AMD articula procesamiento local, nube híbrida y nuevas herramientas para convertir las respuestas de la inteligencia artificial en tareas terminadas. AMD está ampliando su estrategia para la inteligencia artificial agéntica con Ryzen AI Halo, procesadores “Zen 5” y nuevas herramientas de software. El cambio importa porque los agentes ya no solo generan respuestas: leen archivos, utilizan aplicaciones, ejecutan acciones y completan tareas cuya velocidad y costo dependen del sistema completo.

Las claves de la noticia

• Los agentes obligan a medir tareas completadas, no solamente velocidad de inferencia.
• Ryzen AI Halo completó una prueba de AMD un 15% más rápido.
• La orquestación de CPU fue un 34% más rápida en esa comparación.
• AMD proyecta menores costos mediante una combinación de IA local y nube.
• ROCm.AI conecta herramientas de AMD con asistentes de programación agénticos.

Lima, Perú, 2 de setiembre de 2026.— La evolución desde los asistentes conversacionales hacia agentes capaces de ejecutar procesos de varios pasos está cambiando la manera de evaluar una PC. La velocidad de inferencia continúa siendo importante, pero ya no basta para determinar cuánto tarda una organización en obtener un resultado útil.

AMD (NASDAQ: AMD) sostiene que la CPU recupera protagonismo porque debe coordinar archivos, aplicaciones, herramientas y procesos antes y después de que el modelo genere una respuesta. Sus nuevas pruebas con Ryzen AI Halo buscan medir precisamente ese flujo de principio a fin.

La compañía también está desarrollando herramientas para comparar despliegues locales, en la nube e híbridos, además de ampliar su ecosistema mediante Windows ML, Ryzen AI Developer Platform y ROCm.AI.

De generar respuestas a ejecutar acciones

La primera etapa de la inteligencia artificial generativa estuvo dominada por una métrica fácil de comprender: cuántos tokens podía producir un modelo por segundo. Sin embargo, un agente que analiza documentos, ejecuta código, consulta una base de datos y verifica un resultado convierte la inferencia en una parte de un proceso mucho más amplio.

En esa nueva ecuación, la PC deja de ser solamente el dispositivo desde el cual se envía una consulta. Se convierte en uno de los motores que hacen posible la tarea.

Por qué esta tendencia gana relevancia

Un chatbot puede responder una pregunta mediante un único intercambio con un modelo. Un agente, en cambio, puede abrir archivos, extraer información, efectuar cálculos, controlar aplicaciones y validar lo realizado. Cada una de esas acciones requiere recursos locales, incluso cuando la inferencia principal ocurre en la nube.

La métrica decisiva comienza a desplazarse desde la velocidad aislada del modelo hacia el tiempo necesario para completar, comprobar y entregar una tarea. Este cambio afecta la selección de procesadores, memoria, software, conectividad y modelos de implementación empresarial.

La nueva métrica de la IA agéntica

Cuando un modelo decide qué debe hacer a continuación, el sistema operativo y el procesador deben transformar esa decisión en una acción. La CPU puede encargarse de abrir procesos, analizar archivos, ejecutar comandos, coordinar herramientas y organizar agentes que trabajan simultáneamente.

AMD explica que incluso los agentes alojados en la nube dependen del equipo cliente para operar aplicaciones, buscar información local, compilar código y procesar los resultados devueltos por sus herramientas.

Por esa razón, una GPU capaz de generar tokens rápidamente no garantiza por sí sola el menor tiempo de ejecución. La velocidad final depende de cómo trabajan conjuntamente CPU, GPU, NPU, memoria, almacenamiento, red y software.

Hasta hace poco, comparar plataformas de IA significaba observar principalmente la inferencia. En la práctica, los agentes obligan a medir el recorrido completo: desde la recepción de la instrucción hasta la entrega de un resultado validado.

Lo que muestran las pruebas de Ryzen AI Halo

AMD evaluó una plataforma Ryzen AI Halo con procesador Ryzen AI Max+ 395 frente a NVIDIA DGX Spark mediante el flujo Hermes Executive Presentation Agent. Ambas configuraciones disponían de 128 GB de memoria y ejecutaron cinco veces una tarea compuesta por procesamiento documental, recuperación de información, generación y validación.

