Tres ex-OpenAI construyen una IA para empresas y ya apuntan a valer US$3.250 millones

En enero de 2025, DeepSeek R1 hizo algo más que sacudir las clasificaciones de rendimiento: demostró que un modelo de pesos abiertos podía acercarse a la frontera sin repetir la factura de los laboratorios estadounidenses. Para tres jóvenes investigadores de OpenAI, aquella señal no fue una amenaza, sino el comienzo de una empresa.

Yash Patil, Rhythm Garg y Linden Li compartían amistad desde Stanford y experiencia dentro de OpenAI. Durante un viaje de esquí a Lake Tahoe discutieron el impacto de R1 y llegaron a una conclusión distinta a la dominante en su compañía: el valor de la IA empresarial no tenía por qué concentrarse en un modelo universal administrado por un tercero.

Cinco meses después dejaron OpenAI y fundaron Applied Compute. Su apuesta fue construir la infraestructura necesaria para adaptar modelos abiertos —como Qwen, de Alibaba, o Kimi, de Moonshot AI— a tareas concretas usando los datos privados de cada organización.

Applied Compute levantó US$20 millones en junio de 2025. Ahora, con apenas quince meses de operación, negocia una nueva ronda de US$350 millones que podría valorar la compañía en US$3.250 millones. La cifra todavía estaba sujeta al cierre de la transacción cuando fue reportada por Forbes.

El inversor Elad Gil encabeza la operación y también participan inversionistas existentes como Lux Capital y Kleiner Perkins. Según Patil, buena parte del nuevo capital irá a comprar chips y ampliar una infraestructura de cómputo que debe entrenar, servir y mejorar modelos para clientes empresariales.

La velocidad importa: la valoración casi duplicaría la alcanzada por la empresa cuatro meses antes. Pero el número no debe confundirse con ingresos o utilidades. Es una expectativa del mercado privado sobre cuánto podría valer la capa de infraestructura que conecte modelos abiertos, datos corporativos y agentes en producción.

DoorDash trabajó con Applied Compute en un modelo capaz de ayudar a los restaurantes a generar menús con precisión al incorporarse a la plataforma. Es una tarea limitada, repetitiva y medible: exactamente el tipo de problema donde un modelo especializado puede superar en costo y consistencia a una solución generalista.

Nvidia recurrió a la startup para el postentrenamiento de Nemotron, su familia de modelos de pesos abiertos orientada a agentes. Harvey, especializada en IA jurídica, construyó con Applied Compute un agente para revisar grandes volúmenes de contratos y documentos de litigio durante procesos de debida diligencia.

El caso de Harvey resume la propuesta comercial. Según su director de investigación aplicada, el agente estuvo listo en menos de dos meses; hacerlo internamente habría requerido investigadores de postentrenamiento, especialistas en supercomputación, capacidad de cómputo y un plazo que podía extenderse de meses a años.

Los modelos cerrados más avanzados conservan ventaja en tareas de frontera, pero esa potencia no siempre justifica su precio. De acuerdo con las cifras citadas por Forbes, algunos modelos propietarios pueden costar cerca de cuarenta veces más por millón de tokens que alternativas abiertas; Applied Compute sostiene que, en casos concretos, su solución puede ser hasta diez veces más económica.

La respuesta empresarial probablemente no será escoger un solo bando. Patil anticipa arquitecturas híbridas: modelos de frontera para las tareas de máxima complejidad y modelos abiertos especializados para procesos frecuentes, sensibles o de gran volumen. La selección se hará por precisión, latencia, privacidad y costo, no por lealtad a una marca.

Ese cambio traslada parte del poder desde quien preentrena el modelo hacia quien controla la adaptación, la evaluación y la infraestructura de producción. Applied Compute quiere ocupar justamente esa capa.

Los tres cofundadores llegaron a esta ronda antes de cumplir 26 años. Patil, de 23, creció en Austin en una familia vinculada a la medicina y la ingeniería de hardware. Durante la pandemia desarrolló con su hermano Helping Hands, una plataforma para conectar voluntarios con personas que necesitaban alimentos o medicamentos.

Rhythm Garg, de 24 años, se formó compitiendo en hackatones; Linden Li, de 25, pasó parte de su adolescencia en Shanghái y encontró su vocación tecnológica al observar una demostración de vehículos autónomos. En Stanford se hicieron amigos y más tarde entraron en OpenAI por recomendaciones sucesivas.

Dentro de OpenAI, Patil trabajó en infraestructura de postentrenamiento y en lo que luego sería Codex; Garg participó en modelos de razonamiento y Li en sistemas de aprendizaje automático. Esa combinación explica por qué Applied Compute no vende una aplicación llamativa, sino una pila técnica compleja que pocas empresas pueden construir por sí solas.

La historia no prueba que los modelos abiertos hayan derrotado a OpenAI o Anthropic. Prueba algo más interesante: la inteligencia artificial está empezando a fragmentarse en capas. Los laboratorios de frontera crean capacidad general; empresas como Applied Compute la convierten en conocimiento operativo específico; y las organizaciones deciden qué parte comprar, adaptar o controlar.

También existe riesgo. Una valoración de US$3.250 millones para una compañía de quince meses descuenta una ejecución casi perfecta, mientras el precio del cómputo, la calidad de los modelos abiertos y la respuesta de los grandes proveedores cambian cada trimestre. La infraestructura que hoy es excepcional podría convertirse rápidamente en una función estándar de las nubes.

Desde Geniales.co vemos una conclusión práctica: la ventaja no está en conectar una API y llamarlo transformación. Está en diseñar procesos, gobernar los datos, evaluar resultados y elegir el modelo adecuado para cada carga. Applied Compute vale miles de millones —al menos sobre el papel— porque está intentando industrializar precisamente ese trabajo.