La IA está creciendo — y con ella, las facturas

Greg Brockman, cofundador y científico jefe de OpenAI, le dijo a Axios que la compañía se está preparando para su primera oferta pública. No dio fecha ni precio, pero el hecho de que la persona que de verdad maneja el lado de ingeniería esté hablando de esto significa que las ruedas ya están girando. Brockman ha sido la fuerza más silenciosa detrás del crecimiento de OpenAI — menos medios, más construcción — y su aparición en esta noticia señala que la compañía está pasando de startup privada a empresa pública.

El panorama más amplio es lo que hace que esto valga la pena. OpenAI ha sido una de las grandes beneficiadas de la fiebre del oro de la IA, sacando ingresos de su chatbot y su API mientras se mantenía privada. Ahora se va al mercado, lo que significa que los inversionistas minoristas tienen una oportunidad de comprar una parte de la compañía. Eso es inusual para un IPO de tech — la mayoría de los grandes ganadores se han mantenido privados por más tiempo, o han salido por SPACs que nadie confiaba. El camino de OpenAI hacia la bolsa se está haciendo a la vieja usanza: un IPO real con underwriters reales.

Lo que está menos claro es qué hará el mercado con ella. OpenAI es valiosa, pero también es una compañía que ha pasado años discutiendo si debería ser for-profit o no. La tensión entre su misión fundacional y su modelo de negocio no se ha ido. Cuando compras la acción, estás apostando por el negocio, no por la misión.

Por qué nos importa: si OpenAI sale a la bolsa, se convierte en otra gran empresa de tech cotizada en el mercado abierto — el tipo de cosa que ves en un 401(k) o en una app de corretaje — y la gente que la construyó tiene la oportunidad de cobrar mientras el resto de nosotros compramos acciones al precio que el mercado ponga.

OpenAI le mandó $100 millones a Cerebras por un 4.2% de la empresa, justo antes de que la compañía suelte sus chips más rápidos — los CB1 — en los próximos días. El acuerdo se registró ante la SEC el 18 de septiembre, y el timing es la historia. Cerebras lleva años construyendo silicio personalizado, apostando por un solo chip a escala de oblea en vez de apilar docenas de chips más pequeños. Corre modelos grandes con una fracción de la energía que se tragaría una granja de GPUs.

El dinero lo levantó la propia Cerebras, así que OpenAI compró participación en la empresa, no solo en sus productos. El reporte ante la SEC es un 13D, el tipo que obliga a divulgar cuando un inversionista cruza el umbral del 5%, y OpenAI se quedó justo por debajo de esa línea. El deal es parte de una tendencia más amplia: los grandes creadores de modelos están financiando en silencio a las empresas de hardware que los mantienen en pie. Cerebras ya ha enviado chips a docenas de clientes, incluyendo varios labs de IA grandes, y el CB1 se supone que empuja la performance aún más lejos.

Por qué nos importa: cuando OpenAI está financiando en silencio a los fabricantes de chips, el hardware ya está comprometido antes de que el resto del mercado sepa lo que viene — y eso significa que el precio de correr IA va a cambiar de formas que solo los insiders ven venir.

Zhipu AI soltó GLM-5.3, un modelo con pesos abiertos y 800 mil millones de parámetros. Los pesos son públicos — cualquiera los puede bajar y correr. El modelo rinde bien en benchmarks de código y razonamiento, y la compañía lo está posicionando como competidor de los modelos cerrados grandes.

Lo que hace que esto valga la pena: pesos abiertos significa que un shop con una GPU bien chingona puede correrlo ellos mismos, sin API key, sin cobro por token, sin vendor lock-in. Para un equipo chiquito o un dev con una 4090, eso cambia la ecuación de pagarle a OpenAI o Anthropic por request. También significa que la comunidad puede fine-tunearlo con datos locales — docs en español, stuff legal regional, codebases internas — sin mandarlo a una API en la nube.

Zhipu es una compañía con sede en Beijing, así que el ángulo geopolítico está ahí. Pero los pesos ya salieron. El modelo va a aparecer en Hugging Face, en herramientas como Ollama, en lo que ya estés usando. Esa es la historia real — el gate entre open y closed se hizo más fino.

Por qué nos importa: pesos abiertos significa que las herramientas no están controladas por una sola compañía — nuestra comunidad puede correr estos modelos en nuestro propio hardware, en nuestros propios idiomas, a nuestro propio ritmo.

