Este verano, Thinking Machines Lab, fundada por Mira Murati, ex CTO de OpenAI, cerró una ronda semilla récord de 2.000 millones de dólares que valoraba a la empresa en 12.000 millones, cuando aún no tenía ningún producto en el mercado.
Nunca había pasado antes. Al menos no así. Unos pocos investigadores tienen algo. No sabemos bien qué, pero vale millones. No es una fórmula secreta. Tampoco una idea brillante. Ni siquiera un producto único. Es algo más abstracto. La promesa de disrupción.
Siempre ha habido exempleados que han lanzado sus propios proyectos, pero esta vez ha sido diferente. Se les ha ofrecido un cheque en blanco: inversores que han apostado sin saber qué se va a crear. Secretismo.
En los últimos dos años ha ocurrido varias veces. Cuando Mira Murati anunció su intención de lanzar un nuevo proyecto, captó financiación récord. Pero solo ella y su equipo sabían qué querían desarrollar. El dinero llegó igual. Sin preguntas.
En otros casos, el proyecto ya estaba en marcha, la idea se había convertido en un producto. Entonces no se compró la empresa. Se fichó al equipo. Microsoft no adquirió Inflection, incorporó a Mustafa Suleyman y a buena parte de su plantilla. Una absorción sin compra, un acquihired.
Meta, por su parte, incorporó recientemente al fundador de Scale AI, Alexandr Wang, en una operación de 14.300 millones que combinó una inversión estratégica en su startup y un sueldo estratosférico por asumir también un rol directivo en Meta.
Tres casos distintos y una misma lógica. En apenas dos años, la carrera por la IA ha revelado que el recurso más escaso no es el capital, son las personas. Eso lo ha cambiado todo.
Hoy, los inversores apuestan todo buscando repetir la historia de OpenAI, valorada recientemente en 500.000 millones de dólares. Para ello no hace falta un producto desde el primer día. Basta con talento, recursos y tiempo para investigar. No invierten en empresas, sino en laboratorios de IA. Los llaman neolabs y, ante todo, son centros de investigación.
Exploran lo que los gigantes tecnológicos no pueden o no quieren explorar. Algunos cuestionan la obsesión por dar la mejor respuesta al primer intento y apuestan por sistemas que aprenden estableciendo un diálogo con el usuario. Otros se centran en modelos de difusión, sistemas multiagente o arquitecturas diseñadas para razonar, adaptarse y resolver nuevos problemas. No es solo una cuestión técnica: estos enfoques podrían hacer la IA más eficiente, barata y adaptable, creando una nueva estructura de costes.
Sus fundadores proceden casi siempre del mismo lugar, de empresas pioneras como OpenAI, Anthropic o DeepMind. Conocen las entrañas de los modelos más avanzados. Saben cuáles son sus puntos ciegos y sus limitaciones. Además, tienen en común que son científicos, con un fuerte bagaje técnico más que de negocio.
Entre ellos, Eddie Zhang coordina miles de agentes de IA en Isara para tareas financieras complejas (análisis de mercados, predicción de inversiones). Humans&, de Eric Zelikman, entrena modelos con inteligencia emocional para procesos que duran semanas (como terapia virtual prolongada). Richard Socher trabaja en automatizar la propia investigación en IA (IA que diseña nueva IA) en su laboratorio You.com. En nichos más concretos, Periodic Labs se centra en ciencia de materiales (nuevas baterías o fármacos).
Cada neolab tiene su enfoque, busca su camino. A diferencia de ellos, los gigantes ya establecidos cargan con su propia inercia. OpenAI, Google o Anthropic han optimizado equipos e infraestructuras para competir en tamaño. Eso les da velocidad, pero también un corsé. Miles de millones invertidos en computación los empujan en la misma dirección: modelos cada vez más grandes, más datos, más parámetros. La competencia entre ellos es feroz. Están sometidos a la dictadura de los benchmark.
Partir de cero es la ventaja de los neolabs. No arrastran ese peso. Pueden cuestionar la lógica dominante y probar caminos distintos. Nada impide que los gigantes reaccionen si estas ideas funcionan. La duda es si llegarán a tiempo. Si la respuesta pasa por adquirirlos, el precio será muy alto.
En la generación anterior de startups de IA no fue así. Adept, Inflection AI o Character.AI acabaron cediendo al elevado coste de entrenar sus modelos. Sus fundadores terminaron integrándose en empresas más grandes como Amazon, Microsoft y Google.
Esta vez la apuesta es mayor. Y todos los ojos están puestos en 2026. Un año crucial para saber si los inversores suben su apuesta o se retiran.
Mira Murati, tras apenas un año de desarrollo, comienza a desvelar hacia dónde se dirige. Thinking Machines Lab empieza a dar el salto de laboratorio a empresa de producto. De promesa a realidad. Su primera herramienta, Tinker, busca simplificar el entrenamiento de modelos de IA para que no dependa de infraestructuras complejas ni de equipos masivos. En otras palabras, quiere que empresas y desarrolladores personalicen y creen sus propios modelos.
Hasta ahora, los inversores no han comprado proyectos, han comprado personas. Y los fundadores no han vendido productos, han vendido promesas. En 2026 es el momento de cumplirlas. Habrá disrupción en algunos casos. O quizá no. En cualquier caso, la industria de IA ha cambiado. La innovación dejó de ser monopolio de los gigantes. Los neolabs entran en escena con nuevos productos en el mercado.