El uso de la inteligencia artificial agéntica en el diseño de chips está pasando de acelerar tareas individuales, como la generación de RTL o la depuración, a ejecutar flujos más largos que incorporan varios agentes y herramientas. Sin embargo, este avance no significa que el diseño del chip se haya convertido en un proceso completamente autónomo; antes de desplegar los agentes, los ingenieros deben construir lo que puede describirse como «andamiaje humano»: definir el conocimiento específico del dominio, determinar la intención del diseño y crear una arquitectura operativa que controle las herramientas, la memoria, los bucles de ejecución y los puntos de verificación.
Esta conclusión destacó en una mesa redonda organizada por Semiconductor Engineering a puerta cerrada durante la conferencia Design Automation Conference, en la que participaron Matt Graham, de Cadence; Harrison Balistreri, de ChipAgents; Alexander Petr, de Keysight EDA; Sathish Balasubramanian, de Siemens EDA; y Anand Thiruvengadam, de Synopsys. Liz Allan, directora editorial de Semiconductor Engineering, publicó extractos del debate el 27 de agosto de 2026.
De agentes de tareas a flujos completos de diseño
Los participantes afirmaron que los clientes han comenzado a utilizar la inteligencia artificial agéntica en entornos de producción para abordar puntos problemáticos específicos, manteniendo la intervención humana en las tareas pequeñas. Los usos actuales incluyen la generación de RTL, la verificación, la depuración y el cierre de cobertura, mientras que el objetivo más amplio consiste en proporcionar una especificación y obtener finalmente un diseño que pueda convertirse en GDS II o en un chip. Sin embargo, según el debate, este escenario completo aún no se ha logrado de forma generalizada y sin intervención humana.
Balasubramanian señaló que el enfoque está pasando de un único agente a la coordinación de flujos o de múltiples subagentes. Balistreri habló de resultados completamente autónomos en flujos de ingeniería específicos, como el cierre de cobertura mediante enjambres multiagente, siempre que se comprendan el contexto de la organización y los detalles de la forma en que el cliente ejecuta el trabajo. Graham destacó la expansión del uso desde el front-end del diseño digital hacia el diseño analógico y mixto, la implementación digital, el diseño completo, las placas de circuito, el empaquetado e incluso los flujos multifísicos.
En la práctica, esto significa que el alcance de la automatización se amplía desde el propio chip hacia un ecosistema de múltiples chips y los sistemas relacionados. Petr afirmó que la inversión se dirige a tecnologías multi‑chip, la pila de inteligencia artificial y la fotónica, porque la expansión ya no se basa únicamente en un chip individual. Sin embargo, también señaló que los agentes manejan con mayor facilidad los ámbitos basados en software y código, mientras que las áreas que dependen de interfaces de usuario y del ratón siguen siendo más difíciles.
La ontología y el cinturón agéntico antes de ejecutar el modelo
La tarea principal del ingeniero, según los participantes, no consiste en escribir más código para los agentes, sino en describir el dominio en el que trabajarán. La ontología es aquí una representación estructurada de los conceptos, las relaciones y el conocimiento específicos del área de diseño. El ingeniero debe definir criterios como la potencia, el rendimiento y el área, los límites aceptables y los parámetros que los agentes pueden explorar, vinculando todo ello con la intención del diseño y con el resto de las etapas del flujo.
El «cinturón agéntico» es la capa de software que rodea al modelo e incluye las herramientas, los módulos de memoria, los bucles de ejecución y las barreras de protección. El debate subraya que su valor no aparece simplemente al conectar un modelo lingüístico general con una herramienta, sino al adaptarlo a las tareas de diseño de chips y al contexto de la organización. La ontología también debe extenderse a todo el flujo, en lugar de limitarse a un proceso de verificación individual o a un único equipo de IP, porque las modificaciones y los nuevos datos pasan entre múltiples etapas y equipos.
La autonomía no elimina la verificación humana
Las opiniones coinciden en que la confianza en los resultados es el principal obstáculo práctico. Thiruvengadam considera que los seres humanos conservarán dos funciones principales: definir la intención del diseño y verificar que los resultados sean auditables y correctos. Por ello, los sistemas deberían presentar sus resultados de una manera que el ingeniero pueda comprender y comprobar rápidamente, con puntos de parada claros y una interfaz adecuada; de lo contrario, las salidas del agente se convertirían en un nuevo cuello de botella en lugar de eliminar el trabajo manual.
Balistreri sostiene que depender de una revisión humana de cada salida limita el rendimiento esperado de la autonomía. Por eso, los propios bucles de los agentes deberían incluir puertas de control que impidan determinadas categorías de errores críticos. Mencionó el ejemplo de las excepciones del modelo de cobertura, en el que el agente podría decidir eliminar la cobertura en un lugar que no debería estar exento, creando una gran carga para la revisión humana. Por su parte, Balasubramanian y Graham subrayaron que los modelos lingüísticos son no deterministas y que sus selecciones o sugerencias no sustituyen a los motores deterministas de firma y verificación matemáticamente precisos.
¿Qué está cambiando realmente?
La verdadera transformación no consiste en sustituir los motores de EDA, sino en colocar la inteligencia artificial sobre ellos y conectarlos dentro de bucles de ejecución más largos, con mayor capacidad para explorar el espacio de diseño. Los participantes afirman que los clientes han comenzado a observar un retorno positivo de la inversión y beneficios tangibles en verificación, implementación y algunas aplicaciones analógicas y de sistemas, incluidas las estructuras térmicas y temas relacionados con CMT, o transición del modo común.
Sin embargo, estos resultados no demuestran que «un único agente» vaya a controlar todo el proceso de diseño. Sigue abierta la cuestión de si la industria se orientará hacia un único agente superinteligente, hacia varios agentes y marcos especializados, o hacia que cada empresa elija su propio marco. Según Graham, el coste de los tokens también ha surgido como un elemento importante de planificación para los clientes, junto con la necesidad de integrar la inteligencia artificial con los motores fundamentales, que siguen siendo esenciales cuando el coste del error es elevado.
Lectura editorial: los datos indican que el cuello de botella está pasando de escribir instrucciones a diseñar el contexto, la gobernanza y la verificación. Los equipos de diseño de chips que poseen un conocimiento preciso de sus flujos se verán más afectados que otros, pero la fuente no proporciona mediciones uniformes de los beneficios ni fija una fecha para alcanzar un flujo completamente autónomo. Por ello, las afirmaciones sobre «autonomía» y «retorno positivo» deben tratarse como resultados comunicados por los participantes y los clientes, no como un estándar general demostrado para todos los proyectos de diseño de chips.