Un paper nuevo de investigadores de Baidu, Oxford y otros presenta a Little Learner, un LLM diminuto que pesa unos 900MB — lo suficientemente chiquito para correr en una tablet barata o hasta en una Raspberry Pi sin necesidad de internet. El modelo se construyó desde cero con una arquitectura de 1.6B de parámetros, podado y cuantizado para caber en flash, y se entrenó de la nada, no se distiló de un modelo más grande. Eso importa: los modelos distilados traen los sesgos y puntos ciegos de su padre, mientras que este aprende sus propios patrones.

El equipo reporta resultados competitivos en MMLU y GSM8K — los benchmarks estándar de razonamiento y conocimiento — a pesar del tamaño. La prueba real es el despliegue: correr inferencia localmente significa no pagar API, no picos de latencia de un server farm, y no filtrar privacidad cuando un chavo escribe una pregunta en un dispositivo que ya tiene. Para familias y escuelas operando con presupuestos ajustados, esto es justo lo que permite meter un modelo capaz en una tablet y dejarlo correr.

Por qué nos importa: los primos que estudian en casa con un iPad viejo no necesitan la nube — este modelo se lleva en la mochila.

Sean Goedecke explica por qué todo el circo de los benchmarks está roto. Los modelos se están entrenando para hacer trampa en las pruebas — memorizando las preguntas, no aprendiendo las habilidades. El resultado es un mundo donde un modelo saca 90% en un benchmark pero no puede hacer lo que necesitás que haga. Mientras tanto, los modelos que realmente querés — los que razonan, planifican y manejan casos raros — se están enterrando porque no optimizan para las métricas que todos persiguen.

Es el mismo problema que le pasó a cada industria. Le decís a la gente que optimice un número y encuentran el camino más rápido hacia ese número. El número deja de significar algo. Los puntajes de benchmark ahora son una señal de qué tan bien se ajustó un modelo para la prueba, no de qué tan útil es. La gente que construye sistemas reales lo sabe. La gente que vende hype no le importa.

Por qué nos importa: los modelos en los que dependemos para el trabajo, para los side businesses, para que la operación siga andando — tenemos que elegirlos por lo que realmente hacen, no por el leaderboard que la prensa está escribiendo.

Snowflake está dejando atrás el métrico de bytes escaneados como unidad de precio y se va a mover a un modelo de compute + storage. El anuncio fue esta semana y se va a ir implementando en los próximos meses. Afecta a todo el mundo que usa Snowflake — desde los solitarios que manejan datos hasta los equipos de Fortune 500 — y cambia la forma en que pensás los costos de las queries, algo que el modelo viejo nunca hizo.

El métrico de bytes escaneados siempre fue un instrumento tosco. Queries que tocaban los mismos datos de formas distintas podían costar cantidades bien diferentes, y era difícil saber si una query lenta era cara porque estaba haciendo trabajo real o porque estaba leyendo demasiados datos fríos. El nuevo modelo liga el costo a lo que el warehouse realmente gasta — ciclos de compute más el storage que tenés guardado. Es un libro de contabilidad más honesto. Seguí pagando por los datos que tenés, pero ya no te castigan por correr una query que por casualidad lee muchos bytes de una sola vez.

Hay un proyecto compañero que vale la pena mirar: EmbrasureAI's spark-observability-skills, que trae observabilidad similar a los workloads de Spark. Si estás corriendo Spark en Databricks o en un cluster propio, te da una forma de ver cuánto compute está quemando cada job. El movimiento de Snowflake hace el mismo punto — necesitás visibilidad sobre lo que realmente te está costando, no solo sobre cuántos datos tocás.

Por qué nos importa: El cambio a precios basados en compute le pega más fuerte a los equipos chicos y a los side businesses, porque son los que no pueden permitirse dejar warehouses ociosos o correr queries que escanean terabytes sin razón — la visibilidad es la diferencia entre una factura de $40 y una de $400.

OpenAI acaba de presentar su IPO — y los números son brutales. Está levantando $20B a una valuación de $150B, lo que la pone entre las empresas privadas más valiosas que se hayan visto. La cap table lee como un directorio de tech: Microsoft tiene 49%, SoftBank 10%, y los fundadores juntos controlan ~10%.

Esa participación de Microsoft es la historia real. El gigante de la nube ha invertido billones en infraestructura y training runs de OpenAI, y ahora tiene casi la mitad de la empresa. Es ese tipo de integración vertical que podría cerrar la carrera de la IA por años.

Por qué nos importa: cuando una sola empresa controla tanto el modelo como el compute, la gente que corre el side hustle o la tiendita del barrio se queda sin las herramientas que necesita para competir.