Synopsys, Cadence y Siemens compiten por convertir el diseño de chips en un flujo agéntico

La conferencia DAC 2026 convirtió la IA agéntica en una disputa estratégica por el futuro de la automatización electrónica de diseño (EDA, por sus siglas en inglés). Synopsys, Cadence y Siemens EDA ya no presentan la IA únicamente como un asistente conversacional para escribir RTL o consultar documentación. Sus sistemas buscan descomponer objetivos de ingeniería, invocar herramientas EDA consolidadas, interpretar métricas y repetir el proceso hasta alcanzar una meta definida. 217

La pregunta decisiva cambia con ello. El ganador no será necesariamente el proveedor con el modelo generalista más potente, sino el que consiga conectar un agente con los datos del diseño, los solucionadores deterministas, las pruebas de verificación, los controles de seguridad y los procesos de aprobación final.

De las herramientas aisladas al flujo agéntico

Las herramientas EDA tradicionales ejecutan operaciones bien delimitadas: síntesis, simulación, verificación formal, implementación física, análisis temporal o signoff físico. Un sistema agéntico añade una capa de planificación y coordinación alrededor de esas herramientas.

En un ciclo típico, el agente:

1. interpreta un objetivo de diseño o un fallo;
2. selecciona las herramientas y subtareas pertinentes;
3. genera o modifica RTL, restricciones, pruebas o configuraciones;
4. ejecuta simulaciones deterministas, comprobaciones formales o análisis físicos;
5. lee métricas, registros, formas de onda o contraejemplos; y
6. propone otro cambio y repite el proceso.

La investigación sobre IA agéntica para diseño físico describe un patrón similar: interpretar objetivos en lenguaje natural, invocar herramientas EDA, analizar sus resultados, modificar configuraciones o código y repetir el proceso según la calidad medida del resultado. 1

La diferencia frente a un copiloto es importante. Un copiloto sugiere el siguiente paso; un flujo agéntico puede hacerse cargo de una secuencia más larga de acciones, aunque permanezca limitado por herramientas de ingeniería y objetivos definidos por personas.

Synopsys: una escalera de autonomía alrededor de AgentEngineer

La estrategia de Synopsys se organiza en una progresión de autonomía L1-L5. La idea es avanzar desde la asistencia y la automatización guiada hacia flujos de ingeniería cada vez más independientes, hasta abarcar varios dominios de diseño. La frontera exacta entre niveles forma parte de la hoja de ruta de Synopsys y no constituye un estándar universal de certificación.

El elemento central es AgentEngineer. En DAC, Synopsys describió un orquestador capaz de dividir un objetivo de verificación en trabajos más pequeños, coordinar agentes especializados, llamar a herramientas EDA, examinar resultados y continuar operando en un ciclo cerrado. Synopsys y NVIDIA presentaron estos procesos como flujos autónomos de larga duración para el diseño de chips y sistemas electrónicos. 314

La compañía destacó la verificación autónoma, el análisis de causa raíz y el cierre de depuración. En demostraciones comunicadas por Synopsys se afirmó que el tiempo para obtener RTL validado podía reducirse hasta 50 veces y que la cobertura podía mejorar un 20 %. Son cifras del proveedor, no resultados de pruebas comparativas independientes. 19

Otro flujo de Synopsys desarrollado con Microsoft Discovery comunicó reducciones preliminares de entre el 25 % y el 40 % en el tiempo de los ciclos de depuración. Este dato también debe considerarse una evaluación inicial, no un benchmark general de producción. 17

Del RTL a la simulación térmica

Synopsys está extendiendo el mismo concepto agéntico más allá de la lógica digital. Su propuesta en DAC incluye flujos de sistemas electrónicos con una fuerte carga física, como la simulación térmica, en los que un agente puede ayudar a configurar una simulación, ejecutarla, evaluar sus resultados y perfeccionar el proceso. La posición de la empresa, que abarca «del silicio a los sistemas», se apoya además en su cartera de Ansys y va más allá de un flujo convencional de RTL a GDS. 1417

La posible ventaja estratégica está en la amplitud: si una misma capa de orquestación puede operar en verificación y en física de sistemas, Synopsys puede presentar la EDA agéntica como un entorno de ingeniería continuo, no como una colección de asistentes independientes.

Cadence: agentes especialistas y contexto persistente

Cadence sigue una ruta distinta. Su posicionamiento público gira en torno a una jerarquía de agentes especialistas coordinados por un superagente de IA, asociado a ChipStack AI Super Agent y mencionado en algunos informes junto con los nombres AgentStack o AuraStack. Como la denominación no aparece corroborada de forma uniforme en los materiales disponibles, AgentStack y ChipStack AI Super Agent son referencias más prudentes. 218

El concepto más distintivo de Cadence es el Mental Model. En lugar de depender solo de la instrucción inmediata, el agente pretende mantener un contexto estructurado y específico del diseño: restricciones, historial, intención y decisiones acumuladas. Esto resulta relevante porque el diseño de chips depende mucho del contexto. Un cambio razonable a nivel local puede incumplir un presupuesto temporal, una limitación de encapsulado, un objetivo de consumo o una decisión arquitectónica previa.

