Una startup de inteligencia artificial fundada hace apenas doce meses cerró una ronda Serie A de mil millones de dólares co-liderada por Index y Lux Capital, alcanzando una valuación de seis mil millones de dólares. El salto es significativo: nueve meses antes, la misma empresa había levantado 180 millones con una valuación de 1,500 millones, lo que representa un crecimiento de cuatro veces en menos de un año.

La ronda también incluyó a Sequoia, GV, Kleiner Perkins, Valor, Atreides, A* y Nvidia, un conjunto de inversores que refleja el nivel de convicción institucional detrás de la apuesta. El respaldo de Nvidia, fabricante dominante de GPUs para entrenamiento de IA, no es un detalle menor: sugiere alineación estratégica con la infraestructura sobre la que opera la tecnología.

El modelo técnico que justifica la valuación

El equipo fundador —compuesto por Aidan Smith, ex becario Thiel con experiencia en Neuralink, y los hermanos Asher y Ben Spector, ambos doctorandos en Stanford— está construyendo lo que denominan un marco de 'meganúcleo'. La propuesta técnica central es ejecutar entrenamiento de modelos, inferencia y procesamiento simultáneo en un solo núcleo, optimizando el uso de GPUs de forma que los modelos resultantes requieran significativamente menos datos para alcanzar rendimiento comparable.

Según Asher Spector, un modelo un millón de veces más eficiente en consumo de datos tendría una integración más natural con los flujos operativos de la economía actual. La afirmación es ambiciosa, pero apunta a un problema real: el costo y la escasez de datos de calidad son hoy uno de los principales cuellos de botella en el escalamiento de sistemas de IA empresarial.

Implicaciones para la adopción empresarial de IA

Si la arquitectura de meganúcleo cumple su promesa de eficiencia, las consecuencias para la adopción corporativa son concretas. Entrenar o desplegar modelos con menos datos y menor consumo de cómputo reduce la barrera de entrada para organizaciones que no cuentan con los volúmenes de información ni los presupuestos de infraestructura de las grandes tecnológicas.

Para mercados como el mexicano, donde la madurez en gestión de datos varía ampliamente entre sectores, este tipo de arquitectura podría acelerar la viabilidad de proyectos de IA que hoy se perciben como fuera de alcance. La eficiencia en el uso de recursos de cómputo también tiene implicaciones directas en los modelos de costo-beneficio que determinan si una iniciativa de IA avanza o se detiene en etapa de piloto.

El financiamiento obtenido se destinará a expansión de equipo y desarrollo del producto, con la empresa posicionada en una de las áreas de mayor actividad inversora dentro del ecosistema de infraestructura para inteligencia artificial.