La IA agente llega al diseño de chips para paliar la escasez de ingenieros, no para sustituirlos

Por Zendoric · 22 de julio de 2026.

Durante décadas, la industria del diseño electrónico automatizado (EDA, las herramientas de software con las que se diseñan y verifican chips) mejoró su productividad con motores más rápidos: simuladores más potentes, herramientas formales más escalables, solvers de mayor capacidad. Según defiende Harry Foster, científico jefe de verificación en Siemens Digital Industries Software, esa vía ha tocado techo. El problema ya no es cuánto cómputo mueve una herramienta, sino la coordinación entre herramientas, especificaciones cambiantes e ingenieros que deben interpretar resultados y ajustar estrategia en cada iteración.

El artículo, publicado como columna de opinión en Tech Wire Asia, sitúa el problema en un contexto muy concreto: la escasez de talento especializado en verificación de chips (RTL, el nivel de descripción del hardware —register-transfer level— sobre el que se comprueba que un diseño hace lo que debe antes de fabricarlo). Análisis públicos citados en la pieza cifran en varios cientos de miles el déficit de talento semiconductor en China. Malaysia ha lanzado su Estrategia Nacional de Semiconductores para formar a 60.000 ingenieros de alta cualificación; Vietnam ha aprobado un programa que aspira a 50.000 profesionales con al menos grado universitario en diseño, empaquetado, testeo y fabricación de chips para 2030. La conclusión de Foster: los planes de formación tardan años en madurar, pero la complejidad de los diseños crece ya.

Su propuesta es la IA agéntica aplicada a tareas muy delimitadas: agentes que observan el estado de la verificación, planifican acciones acotadas, las ejecutan y resumen resultados, integrados directamente en las mismas herramientas de verificación (lo que él llama interfaces "engine-native") en lugar de operar por fuera analizando logs o generando scripts sueltos. Los casos de uso que cita —desarrollo de RTL, análisis estático y de lint, cruce de dominios de reloj, planificación de la verificación y depuración de errores— comparten un mismo patrón: automatización acotada, contexto amplio y el ingeniero conservando la autoridad de cierre (sign-off) en cada decisión relevante.

Conviene leer esta pieza con el filtro correcto: es una columna firmada por un directivo de una de las grandes proveedoras de software EDA del mundo, no un estudio independiente. No aporta cifras de productividad medidas, solo un marco conceptual y la promoción implícita de un enfoque que beneficia directamente el negocio de Siemens. Eso no invalida el argumento —el diagnóstico sobre el cuello de botella de coordinación es coherente con lo que llevamos tiempo viendo en otros dominios de la IA agéntica—, pero sí obliga a tratarlo como tesis de un interesado, no como dato verificado.

Dicho esto, el caso es un contrapunto útil a nuestro hilo sobre IA y empleo. En back-office administrativo, la presión de la IA agéntica es sustitutiva: automatiza tareas que antes hacían personas y reduce plantillas. Aquí ocurre lo contrario: la demanda de ingenieros de verificación supera con mucho la oferta, así que el rol de la IA no es competir por un trabajo escaso, sino estirar un talento que ya falta. Es la otra cara de la moneda del mismo fenómeno tecnológico, y encaja con nuestra tesis de fondo: donde hay escasez real de capacidad humana especializada, la IA amplifica en lugar de desplazar.

Hay además una razón estructural, no solo retórica, para que aquí no se hable de autonomía plena. Un error en el back-office se corrige con un parche al día siguiente; un error que se cuela en un chip ya fabricado exige un "respin" —volver a diseñar y fabricar la oblea— que cuesta meses y millones de dólares. En un dominio donde el fallo es irreversible y físico, tiene sentido que el diseño de estos sistemas insista en puntos de aprobación explícitos y en que la autoridad de cierre siga siendo humana, incluso a medida que la capacidad de los modelos siga subiendo. Es un recordatorio de que "cuánto autonomiza la IA" no es una cuestión solo de capacidad técnica, sino de cuánto cuesta equivocarse.

A más largo plazo, si estas herramientas cumplen lo que prometen, el efecto de red no es menor: la construcción de la infraestructura de IA depende, en última instancia, de que se fabriquen más chips y mejores, y eso depende de que haya suficientes ingenieros de verificación para no frenar la cadena. Amplificar ese talento escaso con IA acotada no es la parte más vistosa de la revolución de los agentes, pero es exactamente el tipo de fricción invisible que, resuelta, acelera todo lo demás.