Cadence también pone el foco en la aceleración multifísica. Su propuesta permite que los agentes razonen sobre efectos eléctricos, térmicos, mecánicos y fluidos, de modo que una decisión de diseño pueda evaluarse por sus consecuencias en el sistema completo y no solo por métricas digitales. 1718

En términos estratégicos, Cadence compite mediante la integridad arquitectónica y el contexto. El objetivo no es automatizar una única etapa, sino que el agente entienda el diseño como un sistema persistente con restricciones interdependientes.

Siemens: confianza mediante autoverificación

Siemens EDA diferencia su Fuse EDA AI Agent mediante la confianza. La idea central es un ciclo de autoverificación en el que cada acción propuesta por el agente se comprueba contra motores deterministas y basados en la física antes de avanzar. 2

Fuse se apoya en una arquitectura escalable basada en el Model Context Protocol (MCP). MCP ofrece una forma común de conectar la capa de orquestación con herramientas e información de ingeniería en áreas como RTL, verificación, diseño analógico y personalizado, implementación física y signoff. 2

Este enfoque aborda uno de los riesgos principales de la ingeniería autónoma: un modelo de lenguaje puede producir un plan convincente pero físicamente inválido. En un flujo que se autoverifica, la comprobación de autoridad procede de la herramienta especializada. Si el análisis temporal, la geometría, la física u otra restricción formal rechaza una acción, el flujo puede utilizar esa evidencia para revisar el plan.

Siemens plantea además una oportunidad más amplia alrededor del hilo digital. Su visión agéntica puede conectar las decisiones de diseño con la planificación de fabricación y la programación de la cadena de suministro, extendiendo el flujo más allá de la implementación del chip. La diferencia no está solo en la autonomía, sino en una autonomía limitada por evidencias industriales y por la ejecución posterior.

NVIDIA se convierte en una capa de infraestructura común

NVIDIA no está sustituyendo a los grandes proveedores de EDA como una empresa EDA convencional. Está aportando varias capas que pueden sostener la nueva arquitectura agéntica y, al mismo tiempo, creando un posible punto de dependencia de plataforma.

NVIDIA invirtió 2.000 millones de dólares en Synopsys como parte de una alianza plurianual ampliada centrada en la ingeniería impulsada por IA y en cargas EDA aceleradas. 13

La infraestructura cubre varias funciones:

• Computación acelerada: Grace Blackwell se utiliza para simulación e inferencia de IA. Synopsys comunicó que los microservicios de inferencia NVIDIA NIM ofrecían el doble de velocidad en el tiempo necesario para obtener información con su Copilot de IA generativa, mientras que NVIDIA informó de una mejora de 34 veces frente a CPU en un caso de simulación aerodinámica con Fluent. Son resultados de casos de uso concretos, no benchmarks universales de EDA. 1516
• Modelos y orquestación: el flujo de Synopsys presentado en DAC empleó NVIDIA Nemotron, NVIDIA Agent Toolkit y el entorno de ejecución OpenShell para ejecutar y gobernar agentes. 314
• Aceleración física: las bibliotecas CUDA-X y PhysicsNeMo de NVIDIA están pensadas para apoyar procesos de ingeniería con un peso importante de la simulación. 2
• Rendimiento de CPU: la CPU Vera apunta a cargas intensivas y secuenciales que siguen siendo importantes en la EDA convencional. NVIDIA afirma que trabaja con Cadence y Synopsys para optimizar sus aplicaciones; las pruebas comunicadas mostraron mejoras de aproximadamente 1,5 veces en Cadence Jasper y Synopsys VCS, aunque son cifras del proveedor. 45

El resultado es una competencia por capas. Las empresas EDA controlan las bases de datos de diseño, las herramientas de dominio y los flujos de signoff; NVIDIA aporta computación, modelos, componentes de orquestación y la infraestructura de ejecución. Los clientes pueden beneficiarse de procesos más rápidos, pero el acuerdo también plantea una cuestión de dependencia: cuánto de la futura cadena de ingeniería dependerá de una plataforma común de hardware y software.

Qué demuestra el experimento de Kimi K3 —y qué no—

La demostración de Kimi K3 ofrece un contrapunto útil a los anuncios de los grandes proveedores. Según el relato disponible, Kimi K3 completó en 48 horas una ejecución autónoma en la que diseñó, optimizó y verificó un chip para un modelo nano utilizando herramientas EDA de código abierto y la biblioteca Nangate de 45 nm. El diseño ocupaba unos 4 mm² y cerró la temporización a 100 MHz en simulación. 17

Es una evidencia relevante de que un agente basado en un modelo de lenguaje puede coordinar un ciclo de diseño de extremo a extremo bajo condiciones acotadas. La prueba conecta arquitectura, generación de RTL, optimización, verificación y análisis temporal en un único proceso autónomo.

