La expansión de la inteligencia artificial no ha cambiado un hecho fundamental de la industria de los semiconductores: el desarrollo de hardware y software todavía se lleva a cabo, en gran medida, mediante dos procesos separados. Un análisis publicado por Semiconductor Engineering el 15 de septiembre de 2026 señala que los beneficios del diseño conjunto de ambos lados se conocen desde hace años, pero que su aplicación a gran escala sigue chocando con obstáculos organizativos y técnicos que la inteligencia artificial aún no ha resuelto.
El problema comienza en la propia estructura de los equipos de trabajo. Los ingenieros de hardware y software utilizan herramientas y lenguajes diferentes, y trabajan con calendarios y ritmos de desarrollo no sincronizados. En el modelo tradicional, el diseño llega a la fase de producción del chip antes de que los equipos de software se encarguen de adaptarle el sistema, incluido el tratamiento de los cambios y errores conocidos como errata. Sam Grove, responsable de software y herramientas en MIPS/GlobalFoundries, describe esta situación como una entrega tardía que deja al equipo de software bajo presión para poner el producto en funcionamiento, en lugar de participar en el diseño de la siguiente generación.
La brecha no es solo organizativa
Incluso cuando las empresas intentan aplicar la integración continua, la rapidez para obtener un resultado fiable sigue siendo un obstáculo central. Frank Schirrmeister, director ejecutivo de programas estratégicos para soluciones de sistemas en Synopsys, señala que pasar de las especificaciones a un modelo de hardware y software puede ser muy rápido, siempre que sea posible simular el sistema a la velocidad suficiente.
Existen prototipos virtuales, simulación, herramientas de emulation y modelos basados en FPGA, pero cada opción implica una compensación diferente entre precisión, rendimiento y tiempo de ejecución. El modelo virtual puede ayudar a probar pronto el impacto del software en la arquitectura, mientras que la simulación o el modelado más detallado ofrecen una visión mejor del rendimiento y el consumo energético. Sin embargo, ejecutar una carga de trabajo completa y representativa del producto final sigue siendo mucho más difícil que probar una función pequeña o una carga sintética.
La dificultad aumenta cuando los equipos quieren ejecutar la misma carga de trabajo en varias etapas, desde la plataforma virtual hasta la emulation, luego el modelo basado en FPGA y finalmente el silicio. Probar diez segundos de tiempo de ejecución del chip puede no resultar práctico en simulación, lo que obliga a determinar qué parte puede ejecutarse en cada etapa, en lugar de suponer que un único modelo cubrirá todos los usos.
Las especificaciones compartidas son un requisito previo para la inteligencia artificial
Los expertos consideran que el primer requisito es crear especificaciones completas y enriquecidas que puedan utilizar conjuntamente los ingenieros y los agentes de inteligencia artificial. Según el artículo, hoy solo lo hacen sectores limitados, entre ellos, en mayor medida, las industrias militar y aeroespacial. Sin este tipo de especificaciones, la inteligencia artificial no dispone de una referencia unificada que conecte los requisitos del sistema con el diseño RTL, el software y los resultados de verificación.
Los experimentos sintéticos pueden ayudar a medir el tiempo de ejecución y el consumo energético de funciones de software en un conjunto de arquitecturas, pero este paso por sí solo no basta para tomar una decisión de diseño. Los ingenieros también equilibran la flexibilidad y el rendimiento, el coste y el tamaño, el presupuesto energético, el calor y los factores ambientales. Arvind Srinivasan, ingeniero de soluciones de verificación en Normal Computing, afirma que uno de los diseños con mayor rendimiento podría estar completamente especializado para la tarea, mientras que todavía no existe una forma unificada de codificar todas estas restricciones para que un algoritmo de inteligencia artificial las utilice como objetivos optimizables.
¿Qué puede hacer ahora la inteligencia artificial?
Los usos actuales son más limitados que la idea de que la inteligencia artificial diseñará el sistema completo. Andy Meier, director principal de marketing de productos en Siemens EDA, afirma que los clientes la utilizan principalmente para crear RTL y entornos de prueba, pero no la ve utilizada a una escala similar en las decisiones arquitectónicas. Esto se debe a que dichas decisiones requieren un amplio conocimiento de las compensaciones entre rendimiento, energía, coste y comportamiento de las cargas de trabajo.
Por su parte, MIPS/GlobalFoundries utiliza agentes de inteligencia artificial para escribir software y hardware en tareas específicas, haciendo hincapié en comprender los límites y errores de la herramienta. Steve Roddy, director jefe de marketing de Quadric, también señala que el software puede cambiar muchas veces durante el periodo entre la construcción del modelo de diseño y la llegada del silicio, ya sea por obra de los desarrolladores o de los asistentes de inteligencia artificial. Esto significa que el diseño conjunto no es una decisión que se toma una sola vez al inicio del proyecto, sino un proceso que debe gestionar continuamente los cambios del software.
Normal Computing plantea la posibilidad de utilizar la inteligencia artificial para extraer representaciones más abstractas del hardware, de modo que los desarrolladores de software puedan trabajar antes de que se complete el RTL. Esta idea se basa en la existencia de una representación de las especificaciones o una ontology que pueda servir como referencia común, pero no elimina la necesidad de conectar dicha representación con los modelos posteriores y verificar su correspondencia.
La verificación y la colaboración son el cuello de botella
El análisis confirma que el avance probablemente será gradual, porque sustituir por completo las metodologías existentes aumenta los riesgos del proyecto. Srinivasan señala que las herramientas de EDA todavía abordan pequeñas partes del problema en lugar de mejorar el resultado general, y que las cajas negras necesitan garantías de corrección, auditabilidad y un registro unificado que muestre la relación entre los elementos del diseño y los resultados de verificación.
La sincronización entre modelos sigue siendo un desafío práctico. Un modelo de alto nivel en SystemC sin temporización definida no equivale a RTL en cuanto a precisión temporal, y mantener ambos coherentes consume mucho tiempo en la verificación, la validación y la preparación del software. Por ello, no basta con proporcionar un modelo virtual; se necesita una cadena conectada de modelos de simulación y análisis, así como la transferencia de conocimiento entre los equipos de diseño, aplicaciones y atención al cliente.
Desde la perspectiva de certi.news, el cambio real no consiste en lanzar una sola herramienta ni en que la industria pase de inmediato a un diseño autónomo dirigido por la inteligencia artificial. El cambio es que el software ha comenzado a influir en la definición de la arquitectura antes de que se complete el chip, y que las herramientas de EDA intentan conectar etapas que antes estaban separadas. Sin embargo, la fuente no ofrece pruebas de que el problema se haya resuelto; más bien, muestra que la falta de especificaciones unificadas, el coste de la simulación, los cambios del software y la necesidad de auditabilidad siguen siendo limitaciones fundamentales. Por ello, la experiencia humana seguirá siendo decisiva en las decisiones arquitectónicas, mientras que el impacto de la inteligencia artificial se concentrará en tareas específicas cuyos resultados puedan probarse y revisarse.