En la prueba publicada por AMD, Ryzen AI Halo terminó el flujo completo en 311,6 segundos, frente a los 367,1 segundos registrados por DGX Spark. Esto representa una diferencia aproximada del 15%.

La preparación y orquestación ejecutadas por la CPU demandaron 152,1 segundos en Ryzen AI Halo y 229,9 segundos en DGX Spark, una diferencia del 34% según la compañía. La mayor brecha apareció en las tareas de generación de embeddings y enrutamiento.

El resultado es relevante porque DGX Spark terminó antes la etapa aislada de inferencia. Sin embargo, Ryzen AI Halo concluyó primero el trabajo completo debido al menor tiempo empleado en las operaciones ejecutadas alrededor del modelo.

Cómo deben interpretarse estos resultados

Estos porcentajes proceden de pruebas realizadas y publicadas por AMD. No constituyen una comparación independiente ni garantizan el mismo desempeño con otros modelos, agentes, sistemas operativos o configuraciones.

El cálculo de un costo 27% menor por flujo completado también parte de condiciones específicas: amortización del hardware durante tres años, utilización continua y exclusión del consumo eléctrico. AMD estimó aproximadamente US$0,0132 por flujo para Ryzen AI Halo y US$0,0182 para DGX Spark.

Por tanto, el hallazgo más valioso no es declarar un ganador universal. Es comprobar que una plataforma puede ser más rápida en inferencia y, aun así, tardar más en terminar una tarea cuando las etapas de orquestación consumen una parte significativa del proceso.

IA local, nube o un modelo híbrido

La IA local permite mantener determinados datos dentro del dispositivo, trabajar sin conexión permanente y ejecutar tareas repetitivas sin pagar por cada token. La nube, por su parte, facilita el acceso a modelos de mayor tamaño y capacidad, además de ofrecer elasticidad para atender cargas variables. El modelo híbrido busca distribuir cada tarea en función de sus necesidades:

AMD también presentó la Client Tokenomics Calculator para comparar el costo total de propiedad, el gasto mensual, el punto de equilibrio y la configuración de hardware en escenarios locales, cloud e híbridos.

En una simulación de la compañía para 500 AI PC, con el 50% del volumen de tokens procesado localmente y el resto en la nube, la herramienta proyecta ahorros de entre 40% y 60% durante tres años frente a un despliegue exclusivamente cloud. El escenario supone alrededor de 5,7 millones de tokens de entrada y 574.000 tokens de salida diarios por usuario.

La propia documentación de la calculadora advierte que sus resultados son estimaciones. Los valores finales pueden variar por carga real, precio negociado de los servicios, configuración del hardware y costo de la electricidad.

El impacto para las organizaciones

El procesamiento local podría resultar conveniente para resumir documentos internos, efectuar búsquedas corporativas, transcribir reuniones, clasificar información o preparar borradores. Las tareas que requieren modelos de frontera, razonamiento más complejo o grandes volúmenes de cómputo podrían continuar en la nube.

No obstante, trasladar la inferencia al dispositivo no resuelve automáticamente los problemas de seguridad. Las organizaciones deberán controlar qué modelos pueden instalarse, a qué documentos acceden los agentes, qué acciones están autorizados a ejecutar y cómo se registra cada operación.

Un agente con acceso a archivos, correo, aplicaciones empresariales o terminales representa una superficie de riesgo diferente a la de un chatbot convencional. La capacidad de actuar debe ir acompañada de permisos mínimos, supervisión humana, trazabilidad y mecanismos para detener o revertir acciones.

La tecnología detrás de la iniciativa

Windows ML amplía la inferencia local

AMD está extendiendo la compatibilidad de sus NPU Ryzen AI y GPU Radeon con Windows ML. La plataforma de Microsoft utiliza ONNX Runtime y permite distribuir inferencia entre CPU, GPU y NPU mediante proveedores de ejecución administrados por Windows.

