OpenAI y Synopsys han firmado un acuerdo plurianual para desarrollar GPT-Synopsys, un modelo especializado que podrá trabajar directamente con las herramientas de automatización de diseño electrónico (EDA) de Synopsys. La propuesta va más allá de utilizar un chatbot para generar código RTL o responder preguntas: el objetivo es que agentes de IA reciban objetivos de diseño, ejecuten herramientas EDA, interpreten sus resultados, modifiquen el diseño y vuelvan a comprobarlo hasta llegar a resultados que después revisarán los ingenieros.

Las claves de GPT-Synopsys y la IA para diseñar chips en 30 segundos

• OpenAI y Synopsys desarrollarán durante varios años un modelo especializado en diseño y verificación de semiconductores.
• GPT-Synopsys podrá operar herramientas EDA de Synopsys para tareas como optimización de potencia, rendimiento y área (PPA).
• El proyecto competirá en un mercado donde Cadence ya ofrece agentes capaces de automatizar partes importantes del flujo de diseño.
• Google ha demostrado con AlphaChip que el aprendizaje automático puede mejorar tareas concretas como el floorplanning de chips.
• GPT-Synopsys todavía es un proyecto en desarrollo: no hay resultados públicos que permitan afirmar que vaya a reducir un porcentaje concreto los tiempos de diseño.

El anuncio es importante porque muestra hacia dónde se está desplazando la inteligencia artificial aplicada al hardware. La primera generación de herramientas de IA para ingeniería ayudaba a escribir código, buscar errores o recomendar configuraciones. La siguiente pretende tomar decisiones dentro del propio flujo de diseño y utilizar las herramientas profesionales necesarias para comprobar si esas decisiones funcionan.

Ese matiz cambia bastante la comparación. Un modelo de lenguaje conectado a una herramienta EDA puede actuar como interfaz conversacional. Un agente especializado intenta convertirse en una capa de automatización capaz de decidir qué herramienta ejecutar, qué parámetros modificar, cómo interpretar los resultados y cuál debe ser el siguiente experimento.

Synopsys afirma que GPT-Synopsys estará diseñado precisamente para ese segundo escenario. El modelo se entrenará y especializará para utilizar sus herramientas como un usuario experto, interpretar sus resultados y optimizar diseños de manera repetida.

GPT-Synopsys no parte de cero: Synopsys ya trabaja con agentes

La alianza tampoco supone que Synopsys haya empezado ahora a incorporar IA a sus herramientas. La compañía lleva desarrollando una estrategia de agentes para automatizar distintas fases del diseño de chips y en julio anunció junto con Microsoft nuevos flujos autónomos de EDA disponibles para evaluación en Microsoft Discovery, desarrollados también con participación de AMD.

Synopsys comunicó entonces resultados iniciales de hasta un 40 % de reducción del tiempo de ciclo en un flujo autónomo de cierre de depuración. Esa cifra corresponde a un flujo concreto y a resultados iniciales de la compañía, por lo que no puede extrapolarse directamente a todo el proceso de diseño de un semiconductor.

GPT-Synopsys añade una pieza distinta: un modelo de OpenAI como cerebro especializado para utilizar las herramientas de Synopsys. El acuerdo contempla que OpenAI licencie las herramientas EDA de Synopsys para desarrollar el modelo y que ambas compañías trabajen conjuntamente en investigación, desarrollo y comercialización.

La arquitectura anunciada contempla además integración con Synopsys.ai y Synopsys Autopilot. El servicio se ejecutará sobre infraestructura alojada por OpenAI y podrá interoperar con los sistemas de agentes utilizados por los clientes.

La idea es que un ingeniero pueda establecer un objetivo, por ejemplo mejorar el equilibrio entre potencia, rendimiento y superficie de un bloque, y delegar una parte de la exploración. Los agentes ejecutarían herramientas, analizarían resultados y aplicarían modificaciones. El resultado seguiría necesitando revisión de ingeniería, algo especialmente importante en un proceso donde un diseño que funciona en una simulación todavía tiene que superar numerosas comprobaciones antes de convertirse en silicio.