Pero no demuestra que las herramientas comerciales de EDA o los equipos expertos de diseño de chips hayan quedado obsoletos. El experimento utilizó un flujo de referencia maduro de 45 nm, aproximadamente dos décadas por detrás de la tecnología de procesos más avanzada. No establece resultados para kits de diseño de procesos modernos, cierre avanzado de temporización y consumo, diseño analógico, diseño para pruebas, integración de IP, análisis de fiabilidad, restricciones de fabricación o signoff de producción.

La prueba también deja al descubierto un problema de evidencia. El resultado comunicado procede de los materiales técnicos del propio proyecto y no de un benchmark de producción reproducido de forma independiente. Por ello, las afirmaciones de que el diseño rinde entre 20 y 30 veces peor que los chips contemporáneos no deberían tratarse como una comparación controlada sin pruebas más sólidas.

La conclusión prudente es más limitada: las herramientas abiertas pueden sostener una demostración impresionante en un nodo maduro, mientras que los diseños avanzados, competitivos y fabricables siguen dependiendo en gran medida de los materiales de las foundries, las bibliotecas de proceso, los flujos de signoff consolidados y la experiencia especializada.

La oportunidad para los proveedores chinos de EDA

La IA agéntica ofrece a las empresas chinas de EDA la posibilidad de competir en el nivel del flujo de trabajo, en lugar de limitarse a reproducir cada herramienta especializada ya madura. La oportunidad resulta especialmente visible en verificación, depuración, despliegue doméstico, encapsulado avanzado e interfaces de ingeniería nativas para modelos de lenguaje. La cobertura de DAC describe la entrada de agentes en etapas que van desde la generación de RTL y la creación de bancos de pruebas hasta la simulación, la verificación formal y la depuración. 17

Entre los ejemplos mencionados en la investigación se encuentran:

• Xpeedic, cuyas capacidades de integridad de señal y potencia podrían combinarse con análisis agénticos de sistemas, encapsulados y packaging avanzado.
• XEPIC, que anunció la base XEPIC Intelligent System, con sistemas inteligentes de verificación y diseño, además de una oferta de simulación más rápida. 17
• UniVista, que ha descrito una plataforma de diseño agéntico capaz de coordinar el diseño RTL, la verificación, la corrección y la optimización sobre una arquitectura EDA desarrollada en el país. 17
• Chips Z, Banxin y Zhiwei Chuangxin, que reflejan el impulso más amplio hacia cadenas de herramientas bajo control doméstico, agentes especializados de diseño y verificación e interfaces de ingeniería nativas para modelos de lenguaje.

El patrón de producto más defendible es un ciclo basado en evidencias: generar una hipótesis o una corrección, ejecutar simulación o verificación formal, examinar el contraejemplo o la métrica de calidad y devolver esa evidencia al agente. Es una propuesta más creíble que pedir a un modelo generalista que genere un chip y confiar en el resultado sin comprobaciones de dominio.

La estimación, repetida con frecuencia, de que los ingenieros dedican cerca del 60 % de su tiempo a depuración y tareas rutinarias debe considerarse una referencia del sector, no una medición universal. Aun así, la oportunidad subyacente es clara: la clasificación repetitiva de fallos, el análisis de trazas, la creación de pruebas, la localización de causas raíz y la reparación de regresiones son objetivos atractivos para la automatización. 17

La verdadera competencia de la EDA se libra por la evidencia

La señal más importante de DAC 2026 no fue que el diseño autónomo de chips ya esté resuelto. Fue que los principales proveedores de EDA consideran los flujos agénticos la próxima forma de ampliar sus ventajas de plataforma.

Synopsys destaca la escalera de autonomía, AgentEngineer, el cierre de verificación y la amplitud «del silicio a los sistemas». Cadence pone el acento en la coordinación de agentes especialistas, el contexto persistente del diseño y el razonamiento multifísico. Siemens apuesta por la autoverificación, la integración de herramientas mediante MCP y un hilo industrial más amplio.

El desafío común es la confianza. Un agente EDA útil debe explicar qué cambió, reproducir el flujo, conservar la intención del diseño y demostrar con pruebas deterministas que el resultado satisface las restricciones pertinentes.

Por eso, el ganador a corto plazo difícilmente será el proveedor con el modelo más elocuente. Será el que consiga que sus agentes operen de forma segura dentro de los flujos existentes de datos, IP, seguridad, simulación y signoff, y que conviertan cada acción autónoma en evidencia de ingeniería auditable.