San Francisco, Estados Unidos, 02/09/26 (Más).- Tres exinvestigadores de OpenAI fundaron Applied Compute con el objetivo de desarrollar infraestructura para entrenar, personalizar y operar modelos de inteligencia artificial de código abierto para empresas, una apuesta que ha cobrado fuerza ante el aumento de los costos de los sistemas de IA de mayor capacidad.
De acuerdo con información de Forbes México, Yash Patil, Rhythm Garg y Linden Li dejaron OpenAI cinco meses después del lanzamiento del modelo R1 de DeepSeek, ocurrido en enero de 2025. El avance del laboratorio chino llevó a los tres investigadores a considerar que los modelos de código abierto podían convertirse en una alternativa viable para compañías que buscan desarrollar sistemas utilizando sus propios datos.
Los fundadores sostienen que grandes empresas podrían preferir entrenar modelos adaptados a sus necesidades con información interna, en lugar de entregar esos datos a proveedores externos para desarrollar sistemas generales. Bajo esa premisa, Applied Compute ofrece servicios para personalizar modelos de código abierto y ejecutarlos posteriormente en infraestructura propia en la nube.
La compañía consiguió en junio de 2025 una ronda semilla de 20 millones de dólares y, en menos de un año, incorporó entre sus clientes a DoorDash, Nvidia y Microsoft. Satya Nadella, director ejecutivo de Microsoft, incluso sostuvo una conversación con Patil en junio sobre el futuro de la inteligencia artificial aplicada al sector empresarial.
Applied Compute informó que negocia una nueva ronda de financiamiento por 350 millones de dólares, operación que podría elevar su valoración a 3 mil 250 millones de dólares. La empresa advirtió que las cifras podrían modificarse mientras concluyen las negociaciones. El inversor ángel Elad Gil encabeza la ronda, en la que también participan inversionistas anteriores como Lux Capital y Kleiner Perkins.
La nueva inversión permitiría a Applied Compute ampliar su capacidad de procesamiento mediante la adquisición de más chips y la expansión de su infraestructura en la nube. Patil explicó que la compañía busca construir una amplia flota de capacidad de cómputo para atender las necesidades de entrenamiento y operación de modelos especializados.
La startup trabaja con modelos de pesos abiertos como Qwen, desarrollado por Alibaba, y Kimi, de Moonshot, para crear agentes y sistemas adaptados a las necesidades específicas de las compañías. La propuesta busca reducir los costos frente a la contratación de modelos comerciales de proveedores como OpenAI o Anthropic.
Para personalizar estos sistemas, Applied Compute utiliza técnicas de aprendizaje por refuerzo, mediante las cuales los modelos reciben retroalimentación y recompensas cuando ejecutan correctamente determinadas tareas. Este procedimiento permite ajustar su comportamiento para mejorar su desempeño en funciones específicas.
Los ingenieros de la empresa trabajan directamente con los clientes para entrenar los modelos utilizando información interna y posteriormente desplegarlos en servidores. La compañía pretende ofrecer en un mismo servicio las etapas de entrenamiento, implementación y operación de agentes de inteligencia artificial especializados.
La semana pasada, Applied Compute presentó AC2, una plataforma que permite a los clientes acceder directamente a sus herramientas internas para entrenar modelos. El sistema representa una alternativa a los servicios de consultoría personalizada que la startup ofrecía anteriormente y busca reducir el costo de acceso a sus capacidades.
El crecimiento de la empresa ocurre mientras las compañías buscan controlar el gasto relacionado con inteligencia artificial. Según los datos citados por Forbes México, algunos modelos de vanguardia de código cerrado pueden llegar a costar hasta 40 veces más por millón de tokens que determinadas alternativas de código abierto. Patil sostiene que, en ciertos casos, los modelos desarrollados por su empresa pueden resultar hasta 10 veces más económicos que los sistemas de mayor capacidad.
La experiencia de Applied Compute también incluye proyectos concretos con empresas tecnológicas. DoorDash colaboró con la startup para desarrollar un modelo capaz de generar con precisión los menús de restaurantes que se incorporan a su plataforma de reparto.
Nvidia recurrió a Applied Compute para realizar el posentrenamiento de sus modelos Nemotron, de pesos abiertos, destinados a la creación de agentes capaces de ejecutar tareas complejas. La startup también trabajó con Harvey, una empresa de inteligencia artificial especializada en el sector legal.
En el caso de Harvey, Applied Compute desarrolló un agente para analizar grandes volúmenes de documentos judiciales y revisar contratos utilizados en procesos de diligencia debida. Niko Grupen, responsable de investigación aplicada de la compañía legal, señaló que el desarrollo tomó menos de dos meses, frente a procesos que anteriormente podían requerir varios meses o incluso años y mayores recursos técnicos.
Los tres fundadores se conocieron en la Universidad de Stanford y posteriormente coincidieron en OpenAI. Patil, de 23 años, ingresó a la compañía a los 20 años después de participar en su programa de residencia. Durante su estancia trabajó en infraestructura de posentrenamiento y en sistemas relacionados con Codex.
Garg, de 24 años, se incorporó posteriormente por recomendación de Patil y trabajó en modelos de razonamiento. Li, de 25 años, llegó a OpenAI recomendado por Garg y se especializó en sistemas de aprendizaje automático. La cercanía entre los tres aumentó durante su etapa en la empresa, cuando Patil y Garg compartían un departamento en San Francisco y Li vivía cerca.
El lanzamiento de DeepSeek R1 marcó un punto de inflexión para los tres investigadores. Se encontraban juntos durante un viaje de esquí en Lake Tahoe cuando se conoció el modelo y dedicaron buena parte del día a discutir sus capacidades y las implicaciones que podía tener para el desarrollo de modelos abiertos.
Patil considera que el futuro empresarial de la inteligencia artificial no necesariamente implicará el abandono de los modelos desarrollados por OpenAI y Anthropic. Su previsión es que las compañías combinen sistemas de alta capacidad con modelos de código abierto más económicos, dependiendo de las necesidades y del costo de cada aplicación.
La apuesta de Applied Compute se basa precisamente en ese escenario: que las empresas utilicen modelos distintos para tareas diferentes y recurran cada vez más a alternativas abiertas cuando la rentabilidad y el control de los datos sean factores prioritarios.
Descubre más desde Más Información
Suscríbete y recibe las últimas entradas en tu correo electrónico.