La comparación con Cadence es inevitable

Synopsys no está entrando en un terreno vacío. Su rival directo Cadence ha acelerado durante 2026 el desarrollo de una arquitectura de agentes para diseño de chips y ya comercializa herramientas que automatizan diferentes partes del flujo.

En febrero, Cadence presentó ChipStack AI Super Agent para diseño y verificación digital. La compañía afirma que puede automatizar tareas como generación de diseños y bancos de pruebas, creación de planes de prueba, regresiones, depuración y corrección de problemas, con una mejora de productividad de hasta 10 veces en determinadas tareas.

Cadence ha ampliado después esa estrategia. En abril presentó ViraStack para diseño y verificación analógica e InnoStack para implementación digital y signoff, junto con AgentStack como capa para coordinar sus diferentes agentes. La compañía plantea así una arquitectura que cubre desde RTL y verificación hasta implementación física y cierre del diseño.

La diferencia con GPT-Synopsys está, al menos sobre el papel, en dónde se sitúa cada pieza. Cadence está construyendo un conjunto de agentes alrededor de sus propios motores y herramientas EDA, mientras que Synopsys quiere combinar sus herramientas con un modelo de frontera de OpenAI especializado para ese entorno.

Cadence también ha confirmado que su plataforma puede trabajar con diferentes modelos, incluidos modelos NVIDIA Nemotron y modelos alojados en la nube como los GPT de OpenAI. Por tanto, la competencia no se limita a qué fabricante de EDA tiene la mejor IA. También está en juego quién controla la capa de agentes, qué modelos pueden utilizarse y cuánto del flujo queda automatizado dentro de cada plataforma.

La cifra del gráfico es únicamente una forma de visualizar el alcance descrito públicamente, no un benchmark entre productos. Cadence enumera agentes para RTL, verificación, diseño analógico, implementación, signoff y otros flujos, mientras que GPT-Synopsys se encuentra todavía en desarrollo y el comunicado de sus socios concreta sobre todo objetivos de diseño, verificación, optimización PPA y operación de herramientas EDA.

Google ya ha demostrado que la IA puede entrar en el flujo físico

Otra comparación útil es AlphaChip, el sistema desarrollado por Google DeepMind para una parte muy concreta del diseño físico de chips: el floorplanning y la colocación de bloques.

Google explica que AlphaChip utiliza aprendizaje por refuerzo y una red neuronal basada en grafos para aprender las relaciones entre los componentes y buscar distribuciones eficientes. El sistema ha sido utilizado en generaciones de TPU de Google y también se ha extendido a otros diseños de la compañía. MediaTek, además, ha adaptado la tecnología para acelerar el desarrollo de sus chips.

AlphaChip demuestra algo diferente a GPT-Synopsys. No pretende ser un ingeniero generalista capaz de manejar todo el flujo EDA. Está especializado en una fase concreta y utiliza esa especialización para resolver un problema de optimización muy definido.

GPT-Synopsys plantea una ambición mayor: utilizar un modelo de frontera como agente capaz de trabajar con múltiples herramientas y perseguir objetivos de ingeniería. El desafío también es mayor, porque un chip no se valida únicamente por una métrica. Potencia, rendimiento, superficie, temporización, integridad de señal, consumo, verificación funcional y reglas de fabricación están conectados.

Cadence describe precisamente esta dificultad cuando explica el funcionamiento de sus agentes: la IA no solo tiene que generar una respuesta, sino decidir acciones, ejecutarlas mediante herramientas, estudiar los resultados y determinar qué hacer después.

El verdadero reto está después de la demostración

La parte más interesante de GPT-Synopsys no será probablemente que un modelo pueda llamar a una herramienta EDA. Esa integración ya existe en diferentes formas. La cuestión será si puede hacerlo de forma suficientemente fiable durante procesos largos y con restricciones que interactúan entre sí.