Según la documentación oficial de Microsoft, Windows ML admite modelos procedentes de entornos como PyTorch, TensorFlow, Keras, TFLite y scikit-learn. También puede mantener actualizados sus proveedores de ejecución mediante Windows Update.

AMD ha incorporado optimizaciones para modelos de lenguaje, visión y difusión, además de soporte para nuevas plataformas Ryzen AI. Algunas funciones, como la integración de determinadas rutas de Windows ML con GPU Radeon, permanecen en etapa preliminar y todavía no deberían asumirse como listas para producción.

Un entorno local para desarrolladores

La Ryzen AI Developer Platform es un entorno basado en Linux que incluye software, modelos y guías prácticas previamente seleccionados. Su propósito es reducir el tiempo necesario para configurar una plataforma de desarrollo de IA local.

El sistema incorpora mecanismos de restauración que permiten volver a una actualización anterior de AMD o recuperar la imagen de fábrica. Esto puede facilitar la experimentación, aunque las empresas todavía deberán validar las versiones, dependencias y políticas de soporte antes de utilizar el entorno en procesos críticos.

ROCm.AI lleva conocimiento técnico a los agentes

ROCm.AI reúne instalación, diagnóstico, despliegue y optimización de cargas de trabajo sobre plataformas AMD. Una de sus novedades son las AMD Skills, que integran conocimientos y flujos validados por el fabricante en asistentes de programación como Claude, Cursor y Codex.

La propuesta permite que un desarrollador exprese una intención —instalar ROCm, servir un modelo o diagnosticar un problema— y reciba orientación adaptada a versiones y configuraciones compatibles.

AMD señala que el catálogo de Skills se encuentra en vista previa técnica, por lo que su alcance, denominaciones y disponibilidad podrían cambiar. ROCm Hyperloom, por su parte, utiliza un sistema agéntico para identificar cuellos de botella, aplicar optimizaciones y verificar sus resultados.

La letra pequeña

La propuesta de AMD conecta hardware, software y costos, pero todavía quedan preguntas que cada organización deberá responder con pruebas propias. No se conoce cómo se comportarán todas estas plataformas con agentes corporativos que utilicen aplicaciones heredadas, conexiones lentas, documentos en español o sistemas empresariales personalizados. Tampoco existe un único benchmark que represente los procesos de una entidad financiera, una minera, un estudio jurídico o una institución pública.

El costo por token tampoco refleja por sí solo el costo total de una estrategia de IA. Deben incluirse consumo eléctrico, administración, soporte, seguridad, actualización de modelos, integración, capacitación y eventuales servicios cloud.

Finalmente, ejecutar modelos localmente puede reducir la exposición de determinados datos, pero no elimina riesgos como instrucciones maliciosas, modelos alterados, permisos excesivos o acciones incorrectas ejecutadas por un agente.

Qué deberían hacer ahora las organizaciones

• Identificar tareas repetitivas y medibles antes de seleccionar el hardware.
• Clasificar los datos que pueden procesarse localmente o en la nube.
• Medir tiempo completo, precisión, costo y consumo energético por tarea.
• Ejecutar pilotos con procesos reales y grupos controlados de usuarios.
• Aplicar permisos mínimos, registros de actividad y aprobación humana.
• Comparar costos utilizando precios y cargas propias, no escenarios predeterminados.

Lo que viene en IFA 2026

Jack Huynh, vicepresidente sénior y gerente general del Computing and Graphics Group de AMD, presentará este 4 de septiembre de 2026 la visión de la compañía sobre la era de la inteligencia artificial personal.

La conferencia de apertura de AMD en IFA Berlín abordará el futuro de los dispositivos impulsados por IA y el papel de las denominadas PC agénticas. El encuentro podría aportar nuevos detalles sobre productos, experiencias y disponibilidad, que deberán evaluarse una vez realizados los anuncios oficiales.

Relación con la IA on-device y el edge

La estrategia se relaciona con el avance de la IA on-device en productividad, creatividad y gaming y con la distribución de agentes entre dispositivos, edge y nube.

También complementa la evolución de la IA agéntica en plataformas edge con Ryzen AI Embedded. En ambos casos, el reto consiste en decidir qué procesamiento debe permanecer cerca del usuario y cuál requiere infraestructura remota.

