por rack, capacidad de refrigeración y consumo total del sistema, además del rendimiento bruto de CPU y GPU.
También puede modificar el cálculo económico de las implementaciones. Una mayor eficiencia permite aumentar la capacidad de procesamiento dentro de infraestructuras existentes, disminuir necesidades de energía y refrigeración y, potencialmente, acelerar proyectos que de otro modo requerirían ampliaciones físicas del data center.
AMD todavía tiene un largo recorrido para alcanzar su objetivo de 20x en 2030. Sin embargo, llegar a una mejora estimada de 4x en 2026 cuando su hoja de ruta contemplaba 3x muestra hasta qué punto la eficiencia está pasando de ser una característica técnica a convertirse en uno de los principales campos de competencia de la infraestructura de inteligencia artificial.
Preguntas frecuentes
- ¿Cuánto mejoró AMD la eficiencia energética de sus sistemas de IA? AMD estima una mejora de 4x entre 2024 y 2026 a escala de rack, frente al incremento de 3x que proyectaba alcanzar para esta etapa.
- ¿Cuál es el objetivo de AMD para 2030? La compañía busca mejorar 20 veces la eficiencia energética a escala de rack para entrenamiento e inferencia de inteligencia artificial, tomando 2024 como base.
- ¿Cómo mide AMD la eficiencia energética? La metodología compara rendimiento por watt de configuraciones completas de rack e incluye procesamiento, memoria, redes y otras partes del sistema.
- ¿Por qué es importante la eficiencia energética para la IA? Porque permite obtener mayor capacidad de cómputo con la misma cantidad de energía y reducir la presión sobre electricidad, refrigeración e infraestructura de los centros de datos.