Un agente que modifique un diseño cientos de veces necesita conservar el estado del proyecto, comprender las dependencias entre resultados y distinguir una mejora real de una regresión. Además, cada cambio debe pasar por las comprobaciones correspondientes. Un resultado generado por IA no sustituye por sí mismo a la verificación formal, la simulación, el análisis físico ni al proceso de signoff que precede a la fabricación.

También está el coste computacional. Ejecutar herramientas EDA complejas repetidamente puede requerir una cantidad considerable de CPU, GPU, memoria y almacenamiento. Si la IA multiplica el número de alternativas que se prueban, el ahorro de horas de ingeniería podría venir acompañado de una mayor demanda de infraestructura.

La seguridad de los datos será otro elemento relevante. Synopsys afirma que GPT-Synopsys no utilizará los datos de los clientes para entrenar el modelo y que la información estará cifrada tanto en reposo como durante la transmisión. También se anuncian controles de retención, auditoría y permisos.

Pero quedan detalles que el anuncio todavía no resuelve públicamente: precio, disponibilidad general, modelos concretos, rendimiento frente a flujos convencionales, número de herramientas que estarán disponibles desde el lanzamiento y resultados independientes de clientes.

Por eso la comparación con Cadence y AlphaChip debe hacerse con cuidado. Cadence ya dispone de productos comerciales y ha publicado resultados de determinadas herramientas. Google tiene años de experiencia con AlphaChip en tareas específicas de diseño. GPT-Synopsys representa una apuesta distinta y potencialmente más amplia, pero a 6 de octubre de 2026 todavía debe demostrar en producción cuánto de ese planteamiento puede trasladarse a diseños reales.

La alianza tiene además una lectura estratégica para OpenAI. La compañía está utilizando IA para mejorar los sistemas que necesita para ejecutar sus propios modelos y ha explicado públicamente su interés por una arquitectura que conecta centros de datos, chips, modelos y software. En agosto de 2026 presentó resultados de rendimiento de Jalapeño, su primer chip de inferencia personalizado.

El acuerdo con Synopsys encaja con esa estrategia: si los modelos pueden ayudar a diseñar mejores chips, esos mismos avances podrían contribuir al desarrollo del hardware sobre el que se ejecutarán futuras generaciones de IA. De momento, esa relación es una dirección estratégica anunciada por OpenAI, no una demostración de que GPT-Synopsys haya producido ya un chip comercial.

La carrera por el diseño asistido por IA se está desplazando así desde el simple uso de modelos para escribir código hacia sistemas capaces de ejecutar herramientas de ingeniería y evaluar sus propios resultados. Synopsys y OpenAI quieren ocupar ese espacio con un modelo especializado; Cadence está construyendo una plataforma de agentes de extremo a extremo y Google ha demostrado el valor de la especialización en tareas concretas. La diferencia real se medirá cuando estas tecnologías tengan que completar diseños sometidos a las mismas restricciones y comprobaciones que cualquier otro chip.

Preguntas frecuentes

¿Qué diferencia hay entre GPT-Synopsys y un chatbot para diseñar chips?

GPT-Synopsys está planteado para operar directamente herramientas EDA, interpretar sus resultados y realizar nuevas acciones. No se limita a generar texto o código a partir de una petición del ingeniero.

¿Cadence tiene una tecnología similar?

Sí. Cadence ya ofrece ChipStack AI Super Agent y otras herramientas de IA agente para diferentes fases del diseño y la verificación de chips. La compañía también ha presentado AgentStack para coordinar varios agentes especializados.

¿Google ya utiliza IA para diseñar chips?

Sí. Google DeepMind ha utilizado AlphaChip para generar layouts de bloques de sus TPU y ha explicado que la tecnología también se ha aplicado a otros diseños. Su alcance está más especializado que el objetivo anunciado para GPT-Synopsys.

¿GPT-Synopsys ya está disponible?

No como producto de disponibilidad general según el anuncio del 30 de septiembre de 2026. OpenAI y Synopsys han firmado el acuerdo y aseguran que ya existen primeros trabajos tecnológicos con clientes, pero todavía no han comunicado una fecha general de lanzamiento ni resultados independientes de rendimiento.