¿Por qué es importante importa?

Para un CIO o CTO, la decisión ya no consiste únicamente en elegir el modelo más avanzado. También debe determinar dónde ejecutarlo, cuánto cuesta cada tarea terminada, qué datos pueden salir de la organización y qué componentes condicionan el rendimiento. La PC vuelve así a formar parte activa de la arquitectura empresarial de IA.

Visión estratégica

Para el Perú y para Latinoamérica, la IA híbrida puede ofrecer una ruta pragmática frente a conectividad desigual, presupuestos limitados y preocupación por la residencia de los datos. Procesar localmente determinadas tareas permitiría reducir dependencia de enlaces permanentes y controlar parte del gasto variable, mientras la nube continuaría atendiendo los procesos que demanden mayor capacidad.

Sin embargo, renovar equipos sin identificar casos de uso medibles podría trasladar el problema desde el consumo de tokens hacia una inversión de hardware subutilizada. Las organizaciones deberían evaluar costo total, energía, soporte, seguridad y vida útil antes de desplegar AI PC a escala.

El verdadero avance no será instalar agentes en cada computadora, sino integrarlos en procesos gobernados, auditables y centrados en resultados. Para las empresas regionales, la ventaja podría surgir de combinar infraestructura adecuada, datos confiables, capacitación y supervisión humana, no de adoptar una sola plataforma tecnológica.

Datos citables

• Ryzen AI Halo completó la prueba de AMD en 311,6 segundos.
• DGX Spark terminó el mismo flujo en 367,1 segundos.
• La diferencia de tiempo de principio a fin fue del 15%.
• La orquestación de CPU fue un 34% más rápida en Ryzen AI Halo.
• AMD estimó un costo 27% menor por flujo, sin considerar electricidad.
• Siete de las ocho etapas del flujo probado se ejecutaron en la CPU.
• La comparación utilizó sistemas con 128 GB de memoria.
• La calculadora de AMD admite horizontes de uno, tres, cuatro o cinco años.
• IFA Berlín 2026 se realizará del 4 al 8 de septiembre.

Knowledge Layer – Glosario

• IA agéntica: sistemas capaces de planificar, utilizar herramientas y ejecutar acciones para alcanzar un objetivo.
• Inferencia local: ejecución de un modelo de inteligencia artificial dentro del dispositivo del usuario.
• Orquestación: coordinación de modelos, archivos, aplicaciones, herramientas y pasos necesarios para completar una tarea.
• CPU: procesador general encargado de ejecutar aplicaciones, comandos y gran parte de la lógica del agente.
• GPU: procesador paralelo utilizado para inferencia, generación de contenido y otras cargas intensivas.
• NPU: unidad especializada para ejecutar determinadas operaciones de inteligencia artificial con eficiencia energética.
• Memoria unificada: arquitectura que permite a diferentes unidades de cómputo acceder a un espacio común de memoria.
• IA híbrida: distribución de cargas de inteligencia artificial entre dispositivos locales, edge y servicios cloud.
• Tokenómica: análisis del consumo y costo de los tokens utilizados por modelos de inteligencia artificial.
• ROCm.AI: conjunto de herramientas de AMD para desarrollar, desplegar, diagnosticar y optimizar cargas de IA.

TU OPINIÓN NOS IMPORTA 🗣️

¿La velocidad de inferencia sigue siendo suficiente para evaluar una AI PC? ¿Tu organización conoce cuánto cuesta realmente cada tarea completada por sus asistentes y agentes? ¿Qué procesos deberían mantenerse localmente y cuáles continuar en la nube?

La IA agéntica promete convertir instrucciones en acciones, pero también obliga a revisar seguridad, costos y responsabilidad. El debate ya no gira solamente alrededor de lo que un modelo puede responder, sino de todo aquello que estamos dispuestos a permitirle hacer.  Comenta con los hahstags #ItusersAwards2026 #superfan

Apoya al Periodismo Independiente

¿Te sirvió en algo este contenido?, ayúdanos a combatir la Desinformación, dona desde S/ 1.00 a nuestro PLIN 943